CN109886344A - 基于深度学习的皮革破损识别方法、系统及设备和介质 - Google Patents
基于深度学习的皮革破损识别方法、系统及设备和介质 Download PDFInfo
- Publication number
- CN109886344A CN109886344A CN201910141949.6A CN201910141949A CN109886344A CN 109886344 A CN109886344 A CN 109886344A CN 201910141949 A CN201910141949 A CN 201910141949A CN 109886344 A CN109886344 A CN 109886344A
- Authority
- CN
- China
- Prior art keywords
- leather
- training
- image
- identified
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000010985 leather Substances 0.000 title claims abstract description 137
- 238000013135 deep learning Methods 0.000 title claims abstract description 46
- 238000011156 evaluation Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 98
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000003860 storage Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000012876 topography Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 abstract description 30
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 206010047571 Visual impairment Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种基于深度学习的皮革破损识别方法、系统及一种电子设备和计算机可读存储介质,该方法包括:获取待识别皮革图像;将所述待识别皮革图像输入训练后分类模型中;利用所述训练后分类模型对所述待识别皮革图像进行识别,得到对应的皮革破损类型;其中,所述训练后分类模型为基于深度学习网络预先训练得到的模型。也即,本申请预先训练得到用于对待识别皮革图像进行识别的模型,在后续需要对皮革的破损类型进行识别时,仅需要将待识别图像输入该模型,即可识别得到待识别皮革表面明显破损并进行分类,得到皮革破损类型,显著降低识别时间,且识别准确率高,从而可根据破损类型对当前皮革进行相应的处理,有效地提高了生产效率。
Description
技术领域
本申请涉及深度学习技术领域,更具体地说,涉及一种基于深度学习的皮革破损识别方法、系统及一种电子设备和一种计算机可读存储介质。
背景技术
随着经济的发展,生活水平的提高,人们对皮革产品的消费转为质量型,即对皮革产品的质量要求越来越高,研究皮革表面破损对皮革行业实现自动化生产有极其重要的意义。由于皮革表面不可避免的存在各种各样的缺陷,如破洞、划痕以及疤痕等,在排样前必须检测和定位缺陷,从而使生产样本的排放和切割避开缺陷。
当下各种皮革破损检测技术中:基于灰度共生矩阵的统计方法,一般需要无缺陷的样本,计算量较大,同时受颜色及光照影响大,难以应用于实际生产;基于Gabor滤波器的纹理分割算法,需要预先获得无缺陷样本求取最优参数而且领域窗的大小对结果有影响,领域窗必须能够包含局部纹理的重复性和空间排列情况,窗口太大会增加计算量,而窗口太小会忽视小的缺陷,同时常熟因子c的选择也要经过衡量,否则会影响检测效果;基于傅里叶变换的检测算法,该类算法主要是用傅立叶基的图像重构技术去除随机纹理图像中的重复性、周期性结构,然后就可在恢复图像中识别异常。随机纹理包含各向同性结构,频谱图像中的高能成分也是向各个方向分布,形成圆盘形。精细的纹理表面在傅里叶谱图像中产生较大的扩展圆,而粗糙的纹理产生较小的扩展圆。对于处理批量图像来说,确定重构的左右半径较为困难,即增加了算法的复杂度。同时这些检测算法都是对皮革图像进行破损检测并未对皮革的破损类型作出详细的分类。
因此,如何实现对皮革破损类型的识别是本领域技术人员需要解决的问题。
发明内容
本申请的目的在于提供一种基于深度学习的皮革破损识别方法、系统及一种电子设备和一种计算机可读存储介质,能够有效地识别出皮革破损类型。
为实现上述目的,本申请提供了一种基于深度学习的皮革破损识别方法,包括:
获取待识别皮革图像;
将所述待识别皮革图像输入训练后分类模型中;
利用所述训练后分类模型对所述待识别皮革图像进行识别,得到对应的皮革破损类型;其中,所述训练后分类模型为基于深度学习网络预先训练得到的模型。
可选的,所述皮革破损类型包括:破洞、划痕、烂面、针眼、无破损中任一项或任意组合。
可选的,还包括:
获取高清的皮革样本图像;
根据所述皮革破损类型对所述皮革样本图像进行分类,得到各种所述皮革破损类型对应的所述皮革样本图像,并从中确定训练样本集;
基于深度学习网络利用所述训练样本集对预设分类模型进行训练,得到所述训练后分类模型。
可选的,所述根据所述皮革破损类型对所述皮革样本图像进行分类之后,还包括:
对所述皮革样本图像进行裁剪处理,得到皮革局部图像;
相应的,所述根据所述皮革破损类型对所述皮革样本图像进行分类,包括:
根据所述皮革破损类型对所述皮革局部图像进行分类。
可选的,还包括:
获取测试样本集;其中,所述测试样本集为从所有所述皮革样本图像中确定的与所述训练样本集无交叉的样本集合;
利用所述测试样本集对所述训练后分类模型进行测试,得到当前所述训练后分类模型的识别精度;
判断所述识别精度是否达到预设精度;
如果否,则继续对所述训练后分类模型进行训练,以调整模型参数直至所述训练后分类模型的识别精度满足预设精度。
可选的,所述根据所述皮革破损类型对所述皮革样本图像进行分类之前,还包括:
对所述皮革样本图像进行缩放和/或旋转和/或随机噪声操作。
可选的,所述利用所述训练样本集对预设分类模型进行训练之前,还包括:
将所述训练样本集转换成txt清单列表格式,并转换成lmdb文件。
为实现上述目的,本申请提供了一种基于深度学习的皮革破损识别系统,包括:
图像获取模块,用于获取待识别皮革图像;
图像输入模块,用于将所述待识别皮革图像输入训练后分类模型中;
图像识别模块,用于利用所述训练后分类模型对所述待识别皮革图像进行识别,得到对应的皮革破损类型;其中,所述训练后分类模型为基于深度学习网络预先训练得到的模型。
为实现上述目的,本申请提供了一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如前述公开的任一项所述基于深度学习的皮革破损识别方法的步骤。
为实现上述目的,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如前述公开的任一项所述基于深度学习的皮革破损识别方法的步骤。
通过以上方案可知,本申请提供的一种基于深度学习的皮革破损识别方法,包括:获取待识别皮革图像;将所述待识别皮革图像输入训练后分类模型中;利用所述训练后分类模型对所述待识别皮革图像进行识别,得到对应的皮革破损类型;其中,所述训练后分类模型为基于深度学习网络预先训练得到的模型。也即,本申请预先训练得到用于对待识别皮革图像进行识别的模型,在后续需要对皮革的破损类型进行识别时,仅需要将待识别图像输入该模型,即可识别得到待识别皮革表面明显破损并进行分类,得到皮革破损类型,显著降低识别时间,且识别准确率高,从而可根据破损类型对当前皮革进行相应的处理,有效地提高了生产效率。
本申请还公开了一种基于深度学习的皮革破损识别系统及一种电子设备和一种计算机可读存储介质,同样能实现上述技术效果。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1、图2为本申请实施例公开的一种基于深度学习的皮革破损识别方法的流程图;
图3为本申请实施例公开的一种基于深度学习的皮革破损识别方法中模型训练过程的流程图;
图4为本申请实施例公开的一种具体的模型训练过程的流程图;
图5为本申请实施例公开的深度学习网络模型的详细训练过程的流程图;
图6、图7为本申请实施例公开的一种基于深度学习的皮革破损识别方法中模型测试过程的流程图;
图8为本申请实施例公开的一种具体的模型创建过程示意图;
图9为本申请实施例公开的实验过程中识别精度与训练次数的关系示意图;
图10为本申请实施例公开的一种基于深度学习的皮革破损识别系统的结构图;
图11为本申请实施例公开的一种电子设备的结构图;
图12为本申请实施例公开的另一种电子设备的结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在现有技术中,针对各种皮革破损检测技术中:基于灰度共生矩阵的统计方法、基于Gabor滤波器的纹理分割算法、基于傅里叶变换的检测算法等均存在难以应用于实际生产、计算量大、算法复杂度高的缺点,且这些检测算法都是对皮革图像进行破损检测并未对皮革的破损类型作出详细的分类。
因此,本申请实施例公开了一种旅游监管方法,提高了旅游行为的监管效率。
参见图1、图2,本申请实施例公开的一种基于深度学习的皮革破损识别方法的流程图,如图1、图2所示,包括:
S101:获取待识别皮革图像;
S102:将待识别皮革图像输入训练后分类模型中;
本实施例中,获取待识别的皮革图像,待识别皮革图像通常为高清数码图像,能够提高识别的准确度,并将待识别皮革图像输入训练后分类模型中进行类型识别。
S103:利用训练后分类模型对待识别皮革图像进行识别,得到对应的皮革破损类型;其中,训练后分类模型为基于深度学习网络预先训练得到的模型。
本步骤中,将待识别图像输入训练后分类模型之后,获取训练后分类模型对待识别皮革图像的检测识别结果,从而得到当前图像中皮革的破损类型。
具体地,本实施例中皮革破损类型可以包括:破洞、划痕、烂面、针眼、无破损中任一项或任意组合。
需要说明的是,训练后分类模型为本实施例基于深度学习网络预先训练得到的模型,能够在获取到输入的待识别图像后输出当前图像中皮革的破损类型。由于工业生产中需要快速判断一张皮革是否有用于生产制造的价值以及由哪方面的用途,本实施例通过训练分类模型,最终实现对皮革破损的快速识别,以利用识别结果对皮革加以利用,节约了生产成本并具备较快的计算速度。
通过以上方案可知,本申请提供的一种基于深度学习的皮革破损识别方法,包括:获取待识别皮革图像;将所述待识别皮革图像输入训练后分类模型中;利用所述训练后分类模型对所述待识别皮革图像进行识别,得到对应的皮革破损类型;其中,所述训练后分类模型为基于深度学习网络预先训练得到的模型。也即,本申请预先训练得到用于对待识别皮革图像进行识别的模型,在后续需要对皮革的破损类型进行识别时,仅需要将待识别图像输入该模型,即可识别得到待识别皮革表面明显破损并进行分类,得到皮革破损类型,显著降低识别时间,且识别准确率高,从而可根据破损类型对当前皮革进行相应的处理,有效地提高了生产效率。
参见图3,本申请实施例提供的一种基于深度学习的皮革破损识别方法中模型训练过程的流程图,如图3所示,包括:
S201:获取高清的皮革样本图像;
本步骤中,获取通过高清数码相机获取的皮革样本图像。进一步地,可以对皮革样本图像进行筛选,去掉拍摄不清晰的图像。
S202:根据皮革破损类型对皮革样本图像进行分类,得到各种皮革破损类型对应的皮革样本图像,并从中确定训练样本集;
本步骤中,从皮革样本图像中确定训练样本集,以利用训练样本集进行模型的训练。同时,将皮革样本图像按照皮革破损类型进行分类。
进一步地,本实施例在根据皮革破损类型对皮革样本图像进行分类之后,还可以对皮革样本图像进行裁剪处理,得到皮革局部图像,并将皮革局部图像作为新的样本图像完成后续的训练过程。可以理解的是,本实施例通过对原始的皮革样本图像进行合适的裁剪,能够减小原图大小,减少局部皮革图像中破损的种类个数,并能够有效的扩充样本数量。
需要说明的是,本实施例为了增强样本的多样性并保证更好的提取图像特征,可以对皮革样本图像进行缩放和/或旋转和/或随机噪声操作,实现数据增强。
S203:基于深度学习网络利用训练样本集对预设分类模型进行训练,得到训练后分类模型。
可以理解的是,针对各种皮革破损类型的皮革样本图像对预设分类模型进行训练,得到训练后分类模型。其中,预设分类模型是指为预先创建的模型设置适合本数据集的网络参数后得到的初始模型。
参见图4,本申请实施例提供的一种具体的模型训练过程的流程图,如图4所示,该过程包括:
步骤1,图像获取:通过超高清数码相机获取皮革图像;
步骤2,图像预处理:对获取的图像进行裁剪,然后选择明显破洞、划痕、针眼、烂面、无破损五类皮革,再从中选择样本图像形成训练样本集,并可以对数据集进行数据增强;
步骤3:数据标定:将训练样本集转换成txt清单列表格式,并通过Python脚本转换成caffe框架需要的lmdb格式文件,进一步为各种破损类型的皮革分别标定相应的标签,例如,五种类型的皮革分别对应0、1、2、3、4;
步骤4:模型训练:针对五种类型的皮革样本对深度学习网络模型进行训练,并根据训练数据逐步调整网络参数;其中,需要调整的参数可以参见表1所示;
表1
具体地,深度学习网络模型的详细训练过程如图5所示,通过多层卷积等操作进行标定图像的特征提取,并最终通过分类器以概率形式输出各类的概率。
本实施例中,以ResNet-50网络为例说明皮革破损分类过程:ResNet-50网络是具有50层(只计算卷积、全连接层)结构的残差网络,该网络主要用于图像的识别与分类工作。ResNet网络相对于传统的各种神经网络主要是引入了残差结构,而传统网络与加入残差结构的网络前向传播时的差别主要如下:对于两层的网络,传统神经网络的前向传播过程是:
引入残差后的前向传播则是:
其中,n代表网络层数,I代表输入数据,W代表权重,b代表偏置值。
本实施例中,ReLU为网络的激活函数,其定义如下:
在对训练样本集训练过程中会通过多次卷积和池化操作对皮革图像进行特征提取,卷积运算公式如下:
其中,h为卷积核,f为输入图像,g为卷积后输出的响应图像。具体地,卷积过程如下:
滑动卷积核,使卷积核中心位于输入图像的(i,j)像素上,i,j表示第i行,第j列;利用上面公式求和,得到输出图像的(i,j)像素值;重复以上步骤,直到求出输出图像的所有像素值;最后通过softmax分类器得到一个值域为[0,1]且全部元素和为1的一维向量,其下标分别对应不同的分类类别,模型训练完成后就可以对皮革图像进行识别分类。softmax分类器定义如下:
其中,P(i)为第i个分类对应的概率,zi为第i个分类对应的输入值,K为总的分类数。
步骤5:结果输出:输出训练结果,即最终训练得到的分类模型。
参见图6、图7,本申请实施例提供的一种基于深度学习的皮革破损识别方法中模型测试过程的流程图,如图6、图7所示,包括:
S301:获取测试样本集;其中,测试样本集为从所有皮革样本图像中确定的与训练样本集无交叉的样本集合;
本实施例中,从所有皮革样本图像中确定测试样本集,为了保证结果的可信度,测试样本集与训练样本集无交叉。当然,也可以根据上述对训练样本集的处理同样对测试样本集进行裁剪预处理以及数据增强操作。
S302:利用测试样本集对训练后分类模型进行测试,得到当前训练后分类模型的识别精度;
本步骤中,将训练测试样本集输入训练后分类模型进行识别测试,并得到当前模型的识别精度。
S303:判断识别精度是否达到预设精度;
S304:如果识别精度未达到预设精度,则继续对训练后分类模型进行训练,以调整模型参数直至训练后分类模型的识别精度满足预设精度。
进一步地,判断识别精度是否达到预设精度,若未达到预设精度,则继续对模型进行训练,并在模型训练的同时对模型进行测试,逐步调整模型的网络参数,直至识别精度满足预设精度。
图8为本申请实施例提供的一种具体的模型创建过程,如图8所示,对采集的图像进行预处理后,将其划分为训练集和测试集,并利用训练集对模型进行训练得到待测试的模型,测试集用于测试模型的精度,若识别精度未达到预期的预设精度,则对当前待测试模型进行改进,知道满足预期的识别精度,则模型创建完成。
在本实施例对分类模型进行具体的训练和识别实验过程中,识别精度与训练次数的关系如图9所示,实验数据参见表2所示,实验对测试集366张图像进行测试,最终正确识别的图像为338张,从而实验结果中识别精度为:
表2
划痕 | 烂面 | 破洞 | 针眼 | 无破损 | |
训练集 | 311 | 324 | 445 | 276 | 252 |
测试集 | 96 | 61 | 102 | 47 | 60 |
下面对本申请实施例提供的一种基于深度学习的皮革破损识别系统进行介绍,下文描述的一种基于深度学习的皮革破损识别系统与上文描述的一种基于深度学习的皮革破损识别方法可以相互参照。
参见图10,本申请实施例提供的一种基于深度学习的皮革破损识别系统的结构图,如图10所示,包括:
图像获取模块100,用于获取待识别皮革图像;
图像输入模块200,用于将所述待识别皮革图像输入训练后分类模型中;
图像识别模块300,用于利用所述训练后分类模型对所述待识别皮革图像进行识别,得到对应的皮革破损类型;其中,所述训练后分类模型为基于深度学习网络预先训练得到的模型。
本申请还提供了一种电子设备,参见图11,本申请实施例提供的一种电子设备的结构图,如图11所示,包括:
存储器11,用于存储计算机程序;
处理器12,用于执行所述计算机程序时可以实现前述公开的任一种基于深度学习的皮革破损识别方法的步骤。
具体的,存储器11包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机可读指令,该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。处理器12在一些实施例中可以是一中央处理器(CentralProcessing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,为电子设备提供计算和控制能力,执行所述存储器11中保存的计算机程序时,可以实现前述公开的任一种基于深度学习的皮革破损识别方法的步骤。
在上述实施例的基础上,作为优选实施方式,参见图12,所述电子设备还包括:
输入接口13,与处理器12相连,用于获取外部导入的计算机程序、参数和指令,经处理器12控制保存至存储器11中。该输入接口13可以与输入装置相连,接收用户手动输入的参数或指令。该输入装置可以是显示屏上覆盖的触摸层,也可以是终端外壳上设置的按键、轨迹球或触控板,也可以是键盘、触控板或鼠标等。
显示单元14,与处理器12相连,用于显示处理器12处理的数据以及用于显示可视化的用户界面。该显示单元14可以为LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。
网络端口15,与处理器12相连,用于与外部各终端设备进行通信连接。该通信连接所采用的通信技术可以为有线通信技术或无线通信技术,如移动高清链接技术(MHL)、通用串行总线(USB)、高清多媒体接口(HDMI)、无线保真技术(WiFi)、蓝牙通信技术、低功耗蓝牙通信技术、基于IEEE802.11s的通信技术等。
图12仅示出了具有组件11-15的电子设备,本领域技术人员可以理解的是,图12示出的结构并不构成对电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
本申请还提供了一种计算机可读存储介质,该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。该存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现前述公开的任一种基于深度学习的皮革破损识别方法的步骤。
本申请预先训练得到用于对待识别皮革图像进行识别的模型,在后续需要对皮革的破损类型进行识别时,仅需要将待识别图像输入该模型,即可识别得到待识别皮革表面明显破损并进行分类,得到皮革破损类型,显著降低识别时间,且识别准确率高,从而可根据破损类型对当前皮革进行相应的处理,有效地提高了生产效率。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种基于深度学习的皮革破损识别方法,其特征在于,包括:
获取待识别皮革图像;
将所述待识别皮革图像输入训练后分类模型中;
利用所述训练后分类模型对所述待识别皮革图像进行识别,得到对应的皮革破损类型;其中,所述训练后分类模型为基于深度学习网络预先训练得到的模型。
2.根据权利要求1所述的皮革破损识别方法,其特征在于,所述皮革破损类型包括:破洞、划痕、烂面、针眼、无破损中任一项或任意组合。
3.根据权利要求1所述的皮革破损识别方法,其特征在于,还包括:
获取高清的皮革样本图像;
根据所述皮革破损类型对所述皮革样本图像进行分类,得到各种所述皮革破损类型对应的所述皮革样本图像,并从中确定训练样本集;
基于深度学习网络利用所述训练样本集对预设分类模型进行训练,得到所述训练后分类模型。
4.根据权利要求3所述的皮革破损识别方法,其特征在于,所述根据所述皮革破损类型对所述皮革样本图像进行分类之后,还包括:
对所述皮革样本图像进行裁剪处理,得到皮革局部图像;
相应的,所述根据所述皮革破损类型对所述皮革样本图像进行分类,包括:
根据所述皮革破损类型对所述皮革局部图像进行分类。
5.根据权利要求3所述的皮革破损识别方法,其特征在于,还包括:
获取测试样本集;其中,所述测试样本集为从所有所述皮革样本图像中确定的与所述训练样本集无交叉的样本集合;
利用所述测试样本集对所述训练后分类模型进行测试,得到当前所述训练后分类模型的识别精度;
判断所述识别精度是否达到预设精度;
如果否,则继续对所述训练后分类模型进行训练,以调整模型参数直至所述训练后分类模型的识别精度满足预设精度。
6.根据权利要求3所述的皮革破损识别方法,其特征在于,所述根据所述皮革破损类型对所述皮革样本图像进行分类之前,还包括:
对所述皮革样本图像进行缩放和/或旋转和/或随机噪声操作。
7.根据权利要求3至6任一项所述的皮革破损识别方法,其特征在于,所述利用所述训练样本集对预设分类模型进行训练之前,还包括:
将所述训练样本集转换成txt清单列表格式,并转换成lmdb文件。
8.一种基于深度学习的皮革破损识别系统,其特征在于,包括:
图像获取模块,用于获取待识别皮革图像;
图像输入模块,用于将所述待识别皮革图像输入训练后分类模型中;
图像识别模块,用于利用所述训练后分类模型对所述待识别皮革图像进行识别,得到对应的皮革破损类型;其中,所述训练后分类模型为基于深度学习网络预先训练得到的模型。
9.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述基于深度学习的皮革破损识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于深度学习的皮革破损识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910141949.6A CN109886344A (zh) | 2019-02-26 | 2019-02-26 | 基于深度学习的皮革破损识别方法、系统及设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910141949.6A CN109886344A (zh) | 2019-02-26 | 2019-02-26 | 基于深度学习的皮革破损识别方法、系统及设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109886344A true CN109886344A (zh) | 2019-06-14 |
Family
ID=66929427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910141949.6A Pending CN109886344A (zh) | 2019-02-26 | 2019-02-26 | 基于深度学习的皮革破损识别方法、系统及设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886344A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728681A (zh) * | 2019-12-19 | 2020-01-24 | 武汉精立电子技术有限公司 | 一种Mura缺陷检测方法及装置 |
CN111126469A (zh) * | 2019-12-17 | 2020-05-08 | 合肥鼎盛锦业科技有限公司 | 一种井下工具的识别方法、识别装置及电子设备 |
CN112164053A (zh) * | 2020-09-30 | 2021-01-01 | 广东工业大学 | 一种基于缺陷分类的皮革检测方法和相关装置 |
CN112700417A (zh) * | 2020-12-31 | 2021-04-23 | 广东美的白色家电技术创新中心有限公司 | 一种鞋底涂胶方法、装置以及计算机可读存储介质 |
CN113610138A (zh) * | 2021-08-02 | 2021-11-05 | 典基网络科技(上海)有限公司 | 基于深度学习模型的图像分类识别方法、装置及存储介质 |
WO2022062242A1 (zh) * | 2020-09-27 | 2022-03-31 | 广东海洋大学 | 一种基于深度学习的水下成像鱼网破损识别方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358596A (zh) * | 2017-04-11 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置、电子设备及系统 |
CN107742294A (zh) * | 2017-11-27 | 2018-02-27 | 歌尔股份有限公司 | 划痕检测方法、装置和电子设备 |
CN107862689A (zh) * | 2017-11-21 | 2018-03-30 | 广东工业大学 | 皮革表面明显破损自动识别方法及计算机可读存储介质 |
CN108647588A (zh) * | 2018-04-24 | 2018-10-12 | 广州绿怡信息科技有限公司 | 物品类别识别方法、装置、计算机设备和存储介质 |
CN108765404A (zh) * | 2018-05-31 | 2018-11-06 | 南京行者易智能交通科技有限公司 | 一种基于深度学习图像分类的道路破损检测方法及装置 |
CN109376792A (zh) * | 2018-11-07 | 2019-02-22 | 河北工业大学 | 基于多通道残差神经网络的光伏电池外观缺陷分类方法 |
-
2019
- 2019-02-26 CN CN201910141949.6A patent/CN109886344A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358596A (zh) * | 2017-04-11 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置、电子设备及系统 |
CN107862689A (zh) * | 2017-11-21 | 2018-03-30 | 广东工业大学 | 皮革表面明显破损自动识别方法及计算机可读存储介质 |
CN107742294A (zh) * | 2017-11-27 | 2018-02-27 | 歌尔股份有限公司 | 划痕检测方法、装置和电子设备 |
CN108647588A (zh) * | 2018-04-24 | 2018-10-12 | 广州绿怡信息科技有限公司 | 物品类别识别方法、装置、计算机设备和存储介质 |
CN108765404A (zh) * | 2018-05-31 | 2018-11-06 | 南京行者易智能交通科技有限公司 | 一种基于深度学习图像分类的道路破损检测方法及装置 |
CN109376792A (zh) * | 2018-11-07 | 2019-02-22 | 河北工业大学 | 基于多通道残差神经网络的光伏电池外观缺陷分类方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126469A (zh) * | 2019-12-17 | 2020-05-08 | 合肥鼎盛锦业科技有限公司 | 一种井下工具的识别方法、识别装置及电子设备 |
CN111126469B (zh) * | 2019-12-17 | 2024-02-06 | 合肥鼎盛锦业科技有限公司 | 一种井下工具的识别方法、识别装置及电子设备 |
CN110728681A (zh) * | 2019-12-19 | 2020-01-24 | 武汉精立电子技术有限公司 | 一种Mura缺陷检测方法及装置 |
CN110728681B (zh) * | 2019-12-19 | 2020-05-22 | 武汉精立电子技术有限公司 | 一种Mura缺陷检测方法及装置 |
WO2022062242A1 (zh) * | 2020-09-27 | 2022-03-31 | 广东海洋大学 | 一种基于深度学习的水下成像鱼网破损识别方法及系统 |
CN112164053A (zh) * | 2020-09-30 | 2021-01-01 | 广东工业大学 | 一种基于缺陷分类的皮革检测方法和相关装置 |
CN112700417A (zh) * | 2020-12-31 | 2021-04-23 | 广东美的白色家电技术创新中心有限公司 | 一种鞋底涂胶方法、装置以及计算机可读存储介质 |
CN113610138A (zh) * | 2021-08-02 | 2021-11-05 | 典基网络科技(上海)有限公司 | 基于深度学习模型的图像分类识别方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886344A (zh) | 基于深度学习的皮革破损识别方法、系统及设备和介质 | |
CN109685776B (zh) | 一种基于ct图像的肺结节检测方法及系统 | |
CN107909564B (zh) | 一种基于深度学习的全卷积网络图像裂纹检测方法 | |
CN110363231B (zh) | 基于半监督深度学习的异常识别方法、装置及存储介质 | |
US10223615B2 (en) | Learning based defect classification | |
Li et al. | A novel algorithm for defect extraction and classification of mobile phone screen based on machine vision | |
Zhang et al. | Fabric defect classification based on LBP and GLCM | |
WO2001011489A9 (en) | Retrieving images by defining an image content comprising objects | |
Bai et al. | Nhl pathological image classification based on hierarchical local information and googlenet‐based representations | |
US11347962B2 (en) | Electronic apparatus, method for processing image and computer-readable recording medium | |
CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
CN111950279B (zh) | 实体关系的处理方法、装置、设备及计算机可读存储介质 | |
CN103745233B (zh) | 基于空间信息迁移的高光谱图像分类方法 | |
CN112163530B (zh) | 基于特征增强和样本选择的ssd小目标检测方法 | |
CN104657574A (zh) | 一种医疗诊断模型的建立方法及装置 | |
CN111639697B (zh) | 基于非重复采样与原型网络的高光谱图像分类方法 | |
US20110286670A1 (en) | Image processing apparatus, processing method therefor, and non-transitory computer-readable storage medium | |
CN115136209A (zh) | 缺陷检测系统 | |
CN117058517A (zh) | 一种基于YOLOv5优化模型的安全帽检测方法、装置和介质 | |
Qi et al. | A new method for visual stylometry on impressionist paintings | |
Hu et al. | Breast cancer histopathological images recognition based on two-stage nuclei segmentation strategy | |
Moliner et al. | Weakly supervised semantic segmentation for remote sensing hyperspectral imaging | |
CN114821551A (zh) | 遗留物检测以及模型训练方法、装置和存储介质 | |
Vajravelu et al. | Machine learning techniques to detect bleeding frame and area in wireless capsule endoscopy video | |
JP2019502994A (ja) | 自動核セグメンテーション |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190614 |