CN111598833A - 一种目标样本瑕疵检测的方法、装置及电子设备 - Google Patents
一种目标样本瑕疵检测的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111598833A CN111598833A CN202010252479.3A CN202010252479A CN111598833A CN 111598833 A CN111598833 A CN 111598833A CN 202010252479 A CN202010252479 A CN 202010252479A CN 111598833 A CN111598833 A CN 111598833A
- Authority
- CN
- China
- Prior art keywords
- classification result
- result information
- image information
- algorithm
- training
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种目标样本瑕疵检测的方法、装置及电子设备,属于工业元件瑕疵检测分类领域,该方法包括:捕获所述目标样本的图像信息;依据所述图像信息,对所述图像信息的多维特征参数进行处理,以及构建支持向量用于预设的分类算法进行分类训练,以获得粗略分类结果信息;将所述粗略分类结果信息交互至硬件端,并基于FPGA和OpenCL对循环重复算法进行硬件加速后,以获得精确分类结果信息;其中,所述硬件端在OpenCL框架下,采用c语言开发FPGA模块对软件算法进行硬件加速处理;输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报。从而达到在对工业元件瑕疵进行检测分类过程中,提高识别精度,降低误报率的技术效果。
Description
技术领域
本发明涉及工业元件瑕疵检测分类技术领域,尤其涉及一种目标样本瑕疵检测的方法、装置及电子设备。
背景技术
对工业元件的瑕疵进行检测分类是工业生产过程中的核心一环,对工业元件的瑕疵进行检测分类有利于设备的二次加工以及原材料回收。
在现有的应用于工业元件样本的瑕疵检测中,通常是采用传统识别算法的样本训练,传统识别算法的样本训练中的级联分类器虽然可以完成任务,但由于其误差特性会导致所需要用到的弱分类器数量增多,单个分类器的分类能力降低。由于工业元件处于运动的传送带上,传统识别算法的识别精度不高,误报率较高。同时,受制于传统识别算法的识别速率的影响,无法通过加速传送带来提高工业元件瑕疵分类的效率。
综上所述,在现有的应用于工业元件样本的瑕疵检测中,存在着在对工业元件瑕疵进行检测分类过程中,识别精度不高,误报率较高的技术问题。
发明内容
本发明提供一种目标样本瑕疵检测的方法、装置及电子设备,用以解决现有技术中的在对工业元件瑕疵进行检测分类过程中,识别精度不高,误报率较高的技术问题。
第一方面,本发明实施例提供了一种目标样本瑕疵检测的方法,所述方法包括:捕获所述目标样本的图像信息;依据所述图像信息,对所述图像信息的多维特征参数进行处理,以及构建支持向量用于预设的分类算法进行分类训练,以获得粗略分类结果信息;其中,所述预设的分类算法包括:S1、所述分类算法的内部循环为当符合F>Ft且T>Tmax时,采用Real AdaBoost算法训练弱分类器,每次添加新的弱分类器时再判断一次循环条件;S2、当符合F>Ft且T>Tmax时,采用SVM替换该层的Real AdaBoost分类器,并使用该RealAdaBoost分类器选择的输入向量维度训练SVM,而不计算输入向量的所有维度;S3、当符合F>Ft时,则用剩余负样本和所有正样本进行下一层的Real AdaBoost算法训练,按照步骤S1至S3循环,若不符合,则终止所有训练;其中,所述T是弱分类器数量,所述Tmax是弱分类器最大数量,所述F是分类器整体误报率,所述Ft是目标误报率;将所述粗略分类结果信息交互至硬件端,并基于FPGA和OpenCL对循环重复算法进行硬件加速后,以获得精确分类结果信息;其中,所述硬件端在OpenCL框架下,采用c语言开发FPGA模块对软件算法进行硬件加速处理;输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报。
进一步地,所述捕获所述目标样本的图像信息包括:采用高速工业相机捕获位于传送带上的所述目标样本的图像信息,所述高速工业相机的像素是630W。
进一步地,所述依据所述图像信息,对所述图像信息的多维特征参数进行处理包括:将所述图像信息交互至UP2,通过OpenCV对所述目标样本的图像信息进行物体特征识别。
进一步地,所述输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报包括:所述UP2接收所述精确分类结果信息,通过HDMI转VGA通道,在Qt界面上进行显示,以及AUX交互至扬声器,通过所述扬声器对结果进行语音播报。
进一步地,所述预设的分类算法还包括:S4、将每一维特征的取值空间划分为j个不相交的子空间X1…Xj;S5、计算每个子空间权重分布,S6、计算每一个弱分类器的输出,其中∈为一个小的正常量并用于平滑输出,h(x)为一个分段线性线性函数;S7、计算归一化因子S8、选择使z最小的弱分类器h(x)作为该轮迭代选出的弱分类器,Zt=minZ h(t)=argminZ;S9、更新样本权重,Dt+1(i)=Dt(i)exp[-yiht(xi)];S10、分类器输出,其中b为阈值;其中,输入的训练集(x1,y1)....(xn,yn)(xi是样本的多维特征向量,yi∈{1,-1}为对应的类别标签),T为弱分类器数量,样本初始权重输出的强分类器为H(x)。
进一步地,所述输出显示所述精确分类结果信息包括:基于QT的显示屏面对所述精确分类结果信息进行输出显示。
第二方面,本发明实施例提供了一种目标样本瑕疵检测的装置,所述装置包括:采集模块,用于捕获所述目标样本的图像信息;处理模块,用于依据所述图像信息,对所述图像信息的多维特征参数进行处理,以及构建支持向量用于预设的分类算法进行分类训练,以获得粗略分类结果信息;加速模块,用于将所述粗略分类结果信息交互至硬件端,并基于FPGA和OpenCL对循环重复算法进行硬件加速后,以获得精确分类结果信息;输出模块,用于输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报。
第三方面,本发明实施例提供了一种目标样本瑕疵检测的电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:捕获所述目标样本的图像信息;依据所述图像信息,对所述图像信息的多维特征参数进行处理,以及构建支持向量用于预设的分类算法进行分类训练,以获得粗略分类结果信息;将所述粗略分类结果信息交互至硬件端,并基于FPGA和OpenCL对循环重复算法进行硬件加速后,以获得精确分类结果信息;输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报。
第四方面,本发明实施例提供了一种目标样本瑕疵检测的计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:捕获所述目标样本的图像信息;依据所述图像信息,对所述图像信息的多维特征参数进行处理,以及构建支持向量用于预设的分类算法进行分类训练,以获得粗略分类结果信息;将所述粗略分类结果信息交互至硬件端,并基于FPGA和OpenCL对循环重复算法进行硬件加速后,以获得精确分类结果信息;输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本发明提供一种目标样本瑕疵检测的方法,通过捕获所述目标样本的图像信息;再依据所述图像信息,对图像信息的多维特征参数进行处理,以及构建支持向量用于预设的分类算法进行分类训练,以获得粗略分类结果信息。其中所述预设的分类算法包括:S1、所述分类算法的内部循环为当符合F>Ft且T<Tmax时,采用Real AdaBoost算法训练弱分类器,每次添加新的弱分类器时再判断一次循环条件;S2、当符合F>Ft且T>Tmax时,采用SVM替换该层的Real AdaBoost分类器,并使用该Real AdaBoost分类器选择的输入向量维度训练SVM,而不计算输入向量的所有维度;S3、当符合F>Ft时,则用剩余负样本和所有正样本进行下一层的Real AdaBoost算法训练,按照步骤S1至S3循环,若不符合,则终止所有训练;其中所述T是弱分类器数量,所述Tmax是弱分类器最大数量,所述F是分类器整体误报率,所述Ft是目标误报率。然后将所述粗略分类结果信息交互至硬件端,并且基于FPGA和OpenCL对循环重复算法进行硬件加速后,以获得精确分类结果信息;其中,所述硬件端在OpenCL框架下,采用c语言开发FPGA模块对软件算法进行硬件加速处理;输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报。这样优化了识别算法中样本的训练模式,进行硬件加速来加快了图像数据处理,能够并行运算处理数据,极大的提高计算能力,继而有利于加速图像数据处理。从而达到在对工业元件瑕疵进行检测分类过程中,提高识别精度,降低误报率的技术效果。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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为本申请实施例中一种目标样本瑕疵检测的方法的流程图;
图2为本申请实施例中一种目标样本瑕疵检测的方法的示意图一;
图3为本申请实施例中一种目标样本瑕疵检测的方法的示意图二;
图4为本申请实施例中一种目标样本瑕疵检测的装置的结构示意图;
图5为本申请实施例中一种目标样本瑕疵检测的电子设备的结构示意图;
图6为本申请实施例中一种目标样本瑕疵检测的计算机可读存储介质的结构示意图。
具体实施方式
本发明实施例提供一种目标样本瑕疵检测的方法,通过捕获所述目标样本的图像信息;再依据所述图像信息,对图像信息的多维特征参数进行处理,以及构建支持向量用于预设的分类算法进行分类训练,以获得粗略分类结果信息。其中所述预设的分类算法包括:S1、所述分类算法的内部循环为当符合F>Ft且T<Tmax时,采用Real AdaBoost算法训练弱分类器,每次添加新的弱分类器时再判断一次循环条件;S2、当符合F>Ft且T>Tmax时,采用SVM替换该层的Real AdaBoost分类器,并使用该Real AdaBoost分类器选择的输入向量维度训练SVM,而不计算输入向量的所有维度;S3、当符合F>Ft时,则用剩余负样本和所有正样本进行下一层的Real AdaBoost算法训练,按照步骤S1至S3循环,若不符合,则终止所有训练;其中所述T是弱分类器数量,所述Tmax是弱分类器最大数量,所述F是分类器整体误报率,所述Ft是目标误报率。然后将所述粗略分类结果信息交互至硬件端,并且基于FPGA和OpenCL对循环重复算法进行硬件加速后,以获得精确分类结果信息;其中,所述硬件端在OpenCL框架下,采用c语言开发FPGA模块对软件算法进行硬件加速处理;输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报。这样优化了识别算法中样本的训练模式,进行硬件加速来加快了图像数据处理,能够并行运算处理数据,极大的提高计算能力,继而有利于加速图像数据处理。从而达到在对工业元件瑕疵进行检测分类过程中,提高识别精度,降低误报率的技术效果。
本发明实施例中的技术方案,总体思路如下:
步骤S110,捕获所述目标样本的图像信息;
步骤S120,依据所述图像信息,对所述图像信息的多维特征参数进行处理,以及构建支持向量用于预设的分类算法进行分类训练,以获得粗略分类结果信息;
其中,所述预设的分类算法包括:S1、所述分类算法的内部循环为当符合F>Ft且T<Tmax时,采用Real AdaBoost算法训练弱分类器,每次添加新的弱分类器时再判断一次循环条件;S2、当符合F>Ft且T>Tmax时,采用SVM替换该层的Real AdaBoost分类器,并使用该Real AdaBoost分类器选择的输入向量维度训练SVM,而不计算输入向量的所有维度;S3、当符合F>Ft时,则用剩余负样本和所有正样本进行下一层的Real AdaBoost算法训练,按照步骤S1至S3循环,若不符合,则终止所有训练。其中,所述T是弱分类器数量,所述Tmax是弱分类器最大数量,所述F是分类器整体误报率,所述Ft是目标误报率;
步骤S130;将所述粗略分类结果信息交互至硬件端,并基于FPGA和OpenCL对循环重复算法进行硬件加速后,以获得精确分类结果信息;其中,所述硬件端在OpenCL框架下,采用c语言开发FPGA模块对软件算法进行硬件加速处理;
步骤S140;输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明的说明书和权利要求书及上述附图中的术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
实施例一
本发明实施例一提供一种目标样本瑕疵检测的方法,请参考图1、图2和图3,所述方法包括:
步骤S110,捕获所述目标样本的图像信息;
步骤S120,依据所述图像信息,对所述图像信息的多维特征参数进行处理,以及构建支持向量用于预设的分类算法进行分类训练,以获得粗略分类结果信息;其中,所述预设的分类算法包括:S1、所述分类算法的内部循环为当符合F>Ft且T<Tmax时,采用RealAdaBoost算法训练弱分类器,每次添加新的弱分类器时再判断一次循环条件;S2、当符合F>Ft且T>Tmax时,采用SVM替换该层的Real AdaBoost分类器,并使用该Real AdaBoost分类器选择的输入向量维度训练SVM,而不计算输入向量的所有维度;S3、当符合F>Ft时,则用剩余负样本和所有正样本进行下一层的Real AdaBoost算法训练,按照步骤S1至S3循环,若不符合,则终止所有训练。其中,所述T是弱分类器数量,所述Tmax是弱分类器最大数量,所述F是分类器整体误报率,所述Ft是目标误报率;
步骤S130;将所述粗略分类结果信息交互至硬件端,并基于FPGA和OpenCL对循环重复算法进行硬件加速后,以获得精确分类结果信息;其中,所述硬件端在OpenCL框架下,采用c语言开发FPGA模块对软件算法进行硬件加速处理;
步骤S140;输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报。
具体来讲,在现有的应用于工业元件样本的瑕疵检测中,通常是采用传统识别算法的样本训练,传统识别算法的样本训练中的级联分类器虽然可以完成任务,但由于其误差特性会导致所需要用到的弱分类器数量增多,单个分类器的分类能力降低。这样在现有的应用于工业元件样本的瑕疵检测中,存在着在对工业元件瑕疵进行检测分类过程中,识别精度不高,误报率较高的技术问题。本发明通过捕获所述目标样本的图像信息;再依据所述图像信息,对图像信息的多维特征参数进行处理,以及构建支持向量用于预设的分类算法进行分类训练,以获得粗略分类结果信息。其中所述预设的分类算法包括:S1、所述分类算法的内部循环为当符合F>Ft且T<Tmax时,采用RealAdaBoost算法训练弱分类器,每次添加新的弱分类器时再判断一次循环条件;S2、当符合F>Ft且T>Tmax时,采用SVM替换该层的Real AdaBoost分类器,并使用该Real AdaBoost分类器选择的输入向量维度训练SVM,而不计算输入向量的所有维度;S3、当符合F>Ft时,则用剩余负样本和所有正样本进行下一层的Real AdaBoost算法训练,按照步骤S1至S3循环,若不符合,则终止所有训练;其中所述T是弱分类器数量,所述Tmax是弱分类器最大数量,所述F是分类器整体误报率,所述Ft是目标误报率。然后将所述粗略分类结果信息交互至硬件端,并且基于FPGA和OpenCL对循环重复算法进行硬件加速后,以获得精确分类结果信息;其中,所述硬件端在OpenCL框架下,采用c语言开发FPGA模块对软件算法进行硬件加速处理;输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报。据发明人研究发现这样优化了识别算法中样本的训练模式,进行硬件加速来加快了图像数据处理,能够并行运算处理数据,极大的提高计算能力,继而有利于加速图像数据处理。从而达到在对工业元件瑕疵进行检测分类过程中,提高识别精度,降低误报率的技术效果。
基于此,本发明实施例一提供了一种目标样本瑕疵检测的方法,用于解决上述技术问题。
下面,结合图1对本发明实施例一提供的一种目标样本瑕疵检测的方法进行详细介绍:
步骤S101,捕获所述目标样本的图像信息。所述捕获所述目标样本的图像信息包括:采用高速工业相机捕获位于传送带上的所述目标样本的图像信息,所述高速工业相机的像素是630W。
具体而言,目标样本是指工业元件,工业元件处于运动的传送带上。对目标样本的图像信息的采集可以使用630W像素高速工业相机,630W像素高速工业相机捕获样本在传送带上的图像信息,能够更为精准的采集到样本的物体形状、颜色,聚合通道等特征。工业相机采集传送带上样本图像后,可以交互给下述UP2进行图像数据的处理和匹配。在处理的过程中再通过下述OpenCV进行的物体特征识别,物体特征包括形状、颜色,聚合通道等特征参数,同时UP2将部分数据通过PCIE协议传送给下述C5P进行硬件加速处理,处理完毕后返还给UP2,最后通过HDMI转VGA通道和AUX交互给扬声器将结果进行语音播报,并显示在Qt界面上。
步骤S102,依据所述图像信息,对所述图像信息的多维特征参数进行处理,以及构建支持向量用于预设的分类算法进行分类训练,以获得粗略分类结果信息。其中,所述预设的分类算法包括:S1、所述分类算法的内部循环为当符合F>Ft且T<Tmax时,采用RealAdaBoost算法训练弱分类器,每次添加新的弱分类器时再判断一次循环条件;S2、当符合F>Ft且T>Tmax时,采用SVM替换该层的Real AdaBoost分类器,并使用该Real AdaBoost分类器选择的输入向量维度训练SVM,而不计算输入向量的所有维度;S3、当符合F>Ft时,则用剩余负样本和所有正样本进行下一层的Real AdaBoost算法训练,按照步骤S1至S3循环,若不符合,则终止所有训练。其中,所述T是弱分类器数量,所述Tmax是弱分类器最大数量,所述F是分类器整体误报率,所述Ft是目标误报率。
依据所述图像信息,对所述图像信息的多维特征参数进行处理包括:将所述图像信息交互至UP2,通过OpenCV对所述目标样本的图像信息进行物体特征识别。所述预设的分类算法还包括:S4、将每一维特征的取值空间划分为j个不相交的子空间X1...Xj;S5、计算每个子空间权重分布,S6、计算每一个弱分类器的输出,其中∈为一个小的正常量并用于平滑输出,h(x)为一个分段线性线性函数;S7、计算归一化因子S8、选择使z最小的弱分类器h(x)作为该轮迭代选出的弱分类器,Zt=minZ h(t)=argminZ;S9、更新样本权重,Dt+1(i)=Dt(i)exp[-yiht(xi)];S10、分类器输出,其中b为阈值。其中,输入的训练集(x1,y1)....(xn,yn)(xi是样本的多维特征向量,yi∈{1,-1}为对应的类别标签),T为弱分类器数量,样本初始权重输出的强分类器为H(x)。
具体而言,在识别部分中AdaBoost限制于二分类操作,对于多种工业元件瑕疵的分类,采用Real AdaBoost,设计训练过程如下:输入:训练集(x1,y1)....(xn,yn)(其中xi是样本的多维特征向量,yi∈{1,-1}是对应的类别标签),弱分类器数量T,样本初始权重输出:强分类器H(x)。
1、将每一维特征的取值空间划分为j个不相交的子空间X1…Xj;
5、选择使z最小的弱分类器h(x)作为该轮迭代选出的弱分类器:Zt=minZ h(t)=atgminZ;
6、更新样本权重:Dt+1(i)=Dt(i)exp[-yiht(xi)];
由于在测试过程中发明人发现在级联分类器前层虽然可以达到预期目标,但是由于每经过一层就会删去一些负面例子,剩余训练集的例子变得越来越少以及越来越相似,使得后层的分类器的分类能力较弱,需要过多的弱分类器提供支撑。鉴于此优化设计结合Real AdaBoost与SVM,构建AdaBoost-SVM分类器,训练算法如下:
输入:弱分类器数量T,弱分类器最大数量Tmax,分类器整体误报率F,目标误报率Ft,正负样本集合;输出:分类标签。
1、构造算法由两层循环构成,内部循环:当F>Ft且T>Tmax时使用RealAdaBoost算法训练弱分类器,每次添加新的弱分类器时再判断一次循环条件。
2、当F>Ft且T>Tmax时,用SVM替换该层的Real AdaBoost分类器,并使用该RealAdaBoost分类器选择的输入向量维度训练SVM,而不计算输入向量的所有维度。
3、判断F>Ft,若满足,则用剩余负样本和所有正样本进行下一层的RealAdaBoost算法训练,按照步骤2,3循环,若不满足,终止所有训练。
步骤S103,将所述粗略分类结果信息交互至硬件端,并基于FPGA和OpenCL对循环重复算法进行硬件加速后,以获得精确分类结果信息;其中,所述硬件端在OpenCL框架下,采用c语言开发FPGA模块对软件算法进行硬件加速处理。
具体而言,通过在OpenCL框架下,利用c语言开发FPGA模块对软件算法进行硬件加速处理。FPGA虽然可以同时调用多种计算资源解决数据处理问题,但其局限性在于开发语言HDL过于繁琐,非专业性硬件工程师无法进行开发。而OpenCL框架对其开发环境进行优化,采用便捷的c语言进行开发工作,大大降低了编程门槛。在用c语言编程实现过程中,提取出一些在OpenCV大量或者重复使用的算法,例如:OpenCV识别多个区域直方图的时候,会反复用到积分图像算法。公式:SAT(x,y)=∑x′≤x,y′≤yI(x′,y′)以及AdaBoost-SVM中的内部循环算法等,将这类软件算法通过OpenCL转化成FPGA上的逻辑电路,利用这些硬件模块并行运算处理数据,将会大大提高计算能力,从而达到加速图像数据处理的效果。
步骤S104,输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报。所述输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报包括:所述UP2接收所述精确分类结果信息,通过HDMI转VGA通道,在Qt界面上进行显示,以及AUX交互至扬声器,通过所述扬声器对结果进行语音播报。所述输出显示所述精确分类结果信息包括:基于QT的显示屏面对所述精确分类结果信息进行输出显示。
具体而言,对于用户交互,QT凭借信号槽机制,具备优异的降耦性,鉴于此选用其作为显示界面。上面增设五个功能按钮,分别为预览、计数、检测、停止,以及语音播报的功能。后期QT具有良好的移植性,便于跨平台开发。
本发明实施例一提供一种目标样本瑕疵检测的方法,通过捕获所述目标样本的图像信息;再依据所述图像信息,对图像信息的多维特征参数进行处理,以及构建支持向量用于预设的分类算法进行分类训练,以获得粗略分类结果信息。其中所述预设的分类算法包括:S1、所述分类算法的内部循环为当符合F>Ft且T<Tmax时,采用Real AdaBoost算法训练弱分类器,每次添加新的弱分类器时再判断一次循环条件;S2、当符合F>Ft且T>Tmax时,采用SVM替换该层的Real AdaBoost分类器,并使用该Real AdaBoost分类器选择的输入向量维度训练SVM,而不计算输入向量的所有维度;S3、当符合F>Ft时,则用剩余负样本和所有正样本进行下一层的Real AdaBoost算法训练,按照步骤S1至S3循环,若不符合,则终止所有训练;其中所述T是弱分类器数量,所述Tmax是弱分类器最大数量,所述F是分类器整体误报率,所述Ft是目标误报率。然后将所述粗略分类结果信息交互至硬件端,并且基于FPGA和OpenCL对循环重复算法进行硬件加速后,以获得精确分类结果信息;其中,所述硬件端在OpenCL框架下,采用c语言开发FPGA模块对软件算法进行硬件加速处理;输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报。这样优化了识别算法中样本的训练模式,进行硬件加速来加快了图像数据处理,能够并行运算处理数据,极大的提高计算能力,继而有利于加速图像数据处理。从而达到在对工业元件瑕疵进行检测分类过程中,提高识别精度,降低误报率的技术效果。
基于同一发明构思,本发明实施例还提供了与实施例一中方法对应的装置,见实施例二。
实施例二
如图4所示,图4为本发明实施例二提供的一种目标样本瑕疵检测的装置的结构图。本发明实施例二提供了一种目标样本瑕疵检测的装置,所述装置包括:
采集模块,用于捕获所述目标样本的图像信息;
处理模块,用于依据所述图像信息,对所述图像信息的多维特征参数进行处理,以及构建支持向量用于预设的分类算法进行分类训练,以获得粗略分类结果信息;
加速模块,用于将所述粗略分类结果信息交互至硬件端,并基于FPGA和OpenCL对循环重复算法进行硬件加速后,以获得精确分类结果信息;
输出模块,用于输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报。
本发明实施例二提供一种目标样本瑕疵检测的装置,通过捕获所述目标样本的图像信息;再依据所述图像信息,对图像信息的多维特征参数进行处理,以及构建支持向量用于预设的分类算法进行分类训练,以获得粗略分类结果信息。其中所述预设的分类算法包括:S1、所述分类算法的内部循环为当符合F>Ft且T<Tmax时,采用Real AdaBoost算法训练弱分类器,每次添加新的弱分类器时再判断一次循环条件;S2、当符合F>Ft且T>Tmax时,采用SVM替换该层的Real AdaBoost分类器,并使用该Real AdaBoost分类器选择的输入向量维度训练SVM,而不计算输入向量的所有维度;S3、当符合F>Ft时,则用剩余负样本和所有正样本进行下一层的Real AdaBoost算法训练,按照步骤S1至S3循环,若不符合,则终止所有训练;其中所述T是弱分类器数量,所述Tmax是弱分类器最大数量,所述F是分类器整体误报率,所述Ft是目标误报率。然后将所述粗略分类结果信息交互至硬件端,并且基于FPGA和OpenCL对循环重复算法进行硬件加速后,以获得精确分类结果信息;其中,所述硬件端在OpenCL框架下,采用c语言开发FPGA模块对软件算法进行硬件加速处理;输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报。这样优化了识别算法中样本的训练模式,进行硬件加速来加快了图像数据处理,能够并行运算处理数据,极大的提高计算能力,继而有利于加速图像数据处理。从而达到在对工业元件瑕疵进行检测分类过程中,提高识别精度,降低误报率的技术效果。
由于本发明实施例二所介绍的装置,为实施本发明实施例一的一种目标样本瑕疵检测的方法所采用的装置,故而基于本发明实施例一所介绍的方法,本领域所属人员能够了解该装置的具体结构及变形,故而在此不再赘述。凡是本发明实施例一的方法所采用的装置都属于本发明所欲保护的范围。
基于同一发明构思,本申请提供了与实施例一所对应的一种目标样本瑕疵检测的电子设备,详见实施例三。
实施例三
如图5所示,图5为本发明实施例三提供的一种目标样本瑕疵检测的电子设备的结构图。本发明实施例三提供了一种目标样本瑕疵检测的电子设备,包括存储器310、处理器320及存储在存储器310上并可在处理器320上运行的计算机程序311,所述处理器320执行所述程序时实现以下步骤:
捕获所述目标样本的图像信息;
依据所述图像信息,对所述图像信息的多维特征参数进行处理,以及构建支持向量用于预设的分类算法进行分类训练,以获得粗略分类结果信息;
将所述粗略分类结果信息交互至硬件端,并基于FPGA和OpenCL对循环重复算法进行硬件加速后,以获得精确分类结果信息;
输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报。
本领域技术人员可以理解,图3中示出的装置结构并不构成对装置本身的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明实施例三提供一种目标样本瑕疵检测的电子设备,通过捕获所述目标样本的图像信息;再依据所述图像信息,对图像信息的多维特征参数进行处理,以及构建支持向量用于预设的分类算法进行分类训练,以获得粗略分类结果信息。其中所述预设的分类算法包括:S1、所述分类算法的内部循环为当符合F>Ft且T<Tmax时,采用Real AdaBoost算法训练弱分类器,每次添加新的弱分类器时再判断一次循环条件;S2、当符合F>Ft且T>Tmax时,采用SVM替换该层的Real AdaBoost分类器,并使用该Real AdaBoost分类器选择的输入向量维度训练SVM,而不计算输入向量的所有维度;S3、当符合F>Ft时,则用剩余负样本和所有正样本进行下一层的Real AdaBoost算法训练,按照步骤S1至S3循环,若不符合,则终止所有训练;其中所述T是弱分类器数量,所述Tmax是弱分类器最大数量,所述F是分类器整体误报率,所述Ft是目标误报率。然后将所述粗略分类结果信息交互至硬件端,并且基于FPGA和OpenCL对循环重复算法进行硬件加速后,以获得精确分类结果信息;其中,所述硬件端在OpenCL框架下,采用c语言开发FPGA模块对软件算法进行硬件加速处理;输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报。这样优化了识别算法中样本的训练模式,进行硬件加速来加快了图像数据处理,能够并行运算处理数据,极大的提高计算能力,继而有利于加速图像数据处理。从而达到在对工业元件瑕疵进行检测分类过程中,提高识别精度,降低误报率的技术效果。
基于同一发明构思,本申请提供了与实施例一所对应的一种目标样本瑕疵检测的计算机可读存储介质,详见实施例四。
实施例四
如图6所示,图6为本发明实施例四提供的一种目标样本瑕疵检测的计算机可读存储介质的结构图。本发明实施例四提供了一种目标样本瑕疵检测的计算机可读存储介质,其上存储有计算机程序411,其特征在于,该程序被处理器320执行时实现以下步骤:
捕获所述目标样本的图像信息;
依据所述图像信息,对所述图像信息的多维特征参数进行处理,以及构建支持向量用于预设的分类算法进行分类训练,以获得粗略分类结果信息;
将所述粗略分类结果信息交互至硬件端,并基于FPGA和OpenCL对循环重复算法进行硬件加速后,以获得精确分类结果信息;
输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报。
本发明实施例四提供一种目标样本瑕疵检测的计算机可读存储介质,通过捕获所述目标样本的图像信息;再依据所述图像信息,对图像信息的多维特征参数进行处理,以及构建支持向量用于预设的分类算法进行分类训练,以获得粗略分类结果信息。其中所述预设的分类算法包括:S1、所述分类算法的内部循环为当符合F>Ft且T<Tmax时,采用RealAdaBoost算法训练弱分类器,每次添加新的弱分类器时再判断一次循环条件;S2、当符合F>Ft且T>Tmax时,采用SVM替换该层的Real AdaBoost分类器,并使用该Real AdaBoost分类器选择的输入向量维度训练SVM,而不计算输入向量的所有维度;S3、当符合F>Ft时,则用剩余负样本和所有正样本进行下一层的Real AdaBoost算法训练,按照步骤S1至S3循环,若不符合,则终止所有训练;其中所述T是弱分类器数量,所述Tmax是弱分类器最大数量,所述F是分类器整体误报率,所述Ft是目标误报率。然后将所述粗略分类结果信息交互至硬件端,并且基于FPGA和OpenCL对循环重复算法进行硬件加速后,以获得精确分类结果信息;其中,所述硬件端在OpenCL框架下,采用c语言开发FPGA模块对软件算法进行硬件加速处理;输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报。这样优化了识别算法中样本的训练模式,进行硬件加速来加快了图像数据处理,能够并行运算处理数据,极大的提高计算能力,继而有利于加速图像数据处理。从而达到在对工业元件瑕疵进行检测分类过程中,提高识别精度,降低误报率的技术效果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种目标样本瑕疵检测的方法,其特征在于,所述方法包括:
捕获所述目标样本的图像信息;
依据所述图像信息,对所述图像信息的多维特征参数进行处理,以及构建支持向量用于预设的分类算法进行分类训练,以获得粗略分类结果信息;
其中,所述预设的分类算法包括:
S1、所述分类算法的内部循环为当符合F>Ft且T<Tmax时,采用Real AdaBoost算法训练弱分类器,每次添加新的弱分类器时再判断一次循环条件;
S2、当符合F>Ft且T>Tmax时,采用SVM替换该层的RealAdaBoost分类器,并使用该Real AdaBoost分类器选择的输入向量维度训练SVM,而不计算输入向量的所有维度;
S3、当符合F>Ft时,则用剩余负样本和所有正样本进行下一层的Real AdaBoost算法训练,按照步骤S1至S3循环,若不符合,则终止所有训练;
其中,所述T是弱分类器数量,所述Tmax是弱分类器最大数量,所述F是分类器整体误报率,所述Ft是目标误报率;
将所述粗略分类结果信息交互至硬件端,并基于FPGA和OpenCL对循环重复算法进行硬件加速后,以获得精确分类结果信息;其中,所述硬件端在OpenCL框架下,采用c语言开发FPGA模块对软件算法进行硬件加速处理;
输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报。
2.如权利要求1所述的目标样本瑕疵检测的方法,其特征在于,所述捕获所述目标样本的图像信息包括:
采用高速工业相机捕获位于传送带上的所述目标样本的图像信息,所述高速工业相机的像素是630W。
3.如权利要求2所述的目标样本瑕疵检测的方法,其特征在于,所述依据所述图像信息,对所述图像信息的多维特征参数进行处理包括:
将所述图像信息交互至UP2,通过OpenCV对所述目标样本的图像信息进行物体特征识别。
4.如权利要求3所述的目标样本瑕疵检测的方法,其特征在于,所述输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报包括:
所述UP2接收所述精确分类结果信息,通过HDMI转VGA通道,在Qt界面上进行显示,以及AUX交互至扬声器,通过所述扬声器对结果进行语音播报。
5.如权利要求1所述的目标样本瑕疵检测的方法,其特征在于,所述预设的分类算法还包括:
S4、将每一维特征的取值空间划分为j个不相交的子空间X1...Xj;
S8、选择使z最小的弱分类器h(x)作为该轮迭代选出的弱分类器,Zt=minZ h(t)=argminZ;
6.如权利要求1所述的目标样本瑕疵检测的方法,其特征在于,所述输出显示所述精确分类结果信息包括:
基于QT的显示屏面对所述精确分类结果信息进行输出显示。
7.一种目标样本瑕疵检测的装置,其特征在于,所述装置包括:
采集模块,用于捕获所述目标样本的图像信息;
处理模块,用于依据所述图像信息,对所述图像信息的多维特征参数进行处理,以及构建支持向量用于预设的分类算法进行分类训练,以获得粗略分类结果信息;
加速模块,用于将所述粗略分类结果信息交互至硬件端,并基于FPGA和OpenCL对循环重复算法进行硬件加速后,以获得精确分类结果信息;
输出模块,用于输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报。
8.一种目标样本瑕疵检测的电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
捕获所述目标样本的图像信息;
依据所述图像信息,对所述图像信息的多维特征参数进行处理,以及构建支持向量用于预设的分类算法进行分类训练,以获得粗略分类结果信息;
将所述粗略分类结果信息交互至硬件端,并基于FPGA和OpenCL对循环重复算法进行硬件加速后,以获得精确分类结果信息;
输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报。
9.一种目标样本瑕疵检测的计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现以下步骤:
捕获所述目标样本的图像信息;
依据所述图像信息,对所述图像信息的多维特征参数进行处理,以及构建支持向量用于预设的分类算法进行分类训练,以获得粗略分类结果信息;
将所述粗略分类结果信息交互至硬件端,并基于FPGA和OpenCL对循环重复算法进行硬件加速后,以获得精确分类结果信息;
输出显示所述精确分类结果信息,对所述精确分类结果信息进行语音播报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010252479.3A CN111598833B (zh) | 2020-04-01 | 2020-04-01 | 一种目标样本瑕疵检测的方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010252479.3A CN111598833B (zh) | 2020-04-01 | 2020-04-01 | 一种目标样本瑕疵检测的方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598833A true CN111598833A (zh) | 2020-08-28 |
CN111598833B CN111598833B (zh) | 2023-05-26 |
Family
ID=72187310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010252479.3A Active CN111598833B (zh) | 2020-04-01 | 2020-04-01 | 一种目标样本瑕疵检测的方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598833B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743447A (zh) * | 2021-07-15 | 2021-12-03 | 上海朋熙半导体有限公司 | 半导体瑕疵识别方法、装置、计算机设备和存储介质 |
CN116027363A (zh) * | 2023-03-27 | 2023-04-28 | 厦门大学 | 一种异构并行处理器加速的gnss防欺骗基带装置 |
CN116597239A (zh) * | 2023-07-18 | 2023-08-15 | 苏州友得利金属制品有限公司 | 一种建筑用回收钢管的加工处理方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010111916A1 (zh) * | 2009-04-01 | 2010-10-07 | 索尼公司 | 多类目标的检测装置及检测方法 |
US8315465B1 (en) * | 2009-01-12 | 2012-11-20 | Google Inc. | Effective feature classification in images |
EP2879078A2 (en) * | 2013-12-02 | 2015-06-03 | Huawei Technologies Co., Ltd. | Method and apparatus for generating strong classifier for face detection |
CN105404901A (zh) * | 2015-12-24 | 2016-03-16 | 上海玮舟微电子科技有限公司 | 分类器的训练方法、图像检测方法及各自系统 |
KR20160037424A (ko) * | 2014-09-29 | 2016-04-06 | 동명대학교산학협력단 | 개선된 리얼 아다부스트 알고리즘에 근거한 새로운 멀티 뷰 얼굴감지방식 |
US20170091593A1 (en) * | 2015-09-30 | 2017-03-30 | Canon Kabushiki Kaisha | Pattern classifying apparatus, information processing apparatus, pattern classifying method, and non-transitory computer readable storage medium |
JP2017191571A (ja) * | 2016-04-15 | 2017-10-19 | キヤノン株式会社 | 画像処理装置及びその方法、プログラム |
CN107316036A (zh) * | 2017-06-09 | 2017-11-03 | 广州大学 | 一种基于级联分类器的害虫识别方法 |
WO2019158015A1 (zh) * | 2018-02-13 | 2019-08-22 | 京东方科技集团股份有限公司 | 样本获取方法、目标检测模型生成方法、目标检测方法 |
CN110490874A (zh) * | 2019-09-04 | 2019-11-22 | 河海大学常州校区 | 基于yolo神经网络的纺织布匹表面瑕疵检测方法 |
CN110599463A (zh) * | 2019-08-26 | 2019-12-20 | 依脉人工智能医疗科技(天津)有限公司 | 一种基于轻量级联神经网络的舌像检测及定位算法 |
-
2020
- 2020-04-01 CN CN202010252479.3A patent/CN111598833B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8315465B1 (en) * | 2009-01-12 | 2012-11-20 | Google Inc. | Effective feature classification in images |
WO2010111916A1 (zh) * | 2009-04-01 | 2010-10-07 | 索尼公司 | 多类目标的检测装置及检测方法 |
EP2879078A2 (en) * | 2013-12-02 | 2015-06-03 | Huawei Technologies Co., Ltd. | Method and apparatus for generating strong classifier for face detection |
KR20160037424A (ko) * | 2014-09-29 | 2016-04-06 | 동명대학교산학협력단 | 개선된 리얼 아다부스트 알고리즘에 근거한 새로운 멀티 뷰 얼굴감지방식 |
US20170091593A1 (en) * | 2015-09-30 | 2017-03-30 | Canon Kabushiki Kaisha | Pattern classifying apparatus, information processing apparatus, pattern classifying method, and non-transitory computer readable storage medium |
CN105404901A (zh) * | 2015-12-24 | 2016-03-16 | 上海玮舟微电子科技有限公司 | 分类器的训练方法、图像检测方法及各自系统 |
JP2017191571A (ja) * | 2016-04-15 | 2017-10-19 | キヤノン株式会社 | 画像処理装置及びその方法、プログラム |
CN107316036A (zh) * | 2017-06-09 | 2017-11-03 | 广州大学 | 一种基于级联分类器的害虫识别方法 |
WO2019158015A1 (zh) * | 2018-02-13 | 2019-08-22 | 京东方科技集团股份有限公司 | 样本获取方法、目标检测模型生成方法、目标检测方法 |
CN110599463A (zh) * | 2019-08-26 | 2019-12-20 | 依脉人工智能医疗科技(天津)有限公司 | 一种基于轻量级联神经网络的舌像检测及定位算法 |
CN110490874A (zh) * | 2019-09-04 | 2019-11-22 | 河海大学常州校区 | 基于yolo神经网络的纺织布匹表面瑕疵检测方法 |
Non-Patent Citations (6)
Title |
---|
WANG Z Y ET AL: "An accurate detection method for surface defects of complex components based on support vector machine and spreading algorithm" * |
林晓佳;: "基于改进Adaboost M1算法医学图像分类系统的研究" * |
林晓佳;: "基于改进Adaboost M1算法医学图像分类系统的研究", 聊城大学学报(自然科学版) * |
葛迪等: "基于FPGA和OpenGL硬件加速的运动物品识别系统" * |
降爱莲;杨兴彤;: "基于AdaBoost-SVM级联分类器的行人检测" * |
降爱莲;杨兴彤;: "基于AdaBoost-SVM级联分类器的行人检测", 计算机工程与设计 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743447A (zh) * | 2021-07-15 | 2021-12-03 | 上海朋熙半导体有限公司 | 半导体瑕疵识别方法、装置、计算机设备和存储介质 |
CN113743447B (zh) * | 2021-07-15 | 2024-05-17 | 上海朋熙半导体有限公司 | 半导体瑕疵识别方法、装置、计算机设备和存储介质 |
CN116027363A (zh) * | 2023-03-27 | 2023-04-28 | 厦门大学 | 一种异构并行处理器加速的gnss防欺骗基带装置 |
CN116027363B (zh) * | 2023-03-27 | 2023-08-04 | 厦门大学 | 一种异构并行处理器加速的gnss防欺骗基带装置 |
CN116597239A (zh) * | 2023-07-18 | 2023-08-15 | 苏州友得利金属制品有限公司 | 一种建筑用回收钢管的加工处理方法及系统 |
CN116597239B (zh) * | 2023-07-18 | 2023-10-27 | 苏州友得利金属制品有限公司 | 一种建筑用回收钢管的加工处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111598833B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598833A (zh) | 一种目标样本瑕疵检测的方法、装置及电子设备 | |
CN107886074A (zh) | 一种人脸检测方法以及人脸检测系统 | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
CN113420643B (zh) | 基于深度可分离空洞卷积的轻量级水下目标检测方法 | |
CN111932639B (zh) | 一种基于卷积神经网络的不均衡缺陷样本的检测方法 | |
CN111429448A (zh) | 一种基于弱分割信息的生物荧光目标计数方法 | |
CN111401293A (zh) | 一种基于Head轻量化Mask Scoring R-CNN的手势识别方法 | |
CN113077444A (zh) | 一种基于cnn的超声无损检测图像缺陷分类方法 | |
CN112926486A (zh) | 一种舰船小目标的改进RFBnet目标检测算法 | |
CN111738133A (zh) | 模型训练方法、目标检测方法、装置、电子设备及可读存储介质 | |
CN111652846B (zh) | 一种基于特征金字塔卷积神经网络的半导体缺陷识别方法 | |
CN114359199A (zh) | 一种基于深度学习的鱼类计数方法、装置、设备和介质 | |
Xie et al. | A method for surface defect detection of printed circuit board based on improved YOLOv4 | |
CN116029979A (zh) | 一种基于改进Yolov4的布料瑕疵视觉检测方法 | |
CN116402769A (zh) | 一种兼顾大小目标的高精度纺织品瑕疵智能检测方法 | |
CN114882011A (zh) | 一种基于改进Scaled-YOLOv4模型的织物瑕疵检测方法 | |
CN109615610B (zh) | 一种基于YOLO v2-tiny的医用创可贴瑕疵检测方法 | |
CN109726754A (zh) | 一种lcd屏缺陷识别方法及装置 | |
JPWO2019008753A1 (ja) | 画像解析装置 | |
CN113469984B (zh) | 一种基于yolo结构的显示面板外观检测方法 | |
CN113096079B (zh) | 图像分析系统及其构建方法 | |
CN115457373A (zh) | 无锚框的一阶段虫害图像检测方法、装置及存储介质 | |
WO2020151529A1 (zh) | 服装图像分类、图像分类方法、装置及设备 | |
Wang et al. | Improved glove defect detection algorithm based on YOLOv5 framework | |
CN108133210B (zh) | 一种图像格式识别方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |