CN109829496A - 一种物理测量分类方法及设备 - Google Patents

Abstract

本发明涉及领域瓷砖检测技术领域，具体公开了一种物理测量分类方法，包括下列步骤：①垂直向下拍摄已知分类结果的瓷砖图像；②提取拍摄到已知分类结果的瓷砖图像的特征作为训练样本训练分类器；③垂直向下拍摄待分类的瓷砖图像；④提取拍摄到待分类瓷砖图像的特征，并输入上一步骤中训练好的分类器进行分类。另一方面，本发明还提供了一种物理测量分类设备，包括采样模块和检测模块；避免色差分选时受外在和人为因素的影响，提高色差分选工序的准确性。

Description

一种物理测量分类方法及设备

技术领域

本发明涉及瓷砖检测技术领域,具体涉及一种物理测量分类方法及设备。

背景技术

瓷砖表面颜色分类主要针对瓷砖在加工过程中，由于原料变化、烧成制度的变化、抛光深浅不一等原因造成瓷砖表面颜色与标准砖的表面颜色偏离，而形成业内所谓色差的情况，对瓷砖做拣选分类，可以减少瓷砖的铺贴缺陷。

一直以来建陶厂瓷砖的表面颜色分类分选都是一个难题，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，并且每个工人的分类标准也因人而异得不到的统一，造成整个工序的色差分选的准确性不高。

于是随着市场对瓷砖产品质量与生产效率要求的提升，采用的人工分拣方式已经远不能满足现代化生产需要。

发明内容

本发明意在提供一种物理测量分类方法，避免色差分选时受外在和人为因素的影响，提高色差分选工序的准确性。

本发明中的物理测量分类方法，包括以下步骤：

①垂直向下拍摄已知分类结果的瓷砖图像；

②提取拍摄到已知分类结果的瓷砖图像的特征作为训练样本训练分类器；

③垂直向下拍摄待分类的瓷砖图像；

④提取拍摄到待分类瓷砖图像的特征，并输入上一步骤中训练好的分类器进行分类。

本方法利用对瓷砖图像进行机器学习的方式形成分类器，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。

另一方面，本发明还提供了一种物理测量分类设备，包括采样模块和检测模块；

所述采样模块用于垂直向下拍摄瓷砖图像；

所述检测模块包括图像处理子模块、分类器训练子模块及分类器子模块；

所述图像处理子模块用于对采样模块所拍摄的瓷砖图像进行特征提取与处理；

分类器训练子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器；

所述分类器子模块内加载有训练好的分类器，用于根据图像处理模块得到的特征对待分类瓷砖进分类。

该设备利用对瓷砖图像进行机器学习的方式形成分类器，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。

进一步，还包括照明模块，所述照明模块用于面向瓷砖照明。

保证拍摄图像曝光充足。

进一步，还包括辅助模块，所述辅助模块用于遮罩采样模块，并为所述采样模块提供触发信号。

瓷砖图像的采集处于一个稳定不变的环境下，避免采集过程受到影响，利用触发信号，无需人为对采集模块进行操作。

进一步，所述采样模块包括工业相机，用于垂直向下拍摄瓷砖图像。

工业相机拍摄速度快，性能稳定，便于与检测模块的连接和数据传输。

进一步，所述照明模块包括多个光源，各光源的光照方向与水平面呈一定倾角朝向瓷砖。

避免单一光源由于位置和角度的问题，造成同一瓷砖面上的光照不均匀。

进一步，所述辅助模块包括用于罩住采样模块并隔绝外部光线的黑箱。

避免外部光线早图像拍摄时带来影响。

进一步，所述黑箱横跨于传送瓷砖的传送带上，所述采样模块位于所述黑箱的顶部中央。

利用传送带的移动，自动送入瓷砖，提高了自动化程度。

进一步，所述辅助模块还包括安装在黑箱内的光电传感器；

所述光电传感位于黑箱内沿所述传送带移动的方向远离所述采样模块的一侧，用于当检测到有瓷砖到来时，触发所述采样模块拍摄。

光电传感器提供性能稳定的触发信号，位于黑箱内沿所述传送带移动的方向远离所述采样模块的一侧，使得整个瓷砖处于拍摄范围内以后才触发拍摄，保证可在采集到整个瓷砖的图像，有利于分类的准确性。

进一步，所述照明模块包括四个平板型柔光光源，各自安装在所述黑箱内顶部的四角上。

拍摄时如果瓷砖表面严重的反光，回造成采集到的图像上部分位置有色彩偏差，从而导致错误的分类结果，均匀分布平板型柔光光源，确保在瓷砖表面不会严重的反光，提高分类的准确性。

附图说明

图1为本发明实施例中的物理测量分类设备的结构示意图。

具体实施方式

下面通过具体实施方式进一步详细说明：

说明书附图中的附图标记包括：工业相机1、黑箱2、传送带3、光电传感器4、瓷砖5、平板型柔光光源6、PC机7。

实施例中采用的物理测量分类设备基本如附图1所示：包括采样模块和检测模块；

采样模块采用了工业相机1，用于垂直向下拍摄瓷砖图像；

检测模块则采用了与工业相机1连接的PC机7，内部加载包括图像处理子模块、分类器训练子模块及分类器子模块的检测软件；

其中的图像处理子模块用于对采样模块所拍摄的瓷砖图像进行特征提取与处理；

分类器训练子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器；

分类器子模块内加载有训练好的分类器，用于根据图像处理模块得到的特征对待分类瓷砖5进分类。

还包括辅助模块，该模块包括了黑箱2，它罩住采样模块并隔绝外部光线，黑箱2横跨在传送瓷砖5的传送带3上，工业相机1则位于黑箱2的顶部中央；辅助模块还包括了安装在黑箱2内的光电传感器4；

如图1所示，光电传感器4位于黑箱2内沿所述传送带3移动的方向远离工业相机1块的一侧，指向传送带3上放置瓷砖5的位置，当传送带3将瓷砖5的最前沿送至光电传感器4位置时，整个瓷砖5便进入了工业相机1的拍摄范围；同时光电传感器4检测到有瓷砖5到来，并触发工业相机1拍摄瓷砖图像。

为了给工业相机1的拍摄提供足够的照明，还包括照明模块，它由四块四个平板型柔光光源6组成，各自安装在黑箱2内顶部的四角上，光照方向与水平面呈一定倾角朝向瓷砖5，平板型柔光光源6为采用LED灯珠作为发光单元，LED灯珠均布在平板型柔光光源6朝向瓷砖5的一面上，并覆盖有柔光板，保证不会在瓷砖5表面产生严重的反光。

本实施例中物理测量分类方法的具体实施过程如下：

采用恒大的DH-HV300型彩色工业级工业相机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。

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。

对图像进行降噪处理，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。

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，即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。

输入样本瓷砖图像的颜色特征值对BP神经网络模型进行训练。

首先计算颜色特征值的特征均值作为训练特征均值，根据特征均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，具体如下：

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。

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。

将待分类的瓷砖图像的颜色特征值输入到经过预先训练的BP神经网络模型中，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。

将待分类的瓷砖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，完成对该瓷砖图像的分类。

本实施例中，将瓷砖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。

本实施例利用对瓷砖图像进行机器学习的方式形成分类器，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。

实施例二

本实施例与实施例一的不同之处在于，检测模块还包括了掩膜子模块，用于对所有被分类为有色差的瓷砖图像进行掩膜(Mask)，从而提取瓷砖图像中的感兴趣区,用预先制作的感兴趣区掩模与瓷砖图像相乘,得到感兴趣区图像,感兴趣区内图像值保持不变,而区外图像值都为0，后续的处理则可以通过设定来忽略掉图像为0的点，例如在计算颜色特征值时，可以通过条件选择将这些点排除在外。

本实施例中的一种兴趣区为与瓷砖同中心的一些特定的外轮廓，如动物、花草、多边形等装饰性图案，依照这些轮廓对瓷砖进行裁剪，轮廓内的部分得以保留以作装饰性的瓷砖使用。掩膜后的瓷砖图像被掩膜子模块返回给分类器，再一次进行色差分类，以判断轮廓内的部分是否有色差。

由于在瓷砖烧制过程中，色差很可能不是均匀的出现在整个瓷砖表面，其边缘部分容易出现色差，换句话说，可能边缘与中央的颜色不一，这自然在分类时有极大的可能被分类为有色差，这在对于瓷砖整体的分类过程，是一个正向且有益的现象，可以保证分类的准确性，但与此同时，仅由于局部有色差，而中央无色差的部分也连带着被放弃，造成了部分可用资源的浪费。通过实施例中的掩膜操作，去掉了被分类为有色差的瓷砖图像的边缘部分后，其中央区域内的部分没有色差的可能性较高，通过再次分类判断作为核准，从而给予这些被分类为有色差的瓷砖用作外轮廓不规则的装饰性瓷砖被利用的机会，减少了瓷砖的浪费。

本实施例中的兴趣区还可以是一与瓷砖等宽但不等长的矩形，在掩膜时，该矩形从瓷砖图像的一侧逐次移动至瓷砖图像的另一侧，期间每移动一次就对内就对该矩形所覆盖的范围内的图案进行保留，这样同一瓷砖图像就获得可多个子图像；矩形的大小可以是1/2、1/3或1/4个瓷砖的大小，每个子图像均依照其采样的顺序进行再次分类，当出现了“无色差”的子图像，则停止掩膜和分类，同时记录该子图像在瓷砖中的位置；本实施例中，矩形每次移动固定的距离，如1厘米，并且对每一瓷砖的起始位置固定，如此一来，只要记录第几个子图像被分类判定为“无色差”，即可得知子图像在瓷砖上的位置，于是可以依照子图像的位置裁剪出可以利用的矩形的非标准瓷砖，这些瓷砖可以用作装修时，一些平面上的边缘面积，这些面积很可能小于一个标准瓷砖，这些非标准瓷砖以往都需要到现场来利用标准瓷砖进行剪裁，通过本实施例可以实现为用户准备好一些无色差的非标准此转，方便用户的使用，也不必浪费标准的瓷砖。

同样的，还可对于每一被分类为“有色差”的瓷砖图像均可进行多次掩膜，并行的采用多种掩膜模式，从而可得到许多不同轮廓的子图形，并记录每一瓷砖图形可行的裁剪方案，再根据当前的生产规划，选择将该瓷砖裁剪为何种非标准瓷砖，更合理的利用资源。这些判断结果均通过PC机记录，从而下一工序可以得知每一被分类为“有色差”的瓷砖都可被裁剪何种非标准瓷砖。

以上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 (10)

1.一种物理测量分类方法，其特征在于，包括以下步骤：

①垂直向下拍摄已知分类结果的瓷砖图像；

②提取拍摄到已知分类结果的瓷砖图像的特征作为训练样本训练分类器；

③垂直向下拍摄待分类的瓷砖图像；

④提取拍摄到待分类瓷砖图像的特征，并输入上一步骤中训练好的分类器进行分类。

2.一种物理测量分类设备，其特征在于：包括采样模块和检测模块；

所述采样模块用于垂直向下拍摄瓷砖图像；

所述检测模块包括图像处理子模块、分类器训练子模块及分类器子模块；

所述图像处理子模块用于对采样模块所拍摄的瓷砖图像进行特征提取与处理；

所述分类器训练子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器；

所述分类器子模块内加载有训练好的分类器，用于根据图像处理模块得到的特征对待分类瓷砖进分类。

3.根据权利要求2所述的物理测量分类设备，其特征在于：还包括照明模块，所述照明模块用于面向瓷砖照明。

4.根据权利要求2所述的物理测量分类设备，其特征在于：还包括辅助模块，所述辅助模块用于遮罩采样模块，并为所述采样模块提供触发信号。

5.根据权利要求2所述的物理测量分类设备，其特征在于：所述采样模块包括工业相机，用于垂直向下拍摄瓷砖图像。

6.根据权利要求3所述的物理测量分类设备，其特征在于：所述照明模块包括多个光源，各光源的光照方向与水平面呈一定倾角朝向瓷砖。

7.根据权利要求4所述的物理测量分类设备，其特征在于：所述辅助模块包括用于罩住采样模块并隔绝外部光线的黑箱。

8.根据权利要求7所述的一种物理测量分类设备，其特征在于：所述黑箱横跨于传送瓷砖的传送带上，所述采样模块位于所述黑箱的顶部中央。

9.根据权利要求8所述的一种物理测量分类设备，其特征在于：所述辅助模块包括安装在黑箱内的光电传感器；

所述光电传感位于黑箱内沿所述传送带移动的方向远离所述采样模块的一侧，用于当检测到有瓷砖到来时，触发所述采样模块拍摄。

10.根据权利要求3所述的物理测量分类设备，其特征在于：所述照明模块包括四个平板型柔光光源，各自安装在所述黑箱内顶部的四角上。