CN113269204A

CN113269204A - 一种彩色直接部件标记图像的颜色稳定性分析方法及系统

Info

Publication number: CN113269204A
Application number: CN202110534424.6A
Authority: CN
Inventors: 李建美; 耿影; 廖利城; 刘福康
Original assignee: Shandong University
Current assignee: Shandong University
Priority date: 2021-05-17
Filing date: 2021-05-17
Publication date: 2021-08-17
Anticipated expiration: 2041-05-17
Also published as: CN113269204B

Abstract

本公开提供了一种彩色直接部件标记图像的颜色稳定性分析方法及系统，包括：获取待稳定性分析的彩色直接部件标记图像，并对所述彩色直接部件标记图像进行特征提取；将提取的特征输入预训练的颜色稳定性分析模型中，获得其颜色稳定性分析结果；其中，所述颜色稳定性分析模型是基于BP神经网络，通过若干组训练数据进行训练得到的；所述若干组训练数据包括不同颜色稳定性的单元图像及其对应颜色稳定性结果；基于所述BP神经网络颜色稳定性分析模型的分析结果，确定所述彩色直接部件标记图像中各单元的颜色稳定性。相比传统的人工评价方法，本公开的效率更高，准确率也更高，可以在实际应用中代替人眼实施图像自动评价，降低废品率。

Description

一种彩色直接部件标记图像的颜色稳定性分析方法及系统

技术领域

本公开属于直接部件标记技术领域，尤其涉及一种彩色直接部件标记图像的颜色稳定性分析方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

直接部件标记技术是一种直接在工业产品零件表面上标记机器可读符号(如DataMatrix)的产品信息标记技术。相比传统的印刷标签，直接部件标记是永久性标记，具有耐久性高、更能适应复杂多变的工业生产环境等优势，是推动工业产品零件实现产品全生命周期追踪的有效方法。

基于激光的彩色直接部件标记是使用激光直接在产品表面加工出彩色直接部件标记，相比传统直接部件标记，彩色直接部件标记能够承载更多的产品信息，能更好的满足制造商对信息存储的更高要求。发明人发现，由于金属的热效应，激光直接标记彩色直接部件标记的过程中会发生不想要的颜色变化，即颜色不稳定，而现有主要是针对黑白二维条码的稳定性分析，缺乏彩色直接部件标记方面的研究，因此，如何准确、快速地分析承载信息的颜色的稳定性是当前急需解决的问题。

发明内容

本公开为了解决上述问题，提供了一种彩色直接部件标记图像的颜色稳定性分析方法及系统，所述方案基于BP神经网络，通过无损检测实现对彩色直接部件标记的准确、快速颜色稳定性分析。

根据本公开实施例的第一个方面，提供了一种彩色直接部件标记图像的颜色稳定性分析方法，包括：

获取待稳定性分析的彩色直接部件标记图像，并对所述彩色直接部件标记图像进行特征提取；

将提取的特征输入预训练的颜色稳定性分析模型中，获得其颜色稳定性分析结果；其中，所述颜色稳定性分析模型是基于BP神经网络，通过若干组训练数据进行训练得到的；所述若干组训练数据包括不同颜色稳定性的单元图像及其对应颜色稳定性结果；

基于所述BP神经网络颜色稳定性分析模型的分析结果，确定所述彩色直接部件标记图像中各单元的颜色稳定性。

进一步的，所述颜色稳定性分析模型的训练过程包括：

获取预设数量的训练图像；所述训练图像包括不同颜色稳定性的单元图像及其对应的颜色稳定性；

对训练图像进行特征提取；将提取的颜色特征、形状特征和纹理特征作为BP神经网络模型的输入，对应的颜色稳定性作为BP神经网络模型的输出，对所述模型进行训练；

当训练得到的模型满足预设条件时，模型训练完成。

进一步的，所述图像的特征提取包括颜色特征、形状特征和纹理特征的提取；在所述图像的颜色特征、形状特征和纹理特征的提取前，需要将获取的图像转换到HSV空间，计算64种颜色的量化矩阵，其中，H分量量化为16份，S分量量化为4份。

进一步的，所述BP神经网络颜色稳定性分析模型采用输入层、隐藏层和输出层的三层网络结构；其输入层的神经元数量为12，隐藏层的神经元数量为2，输出层的神经元数量为1；其权重学习算法采用Levenberg-Marquardt算法。

根据本公开实施例的第二个方面，提供了一种彩色直接部件标记图像的颜色稳定性分析系统，包括：

彩色直接部件标记获取模块，用于获取待稳定性分析的彩色直接部件标记图像，并对所述彩色直接部件标记图像进行特征提取；

彩色直接部件标记单元分析模块，用于将提取的特征输入预训练的颜色稳定性分析模型中，获得其颜色稳定性分析结果；其中，所述颜色稳定性分析模型是基于BP神经网络，通过若干组训练数据进行训练得到的；所述若干组训练数据包括不同颜色稳定性的单元图像及其对应颜色稳定性结果；

颜色稳定性确定模块，其用于基于所述BP神经网络颜色稳定性分析模型的分析结果，确定所述彩色直接部件标记图像中各单元的颜色稳定性。

根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种彩色直接部件标记图像的颜色稳定性分析方法。

根据本公开实施例的第四个方面，提供了一种非暂态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所述的一种彩色直接部件标记图像的颜色稳定性分析方法。

与现有技术相比，本公开的有益效果是：

本公开所述方案提供了一种彩色直接部件标记图像的颜色稳定性分析方法，所述方案基于BP神经网络，通过无损检测实现对彩色直接部件标记的准确、快速颜色稳定性分析；相比传统的人工分析方法，本公开所述方案的效率更高，准确率也更高，可以在实际应用中代替人眼实施图像自动分析，降低废品率。

本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例一中所述的彩色直接部件标记图像的颜色稳定性分析方法的流程图；

图2为本公开实施例一中所述的定位的彩色直接部件标记中各单元的位置图；

图3为本公开实施例一中所述的BP神经网络颜色稳定性分析模型的性能指标；

图4为本公开实施例一中所述的确定的彩色直接部件标记图像中各单元的颜色稳定性示意图。

具体实施方式

下面结合附图与实施例对本公开做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

实施例一：

本实施例的目的是提供一种彩色直接部件标记图像的颜色稳定性分析方法。

如图1所示，为本公开实施例的彩色直接部件标记图像的颜色稳定性分析流程图，所述方法，具体包括：

S10:获取待稳定性分析的彩色直接部件标记图像；

S20:通过预先训练得到的BP神经网络颜色稳定性分析模型对所获彩色直接部件标记图像的各单元进行颜色稳定性分析；所述模型是通过多组训练数据对BP神经网络进行训练得到的；所述多组训练数据包括多种颜色稳定性的单元图像及其对应的颜色稳定性；

S30:根据所述BP神经网络颜色稳定性分析模型的分析结果，确定所述彩色直接部件标记图像中各单元的颜色稳定性。

具体的，将上述方案应用到产品标记加工上，通过机器视觉系统实时获取待颜色稳定性分析的彩色直接部件标记的加工单元图像；通过预先训练得到的BP神经网络颜色稳定性分析模型对所获单元图像进行颜色稳定性分析；根据确定的颜色稳定性，进行预设颜色稳定性区间内的激光加工参数调整，提高加工单元的颜色稳定性，降低废品率；所述预设颜色稳定性区间的激光加工参数调整量由实验确定。

该方法可嵌入系统应用于便携的扫描枪等设备，根据所述彩色直接部件标记图像中各个单元的颜色稳定性，进行彩色直接零件标记的质量分类；所述质量分类标准为主观标准，视具体情况而定。

本公开所述方案基于BP神经网络，公开了一种彩色直接部件标记图像的颜色稳定性分析方法，相比传统的人工分析方法，本公开实施例的效率更高，准确率也更高，可以在实际应用中代替人眼实施图像自动分析，降低废品率。

进一步的，所述步骤S20中BP神经网络颜色稳定性分析模型的建立过程包括：

S21：获取预设数量的训练图像；所述训练图像包括多种颜色稳定性的单元图像及其对应的颜色稳定性；

S22:提取训练图像的颜色特征、形状特征和纹理特征；

S23:将提取的颜色特征、形状特征和纹理特征作为BP神经网络模型的输入，对应的颜色稳定性作为BP神经网络模型的输出，使用MATLAB R2019b进行训练；

S24:判断训练的BP神经网络模型是否满足预设条件；

S25:当训练得到的模型满足预设条件时，确定所述训练模型为BP神经网络颜色稳定性分析模型。

优选的，上述步骤S21在一个具体的实施例中，其训练图像集的单元共有138个，主要包括灰色、青色、黄色、棕色、绿色、紫色和蓝色单元；测试图像集的单元共有30个；单元图像对应的颜色稳定性是通过人眼评估的颜色稳定性，分数范围是0-100，0表示最低的颜色稳定性，100表示最高的颜色稳定性；每个单元图像进行五次评估，最终取均值为最终的颜色稳定性。

优选的，所述步骤S22在一个具体的实施例中，提取训练图像的颜色特征、形状特征和纹理特征之前，包括：

定位彩色直接部件标记，根据已知的彩色直接部件标记尺寸100×100与单元数量8×8储存条码内各单元的位置并依次读取，具体如图2所示；

优选的，在一个实施例中，对所述图像提取颜色特征和纹理特征之前，包括：

将获取的图像转换到HSV空间，计算64种颜色(H分量量化为16份，S分量量化为4份)的像素频次矩阵(以下简称为“量化矩阵”)；所述H分量的量化区间以及S分量的量化区间具体表示如下：

在一个实施例中，对所述图像提取四个颜色特征，包括：

量化矩阵中数量第一与第二颜色的色差

量化矩阵的标准差

量化矩阵的偏度

量化矩阵的峰度

其中，A_i为量化矩阵,i＝1,2,…,64，k为量化矩阵去除0元素后的容量，均值

σ＝f₂；

在一个实施例中，对所述图像提取两个形状特征，包括：

量化矩阵的主色占比

主色边缘质心(X,Y)偏离图像中心(M/2,N/2)的欧式距离

在一个实施例中，对所述图像提取纹理特征之前，包括：

对所获图像进行灰度化，灰度共生矩阵GLCM的数学表达式为

P(i,j；d,θ)＝#{(x₁,y₂)(x₂,y₂)|f(x₁,y₁)＝i,f(x₂,y₂)＝j,

|(x₁,y₁)-(x₂,y₂)|＝d,∠((x₁,y₁),(x₂,y₂))＝θ}

其中，#表示按照式中的限制条件，图像中(x₁,y₁)位置灰度级为i、(x₂,y₂)位置灰度级为j的像素对的个数,P是一个Mg×Ng的矩阵；

在一个实施例中，对所述图像提取六个纹理特征，包括：

对比度：

相关性：

其中，μ_x，μ_y，σ_x和σ_y分别是P_x和P_y的均值和标准差。

能量：

同质性：

熵：

最大概率：f₁₂＝max(GLCM_n)

其中，GLCM_n为归一化的灰度共生矩阵。

优选的，上述步骤S24在一个具体的实施例中，使用预设数量的测试图像对所述模型进行验证；得到所述模型的均方误差和回归值；所述均方误差是真实值与预测值差平方的期望；所述回归值衡量真实值与预测值之间的相关性；

当所述均方误差和回归值满足预设条件时，确定该模型为符合要求的BP神经网络颜色稳定性分析模型；所述预设条件为均方误差小于等于0.01(颜色稳定性区间的1％)且回归值大于等于0.9；

当所述均方误差和回归值不满足预设条件时，通过更换隐藏层的神经元数量继续迭代训练，直至模型的均方误差和回归值满足预设条件时停止。

在一个实施例中，隐藏层的神经元数量为2时模型的均方误差和回归值满足预设条件。

上述步骤S25在一个具体的实施例中，BP神经网络颜色稳定性分析模型采用输入层、隐藏层和输出层的三层网络结构；输入层的神经元数量为12，隐藏层的神经元数量为2，输出层的神经元数量为1；权重学习算法为Levenberg-Marquardt算法；

如图3所示，经过15次迭代和0.01s后，BP神经网络颜色稳定性分析模型的均方误差为0.0067，回归值为0.94。

上述S30在一个具体的实施例中，确定的所述彩色直接部件标记图像中各单元的颜色稳定性如图4所示。

实施例二：

本实施例的目的是提供一种彩色直接部件标记图像的颜色稳定性分析系统。

一种彩色直接部件标记图像的颜色稳定性分析系统，包括：

在更多实施例中，还提供：

一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一中所述的方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASI C，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一中所述的方法。

实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

上述实施例提供的一种彩色直接部件标记图像的颜色稳定性分析方法及系统可以实现，具有广阔的应用前景。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims

1.一种彩色直接部件标记图像的颜色稳定性分析方法，其特征在于，包括：

2.如权利要求1所述的一种彩色直接部件标记图像的颜色稳定性分析方法，其特征在于，所述颜色稳定性分析模型的训练过程包括：

当训练得到的模型满足预设条件时，模型训练完成。

3.如权利要求1所述的一种彩色直接部件标记图像的颜色稳定性分析方法，其特征在于，所述图像的特征提取包括颜色特征、形状特征和纹理特征的提取；在所述图像的颜色特征、形状特征和纹理特征的提取前，需要将获取的图像转换到HSV空间，计算64种颜色的量化矩阵，其中，H分量量化为16份，S分量量化为4份。

4.如权利要求3所述的一种彩色直接部件标记图像的颜色稳定性分析方法，其特征在于，所述颜色特征的提取包括量化矩阵中数量第一与第二颜色的色差、量化矩阵的标准差、量化矩阵的偏度和量化矩阵的峰度。

5.如权利要求3所述的一种彩色直接部件标记图像的颜色稳定性分析方法，其特征在于，所述形状特征的提取包括量化矩阵的主色占比和主色边缘质心偏离图像中心的欧式距离。

6.如权利要求3所述的一种彩色直接部件标记图像的颜色稳定性分析方法，其特征在于，所述纹理特征的提取包括对比度、相关性、能量、同质性、熵和最大概率。

7.如权利要求1所述的一种彩色直接部件标记图像的颜色稳定性分析方法，其特征在于，所述BP神经网络颜色稳定性分析模型采用输入层、隐藏层和输出层的三层网络结构；其输入层的神经元数量为12，隐藏层的神经元数量为2，输出层的神经元数量为1；其权重学习算法采用Levenberg-Marquardt算法。

8.一种彩色直接部件标记图像的颜色稳定性分析系统，其特征在于，包括：

9.一种电子设备，包括存储器、处理器及存储在存储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如权利要求1-7任一项所述的一种彩色直接部件标记图像的颜色稳定性分析方法。

10.一种非暂态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如权利要求1-7任一项所述的一种彩色直接部件标记图像的颜色稳定性分析方法。