CN110232404A - 一种基于机器学习的工业产品表面瑕疵识别方法及装置 - Google Patents
一种基于机器学习的工业产品表面瑕疵识别方法及装置 Download PDFInfo
- Publication number
- CN110232404A CN110232404A CN201910422605.2A CN201910422605A CN110232404A CN 110232404 A CN110232404 A CN 110232404A CN 201910422605 A CN201910422605 A CN 201910422605A CN 110232404 A CN110232404 A CN 110232404A
- Authority
- CN
- China
- Prior art keywords
- training
- cluster
- pattern
- training pattern
- gabor filter
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于机器学习的工业产品表面瑕疵识别方法及装置,其中方法包括:采集工业产品表面图片,并进行预处理,得到样本图片;构造Gabor滤波器,优化参数;使用Gabor滤波器对样本图片进行特征提取,得到不同频率和方向上的特征图;将特征图进行高斯混合模型聚类,通过最大期望计算均值和标准差,并分配到相应簇,得到分类标签;构造三维卷积神经网络;将数据集作为输入数据训练三维卷积神经网络,得到训练模型,根据训练结果对训练模型进行更新,当对训练模型的测试结果达到预设指标后,存储训练模型为识别模型。
Description
技术领域
本发明涉及图像处理和深度学习技术领域,尤其涉及一种基于机器学习的工业产品表面瑕疵识别方法及装置。
背景技术
传统的工业产品生产过程,对工业产品表面瑕疵的检测,多采用工人肉眼识别的方法。工人检测的方法存在诸多局限,如对小疵点误检率高,检测效率受工人主观判断和疲劳度影响,工人工资加大生产成本。为了降低工业产品表面生产成本,同时提升产品质量,开发瑕疵自动检测已经成为当下工业企业的重要目标。
随着计算机图像处理技术和机器学习技术的发展,采用机器视觉替代传统人类视觉检测的方法,在技术上已经成为可能。同时机器视觉具有成本低,检测速率高,检测准确率高,受主观因素干扰程度小的优势。可以预见,将来有机器取代工人检测已成为大势所趋。
因此,设计一种基于机器学习的工业产品表面瑕疵识别方法及装置成为亟待解决的问题。
发明内容
本发明旨在提供一种克服上述问题之一或者至少部分地解决上述任一问题的一种基于机器学习的工业产品表面瑕疵识别方法及装置。
为达到上述目的,本发明的技术方案具体是这样实现的:
本发明的一个方面提供了一种基于机器学习的工业产品表面瑕疵识别方法,包括:采集工业产品表面图片,并进行预处理,得到样本图片;构造Gabor滤波器,优化参数;使用Gabor滤波器对样本图片进行特征提取,得到不同频率和方向上的特征图;将特征图进行高斯混合模型聚类,通过最大期望计算均值和标准差,并分配到相应簇,得到分类标签;构造三维卷积神经网络;将数据集作为输入数据训练三维卷积神经网络,得到训练模型,根据训练结果对训练模型进行更新,当对训练模型的测试结果达到预设指标后,存储训练模型为识别模型。
其中,构造Gabor滤波器,优化参数包括:构建二维Gabor小波函数,包括奇对称Gabor滤波器和偶对称Gabor滤波器: 其中,和为坐标轴上的平移参数,和为第i个隐含层节点径向频带宽度,θi为第i个Gabor波旋转角度,为中心频率。
其中,使用Gabor滤波器对样本图片进行特征提取,得到不同频率和方向上的特征图包括:将样本图片分别经过奇对称Gabor滤波器和偶对称Gabor滤波器进行处理,将处理后的数据进行图像融合。
其中,将特征图进行高斯混合模型聚类,通过最大期望计算均值和标准差,并分配到相应簇,得到分类标签包括:选择簇的数量为8并随机初始化每个簇的均值和方差;给定每个簇的高斯分布,计算每个数据点属于每个簇的概率;基于每个数据点属于每个簇的概率计算高斯分布参数使得数据点的概率最大化;重复迭代给定每个簇的高斯分布,计算每个数据点属于每个簇的概率,基于每个数据点属于每个簇的概率计算高斯分布参数使得数据点的概率最大化,直至迭代符合预设规则。
其中,构造三维卷积神经网络包括:构造4层卷积层,4层池化层,2层全连接层,其中,池化层采用最大池化,全连接层采用softmax分类。
其中,将数据集作为输入数据训练三维卷积神经网络,得到训练模型,根据训练结果对训练模型进行更新,当对训练模型的测试结果达到预设指标后,存储训练模型为识别模型包括:将特征图所属于的簇作为分类标签,根据特征图制作数据集;将数据集分为训练集、测试集和验证集;将训练集作为输入训练三维卷积神经网络,得到训练模型;将测试集输入训练模型,得到训练结果,采用梯度下降法作为优化算法,更新权值参数,对训练模型进行更新;将验证集输入更新后的训练模型,得到对训练模型的测试结果;当对训练模型的测试结果达到预设指标后,存储训练模型为识别模型。
本发明另一方面提供了一种基于机器学习的工业产品表面瑕疵识别装置,包括:采集模块,用于采集工业产品表面图片,并进行预处理,得到样本图片;第一构造模块,用于构造Gabor滤波器,优化参数;特征提取模块,用于使用Gabor滤波器对样本图片进行特征提取,得到不同频率和方向上的特征图;聚类模块,用于将特征图进行高斯混合模型聚类,通过最大期望计算均值和标准差,并分配到相应簇,得到分类标签;第二构造模块,用于构造三维卷积神经网络;训练模块,用于将数据集作为输入数据训练三维卷积神经网络,得到训练模型,根据训练结果对训练模型进行更新,当对训练模型的测试结果达到预设指标后,存储训练模型为识别模型。
其中,第一构造模块,具体用于构建二维Gabor小波函数,包括奇对称Gabor滤波器和偶对称Gabor滤波器: 其中,和为坐标轴上的平移参数,和为第i个隐含层节点径向频带宽度,θi为第i个Gabor波旋转角度,为中心频率。
其中,特征提取模块,具体用于将样本图片分别经过奇对称Gabor滤波器和偶对称Gabor滤波器进行处理,将处理后的数据进行图像融合。
其中,聚类模块,具体用于选择簇的数量为8并随机初始化每个簇的均值和方差;给定每个簇的高斯分布,计算每个数据点属于每个簇的概率;基于每个数据点属于每个簇的概率计算高斯分布参数使得数据点的概率最大化;重复迭代给定每个簇的高斯分布,计算每个数据点属于每个簇的概率,基于每个数据点属于每个簇的概率计算高斯分布参数使得数据点的概率最大化,直至迭代符合预设规则。
其中,第二构造模块,具体用于构造4层卷积层,4层池化层,2层全连接层,其中,池化层采用最大池化,全连接层采用softmax分类。
其中,训练模块,具体用于将特征图所属于的簇作为分类标签,根据特征图制作数据集;将数据集分为训练集、测试集和验证集;将训练集作为输入训练三维卷积神经网络,得到训练模型;将测试集输入训练模型,得到训练结果,采用梯度下降法作为优化算法,更新权值参数,对训练模型进行更新;将验证集输入更新后的训练模型,得到对训练模型的测试结果;当对训练模型的测试结果达到预设指标后,存储训练模型为识别模型。
由此可见,通过本发明实施例提供的基于机器学习的工业产品表面瑕疵识别方法及装置,通过Gabor滤波器提取目标局部特征,具有学习性能适应不断发展的工业要求以达到疵点高效分类的效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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发明的一些实施例,对于本领域的普通技术人员来讲,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附图。
图1为本发明实施例提供的基于机器学习的工业产品表面瑕疵识别方法的流程图;
图2为本发明实施例提供的Gabor滤波器构造与瑕疵检测流程图;
图3为本发明实施例提供的三维卷积神经网络各层结构数据表;
图4为本发明实施例提供的三维卷积神经网络训练流程图;
图5为本发明实施例提供的三维卷积神经网络结构示意图;
图6和图7为本发明实施例提供的在纺织品表面瑕疵检测领域应用的案例检测过程和结果图;
图8为本发明实施例提供的一种具体的基于机器学习的工业产品表面瑕疵识别方法的流程图;
图9为本发明实施例提供的基于机器学习的工业产品表面瑕疵识别装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明的核心是:利用Gabor滤波器提取样本图片局部特征,并且经过高斯混合模型聚类以后标注标签,随后构造三维卷积神经网络,使用聚类后的特征图作为输入数据,训练卷积神经网络,更新结构和参数,当指标满足要求时保存模型到系统。
图1示出了本发明实施例提供的基于机器学习的工业产品表面瑕疵识别方法的流程图,参见图1,本发明实施例提供的基于机器学习的工业产品表面瑕疵识别方法,包括:
S1,采集工业产品表面图片,并进行预处理,得到样本图片。
具体地,可以先搭建采集图像的设备系统,包括光源、相机、镜头、图像采集卡和计算机等。可以采用CCD(Charge Coupled Device,电荷藕合器件图像传感器)工业相机采集工业产品表面图片,通过图像采集卡将信号传输给计算机,完成图像采集,并且可以通过中值滤波、高斯滤波等方式对采集到的图片进行预处理,得到样本图片。例如:可以用直方图均衡化增强图像,采用高斯滤波去除噪声。
S2,构造Gabor滤波器,优化参数。
具体地,在构建Gabor滤波器时,用到二维gabor函数。构造的Gabor滤波器可以包括:奇对称Gabor滤波器和偶对称Gabor滤波器,同时采用奇对称和偶对称两种形式的滤波器同时处理特征图,从而使该Gabor滤波器对工业产品表面疵点具有较好的带通效果。
作为本发明实施例的一个可选实施方式,构造Gabor滤波器,优化参数包括:构建二维Gabor小波函数,包括奇对称Gabor滤波器和偶对称Gabor滤波器: 其中,和为坐标轴上的平移参数,和为第i个隐含层节点径向频带宽度,θi为第i个Gabor波旋转角度,为中心频率。
S3,使用Gabor滤波器对样本图片进行特征提取,得到不同频率和方向上的特征图。
作为本发明实施例的一个可选实施方式,使用Gabor滤波器对样本图片进行特征提取,得到不同频率和方向上的特征图包括:将样本图片分别经过奇对称Gabor滤波器和偶对称Gabor滤波器进行处理,将处理后的数据进行图像融合。
具体实施时,本步骤可以按照如下步骤执行:
构造出奇对称和偶对称两种Gabor滤波器,将样本图片经过这个Gabor滤波器组处理后再进行图像融合。其中:
奇对称滤波器形式:
偶对称滤波器形式:
经过两个滤波器组的图片再进行融合,即归一化处理与图像融合:
样本图片经过构造的Gabor滤波器处理后,提取4中心频率,8方向上的特征图,作为本方案训练数据构成。
S4,将特征图进行高斯混合模型聚类,通过最大期望计算均值和标准差,并分配到相应簇,得到分类标签。
具体地,高斯混合模型(GMM)聚类,其关键在于计算数据集的最大期望(EM),将Gabor滤波器组处理得到的特征图进行高斯混合模型聚类,通过最大期望(EM)计算数据集的均值和标准差,并分配到相应簇,得到分类标签。
作为本发明实施例的一个可选实施方式,将特征图进行高斯混合模型聚类,通过最大期望计算均值和标准差,并分配到相应簇,得到分类标签包括:选择簇的数量为8并随机初始化每个簇的均值和方差;给定每个簇的高斯分布,计算每个数据点属于每个簇的概率;基于每个数据点属于每个簇的概率计算高斯分布参数使得数据点的概率最大化;重复迭代给定每个簇的高斯分布,计算每个数据点属于每个簇的概率,基于每个数据点属于每个簇的概率计算高斯分布参数使得数据点的概率最大化,直至迭代符合预设规则(例如迭代不再变化或者变化很小)。
具体实施时,本步骤可以按照如下步骤执行:
步骤41:使用高斯混合模型(GMM)聚类,设数据点是呈高斯分布,采用两个参数来描述簇的形状:均值和标准差,并且计算数据集的最大期望(EM)。其中,高斯混合模型为:
步骤42:选择簇的数量为8并随机初始化每个簇的均值和方差。
步骤43:给定每个簇的高斯分布,计算每个数据点属于每个簇的概率。一个点越靠近高斯分布的中心就越可能属于该簇。
步骤44:基于上述概率计算高斯分布参数使得数据点的概率最大化,可以使用数据点概率的加权来计算这些新的参数,权重就是数据属于该簇的概率。
步骤45:重复迭代步骤43和44直到再迭代不再变化或变化很小。
图2示出了本发明实施例提供的Gabor滤波器构造与瑕疵检测流程图,参见图2,本发明实施例提供的Gabor滤波器构造与瑕疵检测流程,包括:对样本图片进行预处理,构造二维Gabor函数,分别利用奇对称滤波器和偶对称滤波器进行处理后进行图像融合,之后再进行GMM聚类处理。
S5,构造三维卷积神经网络。
作为本发明实施例的一个可选实施方式,构造三维卷积神经网络包括:构造4层卷积层,4层池化层,2层全连接层,其中,池化层采用最大池化,全连接层采用softmax分类。本发明实施例提供的三维卷积神经网络各层结构数据表具体可参见图3。
具体实施时,本步骤可以按照如下方式构造三维卷积神经网络:
通过深度学习架构,搭建三维卷积神经网络模型,包括4层卷积层,4层池化层,2层全连接层。并将参数初始化。其中,4层卷积层达到对疵点轮廓、角点、边缘、形状特征的提取;Softmax分类器输出的是属于每个种类的概率,公式为:
S6,将数据集作为输入数据训练三维卷积神经网络,得到训练模型,根据训练结果对训练模型进行更新,当对训练模型的测试结果达到预设指标后,存储训练模型为识别模型。
作为本发明实施例的一个可选实施方式,将数据集作为输入数据训练三维卷积神经网络,得到训练模型,根据训练结果对训练模型进行更新,当对训练模型的测试结果达到预设指标后,存储训练模型为识别模型包括:将特征图所属于的簇作为分类标签,根据特征图制作数据集;将数据集分为训练集、测试集和验证集;将训练集作为输入训练三维卷积神经网络,得到训练模型;将测试集输入训练模型,得到训练结果,采用梯度下降法作为优化算法,更新权值参数,对训练模型进行更新;将验证集输入更新后的训练模型,得到对训练模型的测试结果;当对训练模型的测试结果达到预设指标后,存储训练模型为识别模型。
具体实施时,卷积神经网络训练步骤中,其中输入数据为经过聚类的特征图集,优化算法采用梯度下降,本步骤可以按照如下Tensorflow架构中python编程思路:
61:将步骤S4中特征图所属于的簇作为分类标签,由特征图制作数据集。
62:将数据集按照8:1:1分为训练集、测试集、验证集。
63:训练集作为输入训练卷积神经网络。
64:采用梯度下降法作为优化算法,提高训练效率。
65:确定网络结构为四层卷积,并且更新部分权值参数;
66:测试神经网络性能指标,达标后将模型保存。
由此,经过迭代训练后的模型可以导入检测系统实际检验。
图4示出了本发明实施例提供的一种三维卷积神经网络训练流程,包括:将训练集作为输入输入CNN模型,获得实际输出;将训练集进行目标映射,结合实际输出计算损失函数;确定随机梯度下降后,对CNN模型进行权值更新。同时,三维卷积神经网络结构具体可以参见图5。
由此可见,通过本发明实施例提供的基于机器学习的工业产品表面瑕疵识别方法,Gabor滤波器与人类视觉系统相似,对图像的方向、尺度、边缘等信息敏感,可以高效地进行提取,检测准确度高;同时与传统的卷积神经网络的分类不同,本发明利用Gabor滤波器处理后的特征图进行训练,优化后使得参数最佳,对特征提取有更加准确和更加有针对性的效果。其中,在纺织品表面瑕疵检测领域应用的案例检测过程和结果图可以参照图6和图7,可见,通过本发明实施例提供的基于机器学习的工业产品表面瑕疵识别方法,可以高效地提取瑕疵,使得检测准确率更高。
图8示出了本发明实施例提供的基于机器学习的工业产品表面瑕疵识别方法的一种具体流程图,但本发明并不局限于此,参见图8,本发明实施例提供的基于机器学习的工业产品表面瑕疵识别方法包括:图像采集;对采集到的图像进行预处理,得到样本图片;构造Gabor滤波器;利用Gabor滤波器提取样本图片局部特征;进行GMM聚类处理;合成数据集;构造三维卷积神经网络;利用数据集训练三维卷积神经网络;更新三维卷积神经网络结构参数;优化算法;判断训练结果是否达到指标,如果是,则保存模型,导入系统;如果否,则返回执行更新三维卷积神经网络结构参数的操作。
图9示出了本发明实施例提供的基于机器学习的工业产品表面瑕疵识别装置的结构示意图,该基于机器学习的工业产品表面瑕疵识别装置应用于上述基于机器学习的工业产品表面瑕疵识别方法,以下仅对基于机器学习的工业产品表面瑕疵识别装置的结构进行简要说明,其他未尽事宜,请参照上述基于机器学习的工业产品表面瑕疵识别方法的相关说明,在此不再赘述。参见图9,本发明实施例提供的基于机器学习的工业产品表面瑕疵识别装置,包括:
采集模块901,用于采集工业产品表面图片,并进行预处理,得到样本图片;
第一构造模块902,用于构造Gabor滤波器,优化参数;
特征提取模块903,用于使用Gabor滤波器对样本图片进行特征提取,得到不同频率和方向上的特征图;
聚类模块904,用于将特征图进行高斯混合模型聚类,通过最大期望计算均值和标准差,并分配到相应簇,得到分类标签;
第二构造模块905,用于构造三维卷积神经网络;
训练模块906,用于将数据集作为输入数据训练三维卷积神经网络,得到训练模型,根据训练结果对训练模型进行更新,当对训练模型的测试结果达到预设指标后,存储训练模型为识别模型。
作为本发明实施例提供的一种可选实施方式,第一构造模块902,具体用于构建二维Gabor小波函数,包括奇对称Gabor滤波器和偶对称Gabor滤波器: 其中,和为坐标轴上的平移参数,和为第i个隐含层节点径向频带宽度,θi为第i个Gabor波旋转角度,为中心频率。
作为本发明实施例提供的一种可选实施方式,特征提取模块903,具体用于将样本图片分别经过奇对称Gabor滤波器和偶对称Gabor滤波器进行处理,将处理后的数据进行图像融合。
作为本发明实施例提供的一种可选实施方式,聚类模块904,具体用于选择簇的数量为8并随机初始化每个簇的均值和方差;给定每个簇的高斯分布,计算每个数据点属于每个簇的概率;基于每个数据点属于每个簇的概率计算高斯分布参数使得数据点的概率最大化;重复迭代给定每个簇的高斯分布,计算每个数据点属于每个簇的概率,基于每个数据点属于每个簇的概率计算高斯分布参数使得数据点的概率最大化,直至迭代符合预设规则。
作为本发明实施例提供的一种可选实施方式,第二构造模块905,具体用于构造4层卷积层,4层池化层,2层全连接层,其中,池化层采用最大池化,全连接层采用softmax分类。
作为本发明实施例提供的一种可选实施方式,训练模块906,具体用于将特征图所属于的簇作为分类标签,根据特征图制作数据集;将数据集分为训练集、测试集和验证集;将训练集作为输入训练三维卷积神经网络,得到训练模型;将测试集输入训练模型,得到训练结果,采用梯度下降法作为优化算法,更新权值参数,对训练模型进行更新;将验证集输入更新后的训练模型,得到对训练模型的测试结果;当对训练模型的测试结果达到预设指标后,存储训练模型为识别模型。
由此可见,通过本发明实施例提供的基于机器学习的工业产品表面瑕疵识别装置,Gabor滤波器与人类视觉系统相似,对图像的方向、尺度、边缘等信息敏感,可以高效地进行提取,检测准确度高;同时与传统的卷积神经网络的分类不同,本发明利用Gabor滤波器处理后的特征图进行训练,优化后使得参数最佳,对特征提取有更加准确和更加有针对性的效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种基于机器学习的工业产品表面瑕疵识别方法,其特征在于,包括:
采集工业产品表面图片,并进行预处理,得到样本图片;
构造Gabor滤波器,优化参数;
使用所述Gabor滤波器对所述样本图片进行特征提取,得到不同频率和方向上的特征图;
将所述特征图进行高斯混合模型聚类,通过最大期望计算均值和标准差,并分配到相应簇,得到分类标签;
构造三维卷积神经网络;
将数据集作为输入数据训练所述三维卷积神经网络,得到训练模型,根据训练结果对所述训练模型进行更新,当对所述训练模型的测试结果达到预设指标后,存储所述训练模型为识别模型。
2.根据权利要求1所述的方法,其特征在于,所述构造Gabor滤波器,优化参数包括:
构建二维Gabor小波函数,包括奇对称Gabor滤波器和偶对称Gabor滤波器:
其中,和为坐标轴上的平移参数,和为第i个隐含层节点径向频带宽度,θi为第i个Gabor波旋转角度,为中心频率。
3.根据权利要求2所述的方法,其特征在于,所述使用所述Gabor滤波器对所述样本图片进行特征提取,得到不同频率和方向上的特征图包括:
将所述样本图片分别经过所述奇对称Gabor滤波器和所述偶对称Gabor滤波器进行处理,将处理后的数据进行图像融合。
4.根据权利要求1所述的方法,其特征在于,所述将所述特征图进行高斯混合模型聚类,通过最大期望计算均值和标准差,并分配到相应簇,得到分类标签包括:
选择所述簇的数量为8并随机初始化每个所述簇的均值和方差;
给定每个所述簇的高斯分布,计算每个数据点属于每个簇的概率;
基于每个数据点属于每个簇的概率计算高斯分布参数使得数据点的概率最大化;
重复迭代给定每个所述簇的高斯分布,计算每个数据点属于每个簇的概率,基于每个数据点属于每个簇的概率计算高斯分布参数使得数据点的概率最大化,直至迭代符合预设规则。
5.根据权利要求1所述的方法,其特征在于,所述构造三维卷积神经网络包括:
构造4层卷积层,4层池化层,2层全连接层,其中,所述池化层采用最大池化,所述全连接层采用softmax分类。
6.根据权利要求1所述的方法,其特征在于,所述将所述数据集作为输入数据训练所述三维卷积神经网络,得到训练模型,根据训练结果对所述训练模型进行更新,当对所述训练模型的测试结果达到预设指标后,存储所述训练模型为识别模型包括:
将所述特征图所属于的簇作为分类标签,根据所述特征图制作所述数据集;
将所述数据集分为训练集、测试集和验证集;
将所述训练集作为输入训练所述三维卷积神经网络,得到训练模型;
将所述测试集输入所述训练模型,得到所述训练结果,采用梯度下降法作为优化算法,更新权值参数,对所述训练模型进行更新;
将所述验证集输入更新后的训练模型,得到对所述训练模型的测试结果;
当对所述训练模型的测试结果达到预设指标后,存储所述训练模型为识别模型。
7.一种基于机器学习的工业产品表面瑕疵识别装置,其特征在于,包括:
采集模块,用于采集工业产品表面图片,并进行预处理,得到样本图片;
第一构造模块,用于构造Gabor滤波器,优化参数;
特征提取模块,用于使用所述Gabor滤波器对所述样本图片进行特征提取,得到不同频率和方向上的特征图;
聚类模块,用于将所述特征图进行高斯混合模型聚类,通过最大期望计算均值和标准差,并分配到相应簇,得到分类标签;
第二构造模块,用于构造三维卷积神经网络;
训练模块,用于将数据集作为输入数据训练所述三维卷积神经网络,得到训练模型,根据训练结果对所述训练模型进行更新,当对所述训练模型的测试结果达到预设指标后,存储所述训练模型为识别模型。
8.根据权利要求7所述的装置,其特征在于,所述第一构造模块,具体用于构建二维Gabor小波函数,包括奇对称Gabor滤波器和偶对称Gabor滤波器: 其中,和为坐标轴上的平移参数,和为第i个隐含层节点径向频带宽度,θi为第i个Gabor波旋转角度,为中心频率。
9.根据权利要求8所述的装置,其特征在于,所述特征提取模块,具体用于将所述样本图片分别经过所述奇对称Gabor滤波器和所述偶对称Gabor滤波器进行处理,将处理后的数据进行图像融合。
10.根据权利要求7所述的装置,其特征在于,所述聚类模块,具体用于选择所述簇的数量为8并随机初始化每个所述簇的均值和方差;给定每个所述簇的高斯分布,计算每个数据点属于每个簇的概率;基于每个数据点属于每个簇的概率计算高斯分布参数使得数据点的概率最大化;重复迭代给定每个所述簇的高斯分布,计算每个数据点属于每个簇的概率,基于每个数据点属于每个簇的概率计算高斯分布参数使得数据点的概率最大化,直至迭代符合预设规则。
11.根据权利要求7所述的装置,其特征在于,所述第二构造模块,具体用于构造4层卷积层,4层池化层,2层全连接层,其中,所述池化层采用最大池化,所述全连接层采用softmax分类。
12.根据权利要求7所述的装置,其特征在于,所述训练模块,具体用于将所述特征图所属于的簇作为分类标签,根据所述特征图制作所述数据集;将所述数据集分为训练集、测试集和验证集;将所述训练集作为输入训练所述三维卷积神经网络,得到训练模型;将所述测试集输入所述训练模型,得到所述训练结果,采用梯度下降法作为优化算法,更新权值参数,对所述训练模型进行更新;将所述验证集输入更新后的训练模型,得到对所述训练模型的测试结果;当对所述训练模型的测试结果达到预设指标后,存储所述训练模型为识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910422605.2A CN110232404A (zh) | 2019-05-21 | 2019-05-21 | 一种基于机器学习的工业产品表面瑕疵识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910422605.2A CN110232404A (zh) | 2019-05-21 | 2019-05-21 | 一种基于机器学习的工业产品表面瑕疵识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110232404A true CN110232404A (zh) | 2019-09-13 |
Family
ID=67860930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910422605.2A Pending CN110232404A (zh) | 2019-05-21 | 2019-05-21 | 一种基于机器学习的工业产品表面瑕疵识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110232404A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889837A (zh) * | 2019-11-25 | 2020-03-17 | 东华大学 | 一种具有瑕疵分级功能的布匹瑕疵检测方法 |
CN111753876A (zh) * | 2020-05-19 | 2020-10-09 | 海克斯康制造智能技术(青岛)有限公司 | 一种基于深度神经网络的产品质量检测方法 |
CN112070158A (zh) * | 2020-09-08 | 2020-12-11 | 哈尔滨工业大学(威海) | 一种基于卷积神经网络和双边滤波的面部瑕疵检测方法 |
CN112115287A (zh) * | 2020-08-17 | 2020-12-22 | 联通(广东)产业互联网有限公司 | 一种基于ai质检与工业大数据分析的方法、系统及介质 |
CN112560893A (zh) * | 2020-11-13 | 2021-03-26 | 贝壳技术有限公司 | 图片纹理匹配方法、装置、电子介质及存储介质 |
CN112766398A (zh) * | 2021-01-27 | 2021-05-07 | 无锡中车时代智能装备有限公司 | 发电机转子通风孔识别方法及设备 |
CN113189109A (zh) * | 2021-01-15 | 2021-07-30 | 深圳锦绣创视科技有限公司 | 一种基于人工智能的瑕疵判定系统及瑕疵判定方法 |
CN113689390A (zh) * | 2021-08-06 | 2021-11-23 | 广东工业大学 | 一种无缺陷样本学习的异常检测方法 |
CN114581769A (zh) * | 2022-01-19 | 2022-06-03 | 西南交通大学 | 一种基于无监督聚类的在建房屋识别方法 |
TWI783200B (zh) * | 2019-12-30 | 2022-11-11 | 緯創資通股份有限公司 | 物件的瑕疵判斷方法及裝置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095836A (zh) * | 2014-05-14 | 2015-11-25 | 中国科学院深圳先进技术研究院 | 一种基于Gabor特征的皮肤纹理检测方法及装置 |
US20170252257A1 (en) * | 2016-03-01 | 2017-09-07 | The Regents Of The University Of California | Method and system for behavioral training to improve sight |
CN108896567A (zh) * | 2018-08-06 | 2018-11-27 | 慧泉智能科技(苏州)有限公司 | 一种对钮扣电池表面压伤缺陷进行检测的方法 |
CN109325430A (zh) * | 2018-09-11 | 2019-02-12 | 北京飞搜科技有限公司 | 实时行为识别方法及系统 |
-
2019
- 2019-05-21 CN CN201910422605.2A patent/CN110232404A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095836A (zh) * | 2014-05-14 | 2015-11-25 | 中国科学院深圳先进技术研究院 | 一种基于Gabor特征的皮肤纹理检测方法及装置 |
US20170252257A1 (en) * | 2016-03-01 | 2017-09-07 | The Regents Of The University Of California | Method and system for behavioral training to improve sight |
CN108896567A (zh) * | 2018-08-06 | 2018-11-27 | 慧泉智能科技(苏州)有限公司 | 一种对钮扣电池表面压伤缺陷进行检测的方法 |
CN109325430A (zh) * | 2018-09-11 | 2019-02-12 | 北京飞搜科技有限公司 | 实时行为识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
何玲丽 等: "《基于对称Gabor特征和稀疏表示的人脸识别》", 《计算机应用》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889837A (zh) * | 2019-11-25 | 2020-03-17 | 东华大学 | 一种具有瑕疵分级功能的布匹瑕疵检测方法 |
TWI783200B (zh) * | 2019-12-30 | 2022-11-11 | 緯創資通股份有限公司 | 物件的瑕疵判斷方法及裝置 |
CN111753876A (zh) * | 2020-05-19 | 2020-10-09 | 海克斯康制造智能技术(青岛)有限公司 | 一种基于深度神经网络的产品质量检测方法 |
CN111753876B (zh) * | 2020-05-19 | 2024-03-12 | 海克斯康制造智能技术(青岛)有限公司 | 一种基于深度神经网络的产品质量检测方法 |
CN112115287A (zh) * | 2020-08-17 | 2020-12-22 | 联通(广东)产业互联网有限公司 | 一种基于ai质检与工业大数据分析的方法、系统及介质 |
CN112070158A (zh) * | 2020-09-08 | 2020-12-11 | 哈尔滨工业大学(威海) | 一种基于卷积神经网络和双边滤波的面部瑕疵检测方法 |
CN112070158B (zh) * | 2020-09-08 | 2022-11-15 | 哈尔滨工业大学(威海) | 一种基于卷积神经网络和双边滤波的面部瑕疵检测方法 |
CN112560893A (zh) * | 2020-11-13 | 2021-03-26 | 贝壳技术有限公司 | 图片纹理匹配方法、装置、电子介质及存储介质 |
CN113189109A (zh) * | 2021-01-15 | 2021-07-30 | 深圳锦绣创视科技有限公司 | 一种基于人工智能的瑕疵判定系统及瑕疵判定方法 |
CN112766398B (zh) * | 2021-01-27 | 2022-09-16 | 无锡中车时代智能装备研究院有限公司 | 发电机转子通风孔识别方法及设备 |
CN112766398A (zh) * | 2021-01-27 | 2021-05-07 | 无锡中车时代智能装备有限公司 | 发电机转子通风孔识别方法及设备 |
CN113689390A (zh) * | 2021-08-06 | 2021-11-23 | 广东工业大学 | 一种无缺陷样本学习的异常检测方法 |
CN113689390B (zh) * | 2021-08-06 | 2023-10-24 | 广东工业大学 | 一种无缺陷样本学习的异常检测方法 |
CN114581769A (zh) * | 2022-01-19 | 2022-06-03 | 西南交通大学 | 一种基于无监督聚类的在建房屋识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232404A (zh) | 一种基于机器学习的工业产品表面瑕疵识别方法及装置 | |
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
CN106845621B (zh) | 基于深度卷积神经网络的密集人群人数计数方法及系统 | |
CN104408429B (zh) | 一种视频代表帧提取方法及装置 | |
CN104834933B (zh) | 一种图像显著性区域的检测方法和装置 | |
CN108921166A (zh) | 基于深度神经网络的医疗票据类文本检测识别方法及系统 | |
CN104537647B (zh) | 一种目标检测方法及装置 | |
CN108764005A (zh) | 一种高光谱遥感图像地物空间波谱特征提取方法及系统 | |
CN110191357A (zh) | 视频片段精彩度评估、动态封面生成方法及装置 | |
CN109241871A (zh) | 一种基于视频数据的公共区域人流跟踪方法 | |
CN106952402A (zh) | 一种数据处理方法及装置 | |
CN109359666A (zh) | 一种基于多特征融合神经网络的车型识别方法及处理终端 | |
CN107545249A (zh) | 一种人群年龄识别方法及装置 | |
CN108229504A (zh) | 图像解析方法及装置 | |
CN108197644A (zh) | 一种图像识别方法和装置 | |
CN104038792B (zh) | 用于iptv监管的视频内容分析方法及设备 | |
CN110443128A (zh) | 一种基于surf特征点精确匹配的指静脉识别方法 | |
CN109145841A (zh) | 一种基于视频监控的异常事件的检测方法及装置 | |
CN106897681A (zh) | 一种遥感图像对比分析方法及系统 | |
CN110428412A (zh) | 图像质量的评价及模型生成方法、装置、设备和存储介质 | |
CN109753898A (zh) | 一种安全帽识别方法及装置 | |
CN109859114A (zh) | 基于局域平滑性和非局域相似性的三维点云修复方法 | |
CN109102004A (zh) | 棉花害虫识别分类方法及装置 | |
CN110084175A (zh) | 一种目标检测方法、目标检测装置及电子设备 | |
CN108961429A (zh) | 一种文物碎片模型自动分割及拼接方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190913 |