CN112668725A - 一种基于改进特征的金属洗手盆缺陷目标训练方法 - Google Patents
一种基于改进特征的金属洗手盆缺陷目标训练方法 Download PDFInfo
- Publication number
- CN112668725A CN112668725A CN202110114520.5A CN202110114520A CN112668725A CN 112668725 A CN112668725 A CN 112668725A CN 202110114520 A CN202110114520 A CN 202110114520A CN 112668725 A CN112668725 A CN 112668725A
- Authority
- CN
- China
- Prior art keywords
- training
- vhog
- hog
- metal
- enhanced
- 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
- 238000012549 training Methods 0.000 title claims abstract description 75
- 230000007547 defect Effects 0.000 title claims abstract description 69
- 239000002184 metal Substances 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012706 support-vector machine Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 230000006872 improvement Effects 0.000 claims abstract description 11
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 238000013145 classification model Methods 0.000 claims abstract description 4
- 238000012512 characterization method Methods 0.000 claims description 7
- 238000005406 washing Methods 0.000 claims description 5
- 241000282887 Suidae Species 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 210000000624 ear auricle Anatomy 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 239000006096 absorbing agent Substances 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种基于改进特征的金属洗手盆缺陷目标训练方法，本发明通过利用Sobel垂直算子以及对HOG的梯度幅度计算方式进行改进，提出了一种垂直加强的VHOG(Vertical‑enhance HOG,VHOG)特征；在此基础上，提出一种随机黏贴、结合交并比准则自动生成正负样本的数据增强方法；进一步，基于所改进的VHOG特征和所增强的训练样本集，利用高斯核支持向量机进行训练，获得分类金属洗手盆缺陷的分类模型。该方法包括：基于垂直信息加强的HOG特征改进模块、训练样本数据增强模块、基于VHOG的分类器训练模块。本发明能够同时兼顾分类准确率和分类速度、只需标注少量训练样本即可训练得到普适性较强的分类模型。
Description
技术领域
本发明属于计算机视觉与模式识别、图像处理和计算机视觉领域，尤其涉及一种基于改进特征的金属洗手盆缺陷目标训练方法。
背景技术
金属洗手盆产品普遍存在于日常生活中，在生成过程中，洗手盆金属产品在生产过程中容易受机器精度、工艺流程的影响，容易形成洗手盆耳垂的缺失缺陷。传统的依靠质量检测人员的人眼进行检测的方式，由于工人的人眼检测强度极大、工人的检测经验水平参差不齐、而且容易视觉疲劳，导致效果并不理想，不可避免地存在较多的错检、漏检，而且人工与金属制品接触过程中易于对金属制品产生二次损伤，金属制品的质量难以保障。基于计算机视觉的方式，为金属吸收器耳垂掉落缺陷的全天候检测提供了可能。然而，基于视觉的金属缺陷检测系统的精度取决于系统中的金属缺陷分类器的精度，而分类器的精度直接依赖于所设计的金属缺陷目标的描述特征，然而，目前专门针对金属缺陷进行特征提取的研究尚不充分，导致系统对金属缺陷的特征提取能力不足，故鲁棒实时的特征提取方法的设计尤为重要。
Miron Alina等(Miron Alina,Besbes Bassem,Rogozan Alexandrina,AinouzSamia.Intensity self similarity features for pedestrian detection in Far-Infrared images[C]//Intelligent Vehicles Symposium.IEEE,2012.)指出特征提取是目标检测中的关键阶段，利用了图像块之间的相互关系，提出一种强度自相似性特征(Intensity SelfSimilarity,ISS)进行目标特征提取。
Liu Qiong等(Liu Qiong,Jiajun,Ma Jun.Robust and fast pedestriandetection method for far-infrared automotive driving assistance systems[J].Infrared Physics&Technology,2013,60:288-299.)指出HOG特征尚未针对目标的成像特性进行特征提取。提出利用远红外行人的边缘具有比较丰富的信息，通过在梯度投影时，计算熵加权进行梯度投影，并结合图像金字塔的思想，提出一种熵加权的HOG特征，改进了HOG特征。然而，该特征的改进依赖于红外行人具有较明显的边缘，在行人与背景温差较小时，改进效果不显著，而且为了改进HOG特征，引入的计算开销也比较大。
于志伟等(于志伟.船用钢板表面缺陷目标在线提取与分类[D].大连海事大学,2014.)对钢板金属表面的缺陷进行了基于视觉的检测，对图像进行边缘检测之后，通过对图像进行膨胀的局部边缘链接以及基于霍夫变换的整体边缘链接，完成了对复杂情况下的钢板边缘的提取。然后利用Fisher阈值算法对缺陷进行了阈值提取，最终把缺陷分成划痕、结疤、辊印、麻点、橘皮和针眼六种缺陷类，该方法的实时性较好，但尚未采用基于深度学习的方法进行金属表面产品的检测。
Hurney Patrick等(Hurney Patrick,Waldron Peter,Morgan Fearghal,JonesEdward,Glavin Martin.Night-time pedestrian classification with histograms oforiented gradients-local binarypatterns vectors[J].IET Intelligent TransportSystems,2015,9(1):75-85.)融合了HOG特征和局部二值模式特征(LocalBinaryPatterns,LBP)进行远红外行人特征提取。通过特征融合，提升了单一特征提取的分类精度。然而仅将现成的HOG特征串联融合现成的LBP特征，尚未改进HOG特征或LBP特征。
Shuang M等(Mei Shuang,Wang Yudan,Wen Guojun.Automatic fabric defectdetection with a multi-scale convolutional denoising autoencoder networkmodel[J].Sensors,2018,18(4):1064.)结合图像金字塔层次结构思想和卷积去噪自编码器网络(CDAE)对纹理图像缺陷进行检测。具体方法为：利用不同高斯金字塔层次的卷积去噪自编码器网络重构图像块，利用训练图像块的重构残差作为直接像素方向缺陷预测的指标，将每个通道生成的重构残差图结合起来，生成最终的检测结果。论文是无监督的方法做缺陷检测，在布匹丝织物这类重复性背景纹理很强的图集上效果很好，在金属表面、加工部件表面数据集效果则不理想。
专利一种基于车载红外视频的行人检测方法及系统(中国专利授权公告号:CN108319906A，授权公告日:2018年07月24日)在特征提取阶段，采用积分图和通道特征，提取红外视频的亮度特征和梯度特征，实现了行人分类。然而，在梯度特征利用方面，仍然如传统的HOG特征一样，根据梯度朝向，利用梯度幅度进行投票，尚未利用图像块之间的相互关系进行远红外行人目标特征提取。
综上所述，虽然基于目标检测的特征改进方法、训练方法已经取得了一定的成果，但为了满足金属缺陷目标检测的实际要求，迫切需要在同时兼顾准确率和实时性方面做出进一步的改进。
发明内容
本发明实施例的目的在于提供一种基于改进特征的金属洗手盆缺陷目标训练方法，旨在解决现有的基于视觉的金属缺陷目标分类方法的识别准确率不尽如人意、实时性和鲁棒性难以兼顾的问题。
一种基于改进特征的金属洗手盆缺陷目标训练方法，其特征在于利用Sobel垂直算子以及对HOG的梯度幅度计算方式进行改进，提出了一种垂直加强的VHOG(Vertical-enhance HOG,VHOG)特征，增强HOG特征的表征能力，然后，并提出一种随机黏贴、结合交并比准则(亦称PASCAL准则)自动生成正负样本的数据增强方法，以自动获取更多训练样本，在此基础上，基于所改进的VHOG特征和所增强的训练样本集，利用高斯核支持向量机进行训练，获得分类金属洗手盆缺陷的分类模型，具体包括：
步骤一，通过随机自动黏贴与结合交并比准则的缺陷目标样本进行数据增强；
步骤二，改进HOG特征得到垂直加强的梯度朝向直方图特征(VHOG)；
步骤三，对训练样本进行基于VHOG的非线性支持向量机训练；
进一步，权利要求1所述一种基于改进特征的金属洗手盆缺陷目标训练方法，其特征在于，步骤一所述的通过随机自动黏贴与结合交并比准则的缺陷目标样本进行数据增强指，通过收集50张包含缺陷目标的图像和2000张不包含金属缺陷的图像，利用Labelme标注工具对其中的金属缺陷目标进行最小外接矩形标注，通过将金属缺陷目标的最小外接矩形随机黏贴到不包含金属缺陷的图像中，然后根据最小外接矩形向长宽方向各随机扩展不超过10％、对最小外接矩形进扰，以自动对训练数据进行增强；所述对最小外接矩形进行扰动指，扰动所得的新外接矩形与原始外接矩形之间的交并比大于等于70％时方为正样本，其它扰动结果为负样本。
进一步，权利要求1所述一种基于改进特征的金属洗手盆缺陷目标训练方法，其特征在于，步骤一所述的改进HOG特征得到垂直加强的梯度朝向直方图特征指，针对目前的HOG特征尚未对竖直边缘信息比较丰富的目标进行优化，利用Sobel垂直算子以及对HOG的梯度幅度计算方式进行改进，提出了一种垂直加强的VHOG(Vertical-enhance HOG,VHOG)特征，增强HOG特征的表征能力；所述的对HOG的梯度幅度计算方式进行改进指，对垂直方向的梯度进行强(垂直梯度值赋予0.7权重、水平梯度值赋予0.3权重)，以表征洗手盆缺陷目标具备较多的垂直方向的信息。
进一步，权利要求1所述一种基于改进特征的金属洗手盆缺陷目标训练方法，其特征在于，步骤三所述的对训练样本进行基于VHOG的非线性支持向量机训练指利用步骤一所设计的改进特征VHOG和步骤二所增强的训练样本，使用高斯核非线性支持向量机进行训练。
本发明提供的一种基于改进特征的金属洗手盆缺陷目标训练方法，与现有的基于视觉的金属缺陷分类技术相比，本发明具有如下优点和效果：通过在传统的HOG特征的基础上，针对目前的HOG特征尚未对竖直边缘信息比较丰富的目标类型进行优化，导致特征表征能力不够理想，本发明改进了HOG特征，通过利用Sobel垂直算子以及对HOG的梯度幅度计算方式进行改进，弥补了传统的HOG特征对本专利的金属缺陷目标表征能力不足的问题，为后续的机器学习分类打下了良好的基础。此外，考虑到实际场景中，金属缺陷目标属于稀有目标，在实际流水线中通常难以短时间采集到海量的缺陷样本，基于此，为快速获得面向金属洗手盆缺陷(洗手盆耳垂)分类的训练样本，并提出一种随机黏贴、结合交并比准则自动生成正负样本的数据增强方法，自动获得海量训练样本；。综上所述，通过改进特征提取方法、对训练样本提出新的数据增强方法以自动生成海量训练样本，所提出的洗手盆金属分类器训练方法，能更鲁棒地对垂直边缘比较明显的耳垂缺陷进行分类，该方法能用于基于视觉的洗手盆耳垂缺陷检测系统的核心分类器设计阶段。
附图说明
图1是本发明实施例提供的一种基于改进特征的金属洗手盆缺陷目标训练方法；
图2是本发明实施例提供的一种基于改进特征的金属洗手盆缺陷目标训练方法结构示意图；
图中：A、基于垂直信息加强的HOG特征改进模块；B、训练样本数据增强模块；C、基于VHOG的分类器训练模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
如图1所示，本发明实施例的一种基于改进特征的金属洗手盆缺陷目标训练方法包括以下步骤：
S101，通过随机自动黏贴与结合交并比准则的缺陷目标样本进行数据增强；
S102，改进HOG特征得到垂直加强的梯度朝向直方图特征(VHOG)；
S103，对训练样本进行基于VHOG的非线性支持向量机训练；
步骤S101所述的通过随机自动黏贴与结合交并比准则的缺陷目标样本进行数据增强指，通过收集50张包含缺陷目标的图像和2000张不包含金属缺陷的图像，利用Labelme标注工具对其中的金属缺陷目标进行最小外接矩形标注，通过将金属缺陷目标的最小外接矩形随机黏贴到不包含金属缺陷的图像中，然后根据最小外接矩形向长宽方向各随机扩展不超过10％、对最小外接矩形进扰，以自动对训练数据进行增强；所述对最小外接矩形进行扰动指，扰动所得的新外接矩形与原始外接矩形之间的交并比大于等于70％时方为正样本，其它扰动结果为负样本。
步骤S102所述一种基于改进特征的金属洗手盆缺陷目标训练方法，其特征在于，步骤一所述的改进HOG特征得到垂直加强的梯度朝向直方图特征指，针对目前的HOG特征尚未对竖直边缘信息比较丰富的目标进行优化，利用Sobel垂直算子以及对HOG的梯度幅度计算方式进行改进，提出了一种垂直加强的VHOG(Vertical-enhance HOG,VHOG)特征，增强HOG特征的表征能力；所述的对HOG的梯度幅度计算方式进行改进指，对垂直方向的梯度进行强(垂直梯度值赋予0.7权重、水平梯度值赋予0.3权重)，以表征洗手盆缺陷目标具备较多的垂直方向的信息。
步骤S103所述一种基于改进特征的金属洗手盆缺陷目标训练方法，其特征在于，步骤三所述的对训练样本进行基于VHOG的非线性支持向量机训练指利用步骤一所设计的改进特征VHOG和步骤二所增强的训练样本，使用高斯核非线性支持向量机进行训练。
如图2所示，本发明实施例的一种基于改进特征的金属洗手盆缺陷目标训练方法主要由基于垂直信息加强的HOG特征改进模块A、训练样本数据增强模块B和基于VHOG的分类器训练模块C组成。
基于垂直信息加强的HOG特征改进模块A，利用Sobel垂直算子以及对HOG的梯度幅度计算方式进行改进，提出了一种垂直加强的VHOG(Vertical-enhance HOG,VHOG)特征。
训练样本数据增强模块B，通过随机自动黏贴与结合交并比准则的缺陷目标样本进行数据增强。
基于VHOG的分类器训练模块C，利用模块A所设计的改进特征VHOG和模块B所增强的训练样本，使用高斯核非线性支持向量机进行训练。
本发明的具体实施例：
本发明方法的整体流程如图1所示，本发明方法主体包括三部分：1.基于垂直信息加强的HOG特征改进模块；2.训练样本数据增强模块；3.基于VHOG特征的分类器训练模块。
1.基于垂直信息加强的HOG特征改进模块
本发明考虑到在本专利待处理的图像中，缺陷目标的垂直边缘信息比水平方向的边缘信息更为丰富，而传统的HOG特征，同等对待图像的垂直信息和边缘信息。故本专利针对此提出一种改进的VHOG特征对缺陷目标进行描述，以获得更强的目标表征能力。
VHOG特征提取，以训练样本图像为输入，主要包括如下两个步骤：1)提取训练样本图像的垂直Sobel特征图像得到Img_sobel图像；2)提取Img_sobel图像中改进后的HOG特征以得到VHOG特征。以下对上述两个步骤进行分述。
1.1提取训练样本图像的垂直Sobel特征图像得到Img_sobel图像
Sobel边缘算子是一组方向算子，从不同的方向检测边缘。Sobel算子不是简单的求平均差分，而是加强中心像素上下左右四个方向的权重，运算结果是一幅边缘图像。Sobel算子包括水平算子Gx用于检测图像的垂直方向上的边缘，Gx如公式(1)所示；包括垂直算子Gx，用于检测图像的垂直方向上的边缘，Gy如公式(2)所示。本专利为反应洗手盆缺陷目标的具备较多的垂直方向的信息，提出利用Sobel的Gx算子来检测图像的垂直方向上的边缘，得到Img_sobel图像。
1.2提取Img_sobel图像中改进后的HOG特征以得到VHOG特征以Img_sobel图像为输入，提取VHOG特征的具体步骤为：1)灰度图像Gama校正；2)计算图像每个像素的梯度方向、对垂直方向的梯度大小进行加权以对垂直信息进行增强；3)获得块的VHOG特征；4)将所有块的特征进行串联，即可获得Img_sobel的VHOG特征。
1)灰度图像Gamma校正
首先，将样本图像通过最近邻插值算法统一缩放为64×32像素2，得到缩放后的图像f，然后将f进行归一化，即将像素值转换为[0,1]之间的实数，得到f～(x,y)，具体归一化按公式(3)执行。然后，按公式(4)对像素值进行预补偿，得到fG(x,y)，预补偿的gamma值设置为2。最后，按公式(5)进行反归一化，将经过预补偿的fG(x,y)实数值反变换为[0,255]之间的整数值，获得Gamma校正后的新图像Img。
Img(x,y)＝fG(x,y)×256-0.5 (5)
其中，f(x,y)表示图像f在(x,y)处的灰度值；fG(x,y)表示预补偿后的图像；Img(x,y)表示图像f在(x,y)处的灰度值。
2)计算图像每个像素的梯度方向、对垂直方向的梯度大小进行加权以对垂直信息进行增强
像素Img(x,y)的x方向梯度用Gx(x,y)表示，其值按公式(6)计算；y方向的梯度用Gy(x,y)表示，其值按公式(7)计算；像素Img(x,y)的梯度方向θ(x,y)按公式(8)计算；像素Img(x,y)的梯度幅度α(x,y)按公式(9)计算，梯度幅度α(x,y)的计算有别于传统的方式，本专利提出对垂直方向的梯度进行强，以反映洗手盆缺陷目标的具备较多的垂直方向的信息。
Gx(x,y)＝H(x+1,y)-H(x-1,y) (6)
Gy(x,y)＝H(x,y+1)-H(x,y-1) (7)
3)获得块的VHOG特征
将所得图像划分成8×8像素2大小的胞元(Cell)，统计每个胞元的梯度朝向直方图(以20°为间隔)，即可形成每个胞元的特征，将每2×2胞元2的胞元组成一个块(Block)，一个块内所有胞元的特征进行串联，即可得到该块的VHOG特征。
4)获得VHOG特征
将第3)步中获得的所有块的特征进行串联，即可获得VHOG特征。
2.训练样本数据增强模块
训练样本数据增强模块通过随机自动黏贴与结合交并比准则的缺陷目标样本进行数据增强，具体实施方式为：1)通过海康的高清摄像头，采集50张包含缺陷目标的图像，然后用Labelme标注工具标注出缺陷目标的最小外接矩形，根据该最小外接矩形，采集出所有的缺陷目标图像，所构成的数据集记为Dataset1；2)另外收集2000张不包含金属缺陷的图像，称为Dataset2，每次将Dataset1中的两张图像随机黏贴到Dataset2数据集中的每张图片中，得到数据集Dataset3；3)对数据Dataset3中的每张图片，每个缺陷目标的最小外接矩形长宽向长宽方向各随机扩展不超过10％(舍弃超出图像边缘的最小外接矩形)得到新的矩形框，将所有新的矩形框对图像进行裁剪，得到样本集Dataset4；将所有新的矩形框位置和大小进行不超过20％的随机扰动，当扰动得到的新矩形框于扰动前的矩形框交并比大于等于70％时，则对扰动的矩形框进行裁剪，所有裁剪所得的样本称为Dataset5；当扰动得到的新矩形框于扰动前的矩形框交并比小于70％时，亦对扰动的矩形框进行裁剪，所有裁剪所得的样本称为Dataset6。4)在此基础上，合并Dataset4和Dataset5的所有样本集，得到Dataset7。
3.基于VHOG特征的分类器训练模块
并将所有样本使用最近邻插值算法统一缩放到16×32像素2大小，并提取Dataset7(正样本集合)、Dataset6(负样本集合)中每个样本的VOG特征，从而完成提取金属缺陷目标分类的训练样本的VHOG特征。基于本发明专利提出的SHOG特征，利用线性支持向量机模型。
线性支持向量机训练时，通过求解公式(10)，获得支持向量w和截距b。
其中，w是训练所得的决策权重，b是常量偏移，yi是第i个训练特征的标签，xi是第i个训练样本的SHOG特征。
使用分类器进行候选区域分类时，对某候选区域，使用最近邻算法统一缩放到16×32像素2大小，提取VHOG特征，按照公式(11)所示的线性支持向量机的判决函数进行分类。
K(xi,x)＝xi Tx (12)
其中K(xi,x)是高斯核函数，具体定义如公式(12)所示，xi是一个支持向量、x是候选区域的VHOG特征向量、b是常量偏移、输入向量x的响应是f(x)。在使用支持向量机模型进行样本测试时，提取待测试样本的VHOG特征，使用支持向量机模型即可以完成分类任务。
Claims (4)
1.一种基于改进特征的金属洗手盆缺陷目标训练方法，其特征在于利用Sobel垂直算子以及对HOG的梯度幅度计算方式进行改进，提出了一种垂直加强的VHOG(Vertical-enhance HOG,VHOG)特征，增强HOG特征的表征能力，然后，并提出一种随机黏贴、结合交并比准则(亦称PASCAL准则)自动生成正负样本的数据增强方法，以自动获取更多训练样本，在此基础上，基于所改进的VHOG特征和所增强的训练样本集，利用高斯核支持向量机进行训练，获得分类金属洗手盆缺陷的分类模型，具体包括：
步骤一，通过随机自动黏贴与结合交并比准则的缺陷目标样本进行数据增强；
步骤二，改进HOG特征得到垂直加强的梯度朝向直方图特征(VHOG)；
步骤三，对训练样本进行基于VHOG的非线性支持向量机训练。
2.权利要求1所述一种基于改进特征的金属洗手盆缺陷目标训练方法，其特征在于，步骤一所述的通过随机自动黏贴与结合交并比准则的缺陷目标样本进行数据增强指，通过收集50张包含缺陷目标的图像和2000张不包含金属缺陷的图像，利用Labelme标注工具对其中的金属缺陷目标进行最小外接矩形标注，通过将金属缺陷目标的最小外接矩形随机黏贴到不包含金属缺陷的图像中，然后根据最小外接矩形向长宽方向各随机扩展不超过10％、对最小外接矩形进扰，以自动对训练数据进行增强；所述对最小外接矩形进行扰动指，扰动所得的新外接矩形与原始外接矩形之间的交并比大于等于70％时方为正样本，其它扰动结果为负样本。
3.权利要求1所述一种基于改进特征的金属洗手盆缺陷目标训练方法，其特征在于，步骤一所述的改进HOG特征得到垂直加强的梯度朝向直方图特征指，针对目前的HOG特征尚未对竖直边缘信息比较丰富的目标进行优化，利用Sobel垂直算子以及对HOG的梯度幅度计算方式进行改进，提出了一种垂直加强的VHOG(Vertical-enhance HOG,VHOG)特征，增强HOG特征的表征能力；所述的对HOG的梯度幅度计算方式进行改进指，对垂直方向的梯度进行强(垂直梯度值赋予0.7权重、水平梯度值赋予0.3权重)，以表征洗手盆缺陷目标具备较多的垂直方向的信息。
4.权利要求1所述一种基于改进特征的金属洗手盆缺陷目标训练方法，其特征在于，步骤三所述的对训练样本进行基于VHOG的非线性支持向量机训练指利用步骤一所设计的改进特征VHOG和步骤二所增强的训练样本，使用高斯核非线性支持向量机进行训练。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010437197 | 2020-05-21 | ||
| CN2020104371970 | 2020-05-21 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112668725A true CN112668725A (zh) | 2021-04-16 |
Family
ID=75414797
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110114520.5A Pending CN112668725A (zh) | 2020-05-21 | 2021-01-26 | 一种基于改进特征的金属洗手盆缺陷目标训练方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112668725A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361588A (zh) * | 2021-06-03 | 2021-09-07 | 北京文安智能技术股份有限公司 | 基于图像数据增强的图像训练集生成方法和模型训练方法 |
| CN114022409A (zh) * | 2021-09-30 | 2022-02-08 | 电子科技大学 | 基于深度学习的包覆药表面缺陷检测算法 |
| CN114937039A (zh) * | 2022-07-21 | 2022-08-23 | 阿法龙(山东)科技有限公司 | 一种钢管缺陷智能检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104268589A (zh) * | 2014-09-16 | 2015-01-07 | 奇瑞汽车股份有限公司 | 一种前方车辆检测方法 |
| CN108304873A (zh) * | 2018-01-30 | 2018-07-20 | 深圳市国脉畅行科技股份有限公司 | 基于高分辨率光学卫星遥感影像的目标检测方法及其系统 |
| CN109961049A (zh) * | 2019-03-27 | 2019-07-02 | 东南大学 | 一种复杂场景下香烟品牌识别方法 |
-
2021
- 2021-01-26 CN CN202110114520.5A patent/CN112668725A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104268589A (zh) * | 2014-09-16 | 2015-01-07 | 奇瑞汽车股份有限公司 | 一种前方车辆检测方法 |
| CN108304873A (zh) * | 2018-01-30 | 2018-07-20 | 深圳市国脉畅行科技股份有限公司 | 基于高分辨率光学卫星遥感影像的目标检测方法及其系统 |
| CN109961049A (zh) * | 2019-03-27 | 2019-07-02 | 东南大学 | 一种复杂场景下香烟品牌识别方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361588A (zh) * | 2021-06-03 | 2021-09-07 | 北京文安智能技术股份有限公司 | 基于图像数据增强的图像训练集生成方法和模型训练方法 |
| CN114022409A (zh) * | 2021-09-30 | 2022-02-08 | 电子科技大学 | 基于深度学习的包覆药表面缺陷检测算法 |
| CN114022409B (zh) * | 2021-09-30 | 2023-04-18 | 电子科技大学 | 基于深度学习的包覆药表面缺陷检测算法 |
| CN114937039A (zh) * | 2022-07-21 | 2022-08-23 | 阿法龙(山东)科技有限公司 | 一种钢管缺陷智能检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112668725A (zh) | 一种基于改进特征的金属洗手盆缺陷目标训练方法 | |
| EP3819859B1 (en) | Sky filter method for panoramic images and portable terminal | |
| CN111738342B (zh) | 一种受电弓异物检测方法、存储介质及计算机设备 | |
| CN103048329B (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
| CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
| CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
| CN109241973B (zh) | 一种纹理背景下的字符全自动软分割方法 | |
| CN109035196B (zh) | 基于显著性的图像局部模糊检测方法 | |
| CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
| CN109242032B (zh) | 一种基于深度学习的目标检测方法 | |
| CN109850518B (zh) | 一种基于红外图像的实时矿用胶带预警撕裂检测方法 | |
| Su et al. | A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification | |
| CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
| CN113537037A (zh) | 路面病害识别方法、系统、电子设备及存储介质 | |
| CN108009480A (zh) | 一种基于特征识别的图像人体行为检测方法 | |
| CN112184619A (zh) | 一种基于深度学习的金属部件表面缺陷检测方法 | |
| CN109636794B (zh) | 一种基于机器学习的地铁高度调节阀紧固螺母定位方法 | |
| CN115063679B (zh) | 一种基于深度学习的路面质量评估方法 | |
| Danilescu et al. | Road anomalies detection using basic morphological algorithms | |
| CN110866435A (zh) | 一种自相似性梯度朝向直方图的远红外行人训练方法 | |
| CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
| CN116228706A (zh) | 基于深度学习的细胞自噬免疫荧光图像分析系统和方法 | |
| CN113362347B (zh) | 一种基于超像素特征增强的图像缺陷区域分割方法和系统 | |
| Zhu | Moving Objects Detection and Segmentation Based on Background Subtraction and Image Over-Segmentation. | |
| CN110570415B (zh) | 一种高铁接触网吊弦不受力异常检测方法 |
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 |