CN109800772A - 一种数据识别方法 - Google Patents

Abstract

本发明涉及图像识别领域，具体涉及一种数据识别方法，包括：图像采集步骤，采集目标物的图像；特征值计算步骤，从采集的图像中提取图像的颜色特征，计算图像颜色特征中的颜色特征值；图像分类步骤，将图像的颜色特征值输入到经过预先训练的分类模型中，输出图像的分类结果；图像分类步骤还包括：分类阈值优化步骤，获取样本图像并计算颜色特征值，输入样本图像的颜色特征值到分类模型得到初始值，将初始值与样本图像的实际值进行计算得到误差值，利用误差值逆向对分类模型的分类阈值进行优化，直到误差值小于预设的最小值。本发明能解决现有分类模型因采用固定分类阈值导致的通用性低和分类不准确的问题。

Description

一种数据识别方法

技术领域

本发明涉及图像识别领域，具体涉及一种数据识别方法。

背景技术

瓷砖是应用非常广泛的建筑装饰品，瓷砖配方里含有大量的如钙、镁、钾、钠等多种矿物质原料，就是这些矿物质原料在特定的烧结过程中(也就是合理的烧成温度)，能够熔融合并成为既坚硬又耐冻、耐磨、耐腐蚀的瓷质砖。但是，这些矿物质在熔融合并之时，不同的温度会显示出不同的色彩，这就产生了色差。现有技术中采用人工对有颜色差别的瓷砖进行分类，分类的效果以及速度受到人的情绪的控制，导致产生很多不稳定因素。

为解决上述问题，公开号为CN203061453U的中国专利公开了一种瓷砖色差视觉分选系统，包括传输皮带、光学触发器和检测箱；所述光学触发器和所述检测箱均安装在所述传输皮带的线架上；所述检测箱内安装有光源、工业相机、图像采集卡和工控机；所述工控机内配置有视觉检测及检测评估软件系统；所述工业相机分别与所述光学触发器、所述图像采集卡连接，且所述光学触发器、所述图像采集卡均与所述工控机连接。该方案能对存在色差的瓷砖做出自动分选。

瓷砖在烧结的过程中，色彩会伴随温度的变化而变化，严格来说每一个温度都会对应着一种色彩，只是邻近色彩差别极小，肉眼很难辨别。瓷砖在烧结时，很难保证瓷砖的各个位置受热一致，因此，不同批次的瓷砖在相同的烧结条件下色彩也会有偏差，而现有技术中的分类模型对瓷砖进行识别和分类时，均采用固定的分类阈值，其在出现色彩偏差时不能做出调整，导致通用性低和分类不准确的问题。

发明内容

本发明的目的在于提供一种数据识别方法，能避免现有分类模型因采用固定分类阈值导致的通用性低和分类不准确的问题。

本发明提供的基础方案为：一种数据识别方法，包括以下步骤：

图像采集步骤，采集目标物的图像；

特征值计算步骤，从采集的图像中提取图像的颜色特征，计算图像颜色特征的颜色特征值；

图像分类步骤，将图像的颜色特征值输入到经过预先训练的分类模型中，首先得到当前值，然后将当前值与预设的分类阈值进行比较，最后输出图像的分类结果；

分类阈值优化步骤，获取样本图像并计算样本图像的颜色特征值，输入样本图像的颜色特征值到分类模型得到初始值，将初始值与样本图像的实际值进行计算得到误差值，利用误差值逆向对分类模型的分类阈值进行优化，直到误差值小于预设的最小值。

本发明的有益效果：本方案通过分类模型对图像进行分类，同时能计算误差值，并通过误差值对分类模型的分类阈值进行实时优化，能解决现有分类模型采用固定分类阈值导致的通用性低和分类不准确的问题。

进一步，还包括训练分类模型步骤，首先将颜色特征值作为训练特征值，根据训练特征值对图像的特征进行归一化，然后确定分类模型的结构和网络初始权值，利用遗传算法优化分类模型的初始权值，采用归一化的特征数据训练分类模型网络，最后得到训练完成的分类模型。

本方案采用分类模型进行分类，分类模型的初始权值采用遗传算法优化，本发明通过利用训练集中的图像特征和分类结果对模型网络进行训练，得到了特征和分类结果的映射关系。

有益效果：结合新特征和融合算法进行分类，通过梯度算法进行迭代运算求解权值的过程，通过训练不断地调整网络的权值和阈值，以使得输出的当前值与实际值的误差小，从而使网络实现给定的输入输出映射关系，使分类精度显著提高。

进一步，特征值计算步骤中，计算图像的颜色特征值具体包括：预处理步骤，对图像进行边缘检测，得到边缘像素点，根据边缘像素点确定第一区域；计算步骤，将图像RGB空间的所有颜色值转换为LAB空间的颜色值，然后计算第一区域内任意两种颜色值的欧氏距离。

有益效果：对于人眼察觉不到的颜色，大部分都存在于图像的边缘部分，因此需要检测出图像的边缘像素点以进行后续处理，将RGB转换为LAB的优点是：可以降低计算机识别色彩的难度，使算法可以在色彩较少的空间里识别颜色。

进一步，特征值计算步骤中，预处理步骤前还包括降噪步骤，对图像进行降噪处理。

有益效果：通过降噪能减少数字图像中噪声能防止外部环境噪声的干扰。

进一步，特征值计算步骤中，提取的图像颜色特征包括灰度级数、颜色相似度、颜色渐变和饱和度。

本发明还公开了一种数据识别系统，包括：

图像采集模块，用于采集目标物的图像；

图像处理模块，用于获取图像采集模块采集的目标物图像并提取图像的颜色特征，根据颜色特征计算图像的颜色特征值；

图像分类模块，用于图像处理模块计算的颜色特征值并将颜色特征值与分类阈值比较，根据比较的结果判断图像的类别并得出图像的分类结果。

进一步，还包括：分类模型训练模块，用于以已知分类结果的瓷砖图像作为训练样本训练分类模型。

有益效果：本方案利用对瓷砖图像进行机器学习的方式形成分类模型，进而再利用拍摄的瓷砖图像作为分类对象进行分类，利用人工智能的分类方式，消除了传统的人工分选方法由于受到光线的变化、工人的生理和心理的变化、视线角度变化等因素的影响，并且统一分类标准提高了造成整个工序的色差分选的准确性。

附图说明

图1为本发明实施例一中数据识别方法的流程框图；

图2为本发明实施例二中瓷砖裁剪系统的逻辑框图。

具体实施方式

下面通过具体实施方式进一步详细的说明：

实施例一：

如图1所示：一种数据识别方法包括：

S1：图像采集步骤，采集目标物的图像。

采用恒大的DH-HV300型彩色工业级摄像机拍摄瓷砖表面的图像来完成图像的采集，该款摄像机内部集成了A/D转换模块能直接通过USB2.0接口与PC机进行处理。

S2：特征值计算步骤，从采集的图像中提取图像的颜色特征，计算图像颜色特征中的颜色特征值。

采用直接图法进行图像颜色特征的提取：在确定空间的基础上，统计每种颜色分量的像素占图像总像素的比例，得到图像各种颜色的比例分布(直方图)，最后把直方图作为图像的颜色特征进行图像检索。

S201：降噪步骤，对图像进行降噪处理。

S202：预处理步骤，对图像进行边缘检测，得到边缘像素点，根据边缘像素点确定第一区域。采用现有的图像边缘检测技术实现边缘检测，对于人眼察觉不到的颜色，大部分都存在于图像的边缘部分，因此需要检测出图像的边缘像素点以进行后续处理。

S203：计算步骤，将图像RGB空间的所有颜色值转换为LAB空间的颜色值，然后在第一区域内任意两种颜色值的欧氏距离。

提取得到图像颜色特征后，通过现有的PC软件计算图像的颜色特征值：将图像RGB空间的所有颜色的颜色值转换为LAB空间的颜色值，转换之后每种颜色的像素数不变。LAB色彩空间比RGB色彩空间更接近人类视觉。在RGB色彩空间上进行计算，可以最大限度的满足颜色识别的前提，并能识别出符合人眼识别的颜色数。

在非边缘像素点区域内，按照颜色值由多到少的顺序计算LAB空间的任意两种颜色的颜色值的距离。根据公式按照颜色值由多到少的顺序计算第一区域内任意两种颜色的LAB值(L1*，a1*，b1*)和(L2*，a2*，b2*)的距离，其中，L1*，a1*，b1*和L1*，a1*，b1*分别为两种颜色的LAB色彩空间的三个通道的值。

S3：图像分类步骤，将图像的颜色特征值输入到经过预先训练的分类模型中，本实施例中分类模型为BP神经网络模型，首先得到当前值，然后将当前值与分类阈值进行比较，最后输出图像的分类结果。

S301：训练BP神经网络模型步骤，输入样本颜色特征值对BP神经网络模型进行训练。

训练BP神经网络模型：首先将颜色特征值作为训练特征值，根据训练特征值对图像的特征进行归一化，然后确定BP神经网络模型的结构和网络初始权值，利用遗传算法优化BP神经网络初始权值，采用归一化的特征数据训练网络，得到训练好的BP神经网络模型。

S302：图像分类步骤，将目标物图像的颜色特征值输入到BP神经网络模型中得到图像的当前值，将当前值与分类阈值进行比较，完成对目标图像的分类。

本实施例中，将图像的色差情况分为无色差、轻微色差、明显色差和严重色差，其中无色差的分类阈值范围为0-0.5，轻微色差的分类阈值范围为0.5-1.0，明显色差的分类阈值范围为1.0-1.5，严重色差的分类阈值范围为1.5-2.0。

根据目标图像的当前值与分类阈值进行比较，例如，某目标图像的当前值为0.72，那么该目标图像分为轻微色差一类。

S303：分类阈值优化步骤，获取样本图像并计算颜色特征值，输入样本图像的颜色特征值到BP神经网络模型得到初始值，将初始值与样本图像的实际值进行计算得到误差值，利用误差值逆向对BP神经网络模型的分类阈值进行优化，直到误差值小于最小值。

优化BP神经网络模型：将样本颜色特征值提供给输入神经元，BP神经网络模型内部逐层将信号向前传播，最后产生输出层的初始值，将初始值与实际值进行计算得到误差值，若误差值大于最小值，则将误差值逆向传播到隐层神经元，根据误差值来调整优化神经元的连接权值、与偏置以及分类阈值，然后输入图像的颜色特征继续训练，直到初始值与实际值间的误差值小于最小值。本实施例中，最小值为0.02。

例如：第一样本的颜色特征值为R＝25，G＝56，B＝48，将颜色特征值输入到BP神经网络模型中输出的初始值为0.52，但第一样本的实际值为0.75，那么误差值就是0.23，将误差值逆向传播到隐层神经元中，对BP神经网络模型的进行调整和优化，直到输入第一样本的颜色特征至后输出的初始值为0.5。

第二样本的颜色特征值为R＝82，G＝109，B＝115，将该颜色特征值输入到BP神经网络模型中输出的初始值为0.93，但第二样本的实际值为1.00，那么误差值为0.07，将误差值逆向传播到隐层神经元中，对BP神经网络模型的进行调整和优化，直到输入第二样本的颜色特征值输出的初始值为1.00。

第三样本的颜色特征值为R＝154，G＝188，B＝210，将该颜色特征值输入到BP神经网络模型中输出的初始值为1.81，第三样本的实际值为1.80，误差值为0.01，小于最小,0.01，完成对BP神经网络模型的训练。

本实施例还公开了一种数据识别系统，包括服务器和采集终端，服务器和采集终端通过现有的无线连接模块网络连接。

采集终端，包括：

图像采集模块，用于采集目标物的图像数据。

采用现有的摄像机和光学镜头实现图像的采集。本实施中，采用恒大的DH-HV300型彩色工业级摄像机拍摄瓷砖表面的图像来完成图像的采集，该款摄像机内部集成了A/D转换模块能直接通过USB2.0接口与PC机进行处理。此型号的摄像机分辨率高，最高分辨率可达2048x1536，其采用5V供电，连线简单。光学镜头采用日本的computer镜头。

服务器，包括：

图像处理模块，用于获取图像采集模块采集的目标物图像数据并提取图像数据的颜色特征，根据颜色特征计算图像的颜色特征值。

图像分类模块，用于图像处理模块计算的颜色特征值并将颜色特征值与分类阈值比较，根据比较的结果判断图像的类别并得出图像的分类结果。

分类模型训练模块，用于以已知分类结果的瓷砖图像作为训练样本训练分类模型。

服务器为现有PC机，其中图像处理模块和图像分析模块的功能均由PC机的硬件和软件结合现有程序来实现。其中PC机的配置如下：CPU：奔腾四处理器；主板：威星MSI865PE；内存：金士顿Kingston512DDE400；硬盘：希捷ST80G/7200；显卡：七彩虹FX5200/128M；光驱：LG16CxDVD。所有图像数据都是直接调入内存处理，对计算机的内存要求比较高，处理分析的图像格式都是BMP格式的，BMP格式的文件本身就比较大，内存采用1G内存(两条金士顿512M)。

实施例二：

本实施例与实施例一相比，不同之处仅在于，本实施例中的服务器还包括瓷砖裁剪系统。

瓷砖的色差分为整体色差和局部色差，出现整体色差的瓷砖，除进行颜色匹配(与相近颜色的瓷砖进行匹配)外，只能当做废品处理；对于局部色差的瓷砖，可将色差部分切除，将瓷砖裁剪为整体尺寸更小的瓷砖。如何实现最优的裁剪(切除丢弃的部分最少)或将有色差部分进行合理利用是急需解决的问题。

如图2所示：瓷砖裁剪系统，包括：

图像色差分区模块，用于接收图像分类模块分选出的有色差的图像，并根据图像的颜色特征值计算得图像的色差点，将色差点坐标化并对色差点的边界坐标进行识别，根据色差点的边界对图像进行分区得到色差块和无色差块。

采用现有的图像识别方法对图像的颜色特征值进行识别，其中图像色差点边界的识别方式可采用华东理工大学信息工程学院公开的《一种基于色差的彩色图像的边缘检测方法》中的图像的边缘检测方法进行识别，完成边界识别后将产生色差的部分定义为色差块，将无色差的部分定义为无色差块。

图像裁剪模块，用于获取图像色差分区模块分区后的图像，首先，根据色差点的边界计算非色差块的形状和面积，获取小瓷砖的尺寸，根据多个相同或不同小瓷砖的尺寸的拼接对非色差块进行裁剪得到小瓷块和剩余块，然后，计算剩余块的形状和面积并将剩余块切割成面积最大的矩形补块，最后，根据色差点的边界计算色差块的形状和面积，获取模型数据库中的裁剪模型的形状和面积并根据色差块的形状和面积选择最大面积的裁剪模型进行裁剪，得到饰品块。

通过现有的图像识别技术扫描色差块和非色差块的边界可以计算得到色差块和非色差块的形状，通过AutoCAD可计算色差块和非色差块的面积：输入命令AREA，选中对象，得出面积。对于目标块裁剪可通过掩膜的方式计算，本实施例中采用BuildMask工具：获取小瓷砖的尺寸信息，构建掩膜区域，然后将掩膜区域与非色差块图像相乘得到小瓷块。

在数据库中预先存储有艺术品裁剪模型，包括植物：鲜花、树叶、四叶草、花束等模型；动物：小狗、小猪、恐龙等模型；动漫人物：路飞、鸣人、樱木花道等模型。

小瓷块为颜色与目标物相同但规格(尺寸)不同的瓷砖，补块和饰品块可作为赠品配送给用户，其中补块用于在安装瓷砖时剩余位置不足以安装整块瓷砖时补位用的小瓷砖，饰品块可当做饰品使用。

本实施例的有益效果：1)通过计算瓷砖非色差块的形状和尺寸，能对存在色差的瓷砖进行裁剪，得到更小尺寸的瓷砖和用于补位的补块，能最大化的利用有色差的瓷砖，实现了次品瓷砖的再利用解决了直接报废处理导致的浪费材料和生产力的问题；2)对于瓷砖上出现色差的部分最大化裁剪，将其作为饰品使用，本实施例实现了最优的裁剪和将有色差部分进行合理利用的效果。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (7)

1.一种数据识别方法，其特征在于：包括以下步骤：

图像采集步骤，采集目标物的图像；

特征值计算步骤，从采集的图像中提取图像的颜色特征，计算图像颜色特征的颜色特征值；

图像分类步骤，将图像的颜色特征值输入到经过预先训练的分类模型中，首先得到当前值，然后将当前值与预设的分类阈值进行比较，最后输出图像的分类结果；

分类阈值优化步骤，获取已知分类结果的样本图像并计算样本图像的颜色特征值，输入样本图像的颜色特征值到分类模型得到初始值，将初始值与样本图像的实际值进行计算得到误差值，利用误差值逆向对分类模型的分类阈值进行优化，直到误差值小于预设的最小值。

2.根据权利要求1所述的数据识别方法，其特征在于：还包括训练分类模型步骤，首先将颜色特征值作为训练特征值，根据训练特征值对图像的特征进行归一化，然后确定分类模型的结构和网络初始权值，利用遗传算法优化分类模型的初始权值，采用归一化的特征数据训练分类模型网络，最后得到训练完成的分类模型。

3.根据权利要求2所述的数据识别方法，其特征在于：特征值计算步骤中，计算图像的颜色特征值具体包括：预处理步骤，对图像进行边缘检测，得到边缘像素点，根据边缘像素点确定第一区域；计算步骤，将图像RGB空间的所有颜色值转换为LAB空间的颜色值，然后计算第一区域内任意两种颜色值的欧氏距离。

4.根据权利要求3所述的数据识别方法，其特征在于：特征值计算步骤中，预处理步骤前还包括降噪步骤，对图像进行降噪处理。

5.根据权利要求4所述的数据识别方法，其特征在于：特征值计算步骤中，提取的图像颜色特征包括灰度级数、颜色相似度、颜色渐变和饱和度。

6.一种数据识别系统，其特征在于：包括：

图像采集模块，用于采集目标物的图像；

图像处理模块，用于获取图像采集模块采集的目标物图像并提取图像的颜色特征，根据颜色特征计算图像的颜色特征值；

图像分类模块，用于图像处理模块计算的颜色特征值并将颜色特征值与预设的分类阈值比较，根据比较的结果判断图像的类别并得出图像的分类结果。

7.根据权利要求6所述的数据识别系统，其特征在于：还包括：

分类模型训练模块，用于以已知分类结果的瓷砖图像作为训练样本训练分类模型。