CN113408573B - 基于机器学习的瓷砖色号自动分类归类的方法及装置 - Google Patents
基于机器学习的瓷砖色号自动分类归类的方法及装置 Download PDFInfo
- Publication number
- CN113408573B CN113408573B CN202110511253.5A CN202110511253A CN113408573B CN 113408573 B CN113408573 B CN 113408573B CN 202110511253 A CN202110511253 A CN 202110511253A CN 113408573 B CN113408573 B CN 113408573B
- Authority
- CN
- China
- Prior art keywords
- tiles
- color
- tile
- color number
- classifier
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000010801 machine learning Methods 0.000 title claims abstract description 18
- 239000000919 ceramic Substances 0.000 claims abstract description 67
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 19
- 238000003066 decision tree Methods 0.000 claims description 13
- 239000012535 impurity Substances 0.000 claims description 10
- 238000013138 pruning Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 5
- 239000011449 brick Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及基于机器学习的瓷砖色号自动分类归类的方法，包括，预确定瓷砖色号种类；获取目标批量瓷砖；对目标批量瓷砖进行检测，将目标批量瓷砖中通过分类器及其关联的瓷砖边界的个体归于该分类器对应的瓷砖色号种类，将目标批量瓷砖中未通过分类器及其关联的瓷砖边界的个体定义为未知色号瓷砖；若未知色号瓷砖的数量超过第一阈值，则将未知色号瓷砖作为新的目标批量瓷砖重新进行以上操作直至瓷砖色号种类归类完成，得到最终的瓷砖色号种类以及归类完毕后的瓷砖；获取色号合并意见，根据色号合并意见进行色号合并操作，完成当前批次瓷砖的最终分类。本方法相比于人工检测，提高了瓷砖的生产质量，节约了生产成本，提高了瓷砖的生产效率。
Description
技术领域
本发明涉及瓷砖智能检测领域，尤其涉及基于机器学习的瓷砖色号自动分类归类的方法及装置。
背景技术
在瓷砖的生产中，同一批次瓷砖可能出现色差，在生产中任务中需要把具有色差的瓷砖检测并进行分拣。
现有的检测方式是通过人工进行逐一分拣，这在实际应用中的工作量是巨大的，另外人工分拣十分依赖分拣师傅的个人经验水平以及分拣的用心程度，其结果可控性较低。
发明内容
本发明的目的是为了至少解决现有技术的不足之一，提供基于机器学习的瓷砖色号自动分类归类的方法及装置。
为了实现上述目的，本发明采用以下的技术方案：
具体的，提出基于机器学习的瓷砖色号自动分类归类的方法，包括，
预确定瓷砖色号种类；
获取目标批量瓷砖，以目标批量瓷砖中的部分瓷砖的图像信息结合聚类的方式训练形成与瓷砖色号种类对应的分类器，并计算得到分类器关联的瓷砖边界；
对目标批量瓷砖进行检测，
将目标批量瓷砖中通过分类器及其关联的瓷砖边界的个体归于该分类器对应的瓷砖色号种类，
将目标批量瓷砖中未通过分类器及其关联的瓷砖边界的个体定义为未知色号瓷砖；
若未知色号瓷砖的数量超过第一阈值，则将未知色号瓷砖作为新的目标批量瓷砖重新进行以上操作直至瓷砖色号种类归类完成，得到最终的瓷砖色号种类以及归类完毕后的瓷砖；
获取色号合并意见，根据色号合并意见进行色号合并操作，完成当前批次瓷砖的最终分类。
进一步，上述形成与瓷砖色号种类对应的分类器的操作具体包括以下，
获取目标批量瓷砖中的部分瓷砖的图像信息；
对所述图像信息进行预处理操作，并对预处理后的图像信息提取颜色特征；
根据提取的颜色特征进行聚类操作；
对聚类操作的结果进行调整；
根据调整后的结果进行训练形成与瓷砖色号种类对应的分类器。
进一步，所述预处理操作具体包括图像的中值滤波操作，并根据瓷砖的颜色分类任务，对应设置颜色空间为RGB、CIELAB或HSV。
进一步，所述对预处理后的图像信息提取颜色特征，具体通过以下方式进行，
其中，k为颜色矩的阶数，j为图像像素的序号，n为图像像素的数，i为训练集图像的序号，i＝1，2…N，hij为第i张图片的第j个像素值μi为第i张图像的均值，当k＝1时，
需要使用多少阶数k的颜色矩根据瓷砖的实际情况认为确定，
在完成颜色特征提取之后得到图像信息中的多个特征点xi，最终形成训练集X＝{x1，x2…xN}，xi∈Rn。
进一步，所述形成与瓷砖色号种类对应的分类器具体包括，
通过基于CART决策树分类并进行修剪，决策树以优化信息熵G为目标，其表达式为：
对于给定树T：Ra(T)＝R(T)+α|T|
令
在此时，Tt与t有相同的损失函数值，但t的结点更少，因此选择t对Tt进行剪枝，
通过聚类得到色号标签，并结合人工调整修正得到y＝{y1，y2…yN}，xi∈R，用以上训练集以及标签训练决策树以得到所述分类器。
进一步，所述聚类具体采用K-Means聚类算法或DBSCAN中任意一种，通过欧式距离进行度量，聚类类别数预先设定，在聚类完成后再进行主动色差修改以保证样本砖准确性。
进一步，所述计算得到分类器关联的瓷砖边界，具体包括以下：
计算两两特征点之间的距离；
找寻其中的最大距离D，以D/2位置处的点作为近中心点；
确定近中心点的最近邻点，以所述最近邻点作为聚类得到该色号种类的代表瓷砖；
计算代表瓷砖与其他色号种类的瓷砖的最大距离，以所述最大距离作为该色号种类的最大半径；
调整所述最大半径，得到瓷砖边界。
本发明还提出基于机器学习的瓷砖色号自动分类归类的系统，包括，
色号种类确定模块，用于预确定瓷砖色号种类；
比对模型构建模块，用于获取目标批量瓷砖，以目标批量瓷砖中的部分瓷砖的图像信息结合聚类的方式训练形成与瓷砖色号种类对应的分类器，并计算得到分类器关联的瓷砖边界；
目标检测模块，用于对目标批量瓷砖进行检测，
将目标批量瓷砖中通过分类器及其关联的瓷砖边界的个体归于该分类器对应的瓷砖色号种类，
将目标批量瓷砖中未通过分类器及其关联的瓷砖边界的个体定义为未知色号瓷砖；
判断模块，用于在未知色号瓷砖的数量超过第一阈值时，将未知色号瓷砖作为新的目标批量瓷砖重新进行以上操作直至瓷砖色号种类归类完成，得到最终的瓷砖色号种类以及归类完毕后的瓷砖；
色号合并意见获取模块，用于获取色号合并意见，根据色号合并意见进行色号合并操作，完成当前批次瓷砖的最终分类。
本发明还提出一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述方法的步骤。
本发明的有益效果为：
本发明提出基于机器学习与图像处理方法提出一套与人工结合的检测色差砖的方法，相比于人工检测，可以减少出现漏检，提高了瓷砖的生产质量，节省劳动力，节约了生产成本，提高了瓷砖的生产效率。本发明利用计算机的存储功能，可以轻易跟踪瓷砖数量、色差等一系列参数，实现对瓷砖生产的管理。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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，在附图中：
图1所示为本发明基于机器学习的瓷砖色号自动分类归类的方法的流程图；
图2所示为本发明基于机器学习的瓷砖色号自动分类归类的方法的分类器构件流程图；
图3所示为本发明基于机器学习的瓷砖色号自动分类归类的方法的确定边界的流程图；
图4所示为本发明基于机器学习的瓷砖色号自动分类归类的方法的瓷砖边界划分的原理图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。
参照图1、图2以及图3，实施例1，本发明提出基于机器学习的瓷砖色号自动分类归类的方法，包括，
预确定瓷砖色号种类；
获取目标批量瓷砖，以目标批量瓷砖中的部分瓷砖的图像信息结合聚类的方式训练形成与瓷砖色号种类对应的分类器，并计算得到分类器关联的瓷砖边界；
对目标批量瓷砖进行检测，
将目标批量瓷砖中通过分类器及其关联的瓷砖边界的个体归于该分类器对应的瓷砖色号种类，
将目标批量瓷砖中未通过分类器及其关联的瓷砖边界的个体定义为未知色号瓷砖；
若未知色号瓷砖的数量超过第一阈值，则将未知色号瓷砖作为新的目标批量瓷砖重新进行以上操作直至瓷砖色号种类归类完成，得到最终的瓷砖色号种类以及归类完毕后的瓷砖；
获取色号合并意见，根据色号合并意见进行色号合并操作，完成当前批次瓷砖的最终分类。
作为本发明的优选实施方式，上述形成与瓷砖色号种类对应的分类器的操作具体包括以下，
获取目标批量瓷砖中的部分瓷砖的图像信息；
对所述图像信息进行预处理操作，并对预处理后的图像信息提取颜色特征；
根据提取的颜色特征进行聚类操作；
对聚类操作的结果进行调整；
调整的方式为，由工作人员根据实际情况输入调整聚类结果，修正明显出错的聚类类别，
根据调整后的结果进行训练形成与瓷砖色号种类对应的分类器。
作为本发明的优选实施方式，所述预处理操作具体包括图像的中值滤波操作，并根据瓷砖的颜色分类任务，对应设置颜色空间为RGB、CIELAB或HSV。
作为本发明的优选实施方式，所述对预处理后的图像信息提取颜色特征，具体通过以下方式进行，
其中，k为颜色矩的阶数，j为图像像素的序号，n为图像像素的数，i为训练集图像的序号，i＝1，2…N，hij为第i张图片的第j个像素值μi为第i张图像的均值，当k＝1时，
需要使用多少阶数k的颜色矩根据瓷砖的实际情况认为确定，
在完成颜色特征提取之后得到图像信息中的多个特征点xi，特征点是一个n维向量，n一般不会很大，一般是3维～9维(根据实际情况选择各个颜色空间的不同颜色通道提取)，最终形成训练集X＝{x1，x2…xN}，xi∈Rn。
颜色矩作为一种经典的颜色特征提取方法，在图像处理中，有着运算简单、提取方便、具有旋转平移不变性等特点。参考大量的实际经验可得知，对应瓷砖颜色特征的提取，其信息主要分布于一至三阶的颜色矩中，即均值、方差和斜度，对于一张m×n的图像，其数学表达式如下：
其一阶矩：
其二阶矩：
其三阶矩：
作为本发明的优选实施方式，所述形成与瓷砖色号种类对应的分类器具体包括，
分类回归树(ClassificationAnd Regression Trees，CART)是一种基于二叉树的分类和回归方法，本实验将其用于分类问题中，分类回归树的流程如下：
1、给定一组训练数据：xi∈X∈Rn，i＝0，1，2....t，xi为n维的实例特征向量
一组训练标签：yi∈Y＝{l1，l2，l3…lk}，l1∈N
2、设Q代表节点m处的数据，对于每个候选分组θ＝(j，tm)，由特征j和阈值tm组成，将数据划分为左子集Qleft(θ)和右子集Qright(θ)，
3、节点m处的杂质使用杂质函数计算H()，其具体选择取决于目标任务和决策树具体类型：
其中，Nm节点m处的样本数量。
4、CART算法使用基尼系数作为杂质函数H()，其原理如下：
结合数据集X，则其基尼系数为：
其中，结合实际，K的取值为2，C1＝nleft，C2＝nright，代入可得：
5、选择最小化杂质的参数
θ*＝argminθG(Q，θ)
6、子集递归更新Qleft(θ*)和Qright(θ*)。当决策树达到最大允许深度、Nm小于最小样本数或者等与1时，中止算法。
在分类回归树构建完成后，决策树只对训练集瓷砖数据有着良好的拟合。要提高它对测试瓷砖数据的泛化能力，则还需对其的结构进行剪枝。使用最小成本复杂性算法对其进行修剪。在此方法，复杂度参数是定义成本复杂度度量，其表达如下：
对于给定树T：Rα(T)＝R(T)+α|T|
其中，α称为复杂度参数，取值大于0，|T|是中的终端节点数，R(T)是终端节点的总误分率。
当α＝0或充分小时，有不等式：
Rα(T)＜Rα(t)
当α增大到某一个值时，有：
Rα(T)＝Rα(t)
当α再继续增大时，不等式反向，所以只需要令：
在此时，Tt与t有相同的损失函数值，但t的结点更少，因此选择t对Tt进行剪枝。
通过聚类得到色号标签，并结合人工调整修正得到y＝{y1，y2…yN}，xi∈R，用以上训练集以及标签训练决策树以得到所述分类器。
作为本发明的优选实施方式，所述聚类具体采用K-Means聚类算法或DBSCAN中任意一种，通过欧式距离进行度量，聚类类别数预先设定，在聚类完成后再进行主动色差修改以保证样本砖准确性。
作为本发明的优选实施方式，所述计算得到分类器关联的瓷砖边界，具体包括以下：
计算两两特征点之间的距离；
找寻其中的最大距离D，以D/2位置处的点作为近中心点；
确定近中心点的最近邻点，以所述最近邻点作为聚类得到该色号种类的代表瓷砖；
计算代表瓷砖与其他色号种类的瓷砖的最大距离，以所述最大距离作为该色号种类的最大半径；
调整所述最大半径，得到瓷砖边界。
其具体的调整原则为，色号e中心向量xe的半径为De，e＝1，2，3…N，N为聚类步骤获得色号的数量，初始化多个色号交融的个数U为0，
若
则两类点交融的个数U加1，其中
为色号e的第i个点，其中i＝0，1，2....t，t为该类色号的最大点数。
若U的数量小于用户预算的数量，则瓷砖边界D可适当加大到
至
若U的数量大于等于用户预算的数量，则瓷砖边界D设为
具体的，在本优选实施方式中，使用欧式距离计算两向量的距离，其公式可表示为
其中dx1，x2为向量x1到向量x2的距离，k为向量的k个元素，n为向量组的维度。
对于一组提取出来的特征向量，xi∈X∈Rn，i＝0，1，2....t，xi为n维的实例特征向量，遍历计算
其中，i＝0，1，2....t，j＝0，1，2....t，i不等于j。求得其具有最大距离
的两组向量，设为xa，xb，以这两组向量位置处的点作为近中心向量xm，可表示为xm＝(xa+xb)/2；
继续遍历计算
寻找
设寻得i＝k，则近中心向量xm的最近邻向量xk，确定该向量xk代表该类瓷砖色号中心；
继续遍历计算
寻找
设寻得i＝a，则与瓷砖色号中心向量xk距离最远的向量为xa，该类色号的最大半径为
假设训练集标定了三个色号的瓷砖，类似于图4中的w1，w2，w3三类点，瓷砖的边界就类似把上面各个类圈起来的三个圈圈，我们的目的就是要通过训练集这些已知的点找到这三个圈圈，圈圈的边缘就是瓷砖边界，这样在测试(大批量瓷砖输入)的时候，当边界外的瓷砖到来时，把它归到第四类(加入未知色号)里面。
本方法在进行瓷砖色差检测时，通过小批量瓷砖聚类，人为确定颜色边界，再用于大批量瓷砖的色差检测。通过工业面阵相机拍摄获取在流水线上待检查的瓷砖图像，将该图像传输至计算机进行处理，结合瓷砖的实际情况进行图像基础处理与目标检测，最后在界面上输出瓷砖图像结果。
本发明还提出基于机器学习的瓷砖色号自动分类归类的系统，包括，
色号种类确定模块，用于预确定瓷砖色号种类；
比对模型构建模块，用于获取目标批量瓷砖，以目标批量瓷砖中的部分瓷砖的图像信息结合聚类的方式训练形成与瓷砖色号种类对应的分类器，并计算得到分类器关联的瓷砖边界；
目标检测模块，用于对目标批量瓷砖进行检测，
将目标批量瓷砖中通过分类器及其关联的瓷砖边界的个体归于该分类器对应的瓷砖色号种类，
将目标批量瓷砖中未通过分类器及其关联的瓷砖边界的个体定义为未知色号瓷砖；
判断模块，用于在未知色号瓷砖的数量超过第一阈值时，将未知色号瓷砖作为新的目标批量瓷砖重新进行以上操作直至瓷砖色号种类归类完成，得到最终的瓷砖色号种类以及归类完毕后的瓷砖；
色号合并意见获取模块，用于获取色号合并意见，根据色号合并意见进行色号合并操作，完成当前批次瓷砖的最终分类。
本发明还提出一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述方法的步骤。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例中的方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储的介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (5)
1.基于机器学习的瓷砖色号自动分类归类的方法，其特征在于，包括以下：
步骤110、预确定瓷砖色号种类；
步骤210、获取目标批量瓷砖，以目标批量瓷砖中的部分瓷砖的图像信息结合聚类的方式训练形成与瓷砖色号种类对应的分类器，并计算得到分类器关联的瓷砖边界；
步骤310、对目标批量瓷砖进行检测，
步骤410、将目标批量瓷砖中通过分类器及其关联的瓷砖边界的个体归于该分类器对应的瓷砖色号种类，
步骤510、将目标批量瓷砖中未通过分类器及其关联的瓷砖边界的个体定义为未知色号瓷砖；
步骤610、若未知色号瓷砖的数量超过第一阈值，则将未知色号瓷砖作为新的目标批量瓷砖重新返回至步骤210执行直至瓷砖色号种类归类完成，得到最终的瓷砖色号种类以及归类完毕后的瓷砖；
步骤710、获取色号合并意见，根据色号合并意见进行色号合并操作，完成当前批次瓷砖的最终分类；
上述形成与瓷砖色号种类对应的分类器的操作具体包括以下，
获取目标批量瓷砖中的部分瓷砖的图像信息；
对所述图像信息进行预处理操作，并对预处理后的图像信息提取颜色特征；
根据提取的颜色特征进行聚类操作；
对聚类操作的结果进行调整；
根据调整后的结果进行训练形成与瓷砖色号种类对应的分类器；
所述对预处理后的图像信息提取颜色特征，具体通过以下方式进行，
其中，k为颜色矩的阶数，j为图像像素的序号，n为图像像素的数，i为训练集图像的序号，i=1,2…N，
为第i张图片的第j个像素值，
为第i张图像的均值，当k=1时，
，根据瓷砖的实际情况确定颜色矩的阶数k，
在完成颜色特征提取之后得到图像信息中的多个特征点
，最终形成训练集
所述形成与瓷砖色号种类对应的分类器具体包括，
给定一组训练数据：
，
为n维的实例特征向量，一组训练标签：
，
设
代表节点
处的数据，对于每个候选分组
，由特征j和阈值
组成，将数据划分为左子集
和右子集
，
使用杂质函数
计算节点m处的杂质，杂质函数
的具体选择取决于目标任务和决策树具体类型，其中，决策树以优化信息熵G为目标，信息熵表达式为：
其中，
为节点m处的样本数量，
使用最小成本复杂性算法对其进行修剪，在最小成本复杂性算法中，复杂度参数是定义成本复杂度的度量，成本复杂度的表达式如下：
对于给定树T：
其中，
称为复杂度参数，取值大于0，
是终端节点数，
是终端节点的总误分率，
令：
在此时，
与t有相同的损失函数值，但t的结点更少，选择t对
进行剪枝，
通过聚类得到色号标签，并结合人工调整修正得到
，用训练数据以及训练标签训练决策树以得到所述分类器；
所述计算得到分类器关联的瓷砖边界，具体包括以下：
计算两两特征点之间的距离；
找寻其中的最大距离D，以D/2位置处的点作为近中心点；
确定近中心点的最近邻点，以所述最近邻点作为聚类得到某色号种类的代表瓷砖；
计算所述代表瓷砖与其他色号种类的瓷砖的最大距离，以所述最大距离作为所述代表瓷砖所对应的色号种类的最大半径；
调整所述最大半径，得到瓷砖边界。
2.根据权利要求1所述的基于机器学习的瓷砖色号自动分类归类的方法，其特征在于，所述预处理操作具体包括图像的中值滤波操作，并根据瓷砖的颜色分类任务，对应设置颜色空间为RGB、CIELAB或HSV。
3.根据权利要求1所述的基于机器学习的瓷砖色号自动分类归类的方法，其特征在于，所述聚类具体采用K-Means聚类算法或DBSCAN中任意一种，通过欧式距离进行度量，聚类类别数预先设定，在聚类完成后再进行主动色差修改以保证样本砖准确性。
4.基于机器学习的瓷砖色号自动分类归类的系统，其特征在于，包括，
色号种类确定模块，用于预确定瓷砖色号种类；
比对模型构建模块，用于获取目标批量瓷砖，以目标批量瓷砖中的部分瓷砖的图像信息结合聚类的方式训练形成与瓷砖色号种类对应的分类器，并计算得到分类器关联的瓷砖边界；
目标检测模块，用于对目标批量瓷砖进行检测，
将目标批量瓷砖中通过分类器及其关联的瓷砖边界的个体归于该分类器对应的瓷砖色号种类，
将目标批量瓷砖中未通过分类器及其关联的瓷砖边界的个体定义为未知色号瓷砖；
判断模块，用于在未知色号瓷砖的数量超过第一阈值时，将未知色号瓷砖作为新的目标批量瓷砖重新运行上述比对模型构建模块、目标检测模块直至瓷砖色号种类归类完成，得到最终的瓷砖色号种类以及归类完毕后的瓷砖；
色号合并意见获取模块，用于获取色号合并意见，根据色号合并意见进行色号合并操作，完成当前批次瓷砖的最终分类，
上述形成与瓷砖色号种类对应的分类器的操作具体包括以下，
获取目标批量瓷砖中的部分瓷砖的图像信息；
对所述图像信息进行预处理操作，并对预处理后的图像信息提取颜色特征；
根据提取的颜色特征进行聚类操作；
对聚类操作的结果进行调整；
根据调整后的结果进行训练形成与瓷砖色号种类对应的分类器；
所述对预处理后的图像信息提取颜色特征，具体通过以下方式进行，
其中，k为颜色矩的阶数，j为图像像素的序号，n为图像像素的数，i为训练集图像的序号，i=1,2…N，
为第i张图片的第j个像素值，
为第i张图像的均值，当k=1时，
，根据瓷砖的实际情况确定颜色矩的阶数k，
在完成颜色特征提取之后得到图像信息中的多个特征点
，最终形成训练集
所述形成与瓷砖色号种类对应的分类器具体包括，
给定一组训练数据：
，
为n维的实例特征向量，一组训练标签：
，
设
代表节点
处的数据，对于每个候选分组
，由特征j和阈值
组成，将数据划分为左子集
和右子集
，
使用杂质函数
计算节点m处的杂质，杂质函数
的具体选择取决于目标任务和决策树具体类型，其中，决策树以优化信息熵G为目标，信息熵表达式为：
其中，
为节点m处的样本数量，
使用最小成本复杂性算法对其进行修剪，在最小成本复杂性算法中，复杂度参数是定义成本复杂度的度量，成本复杂度的表达式如下：
对于给定树T：
其中，
称为复杂度参数，取值大于0，
是终端节点数，
是终端节点的总误分率，
令：
在此时，
与t有相同的损失函数值，但t的结点更少，选择t对
进行剪枝，
通过聚类得到色号标签，并结合人工调整修正得到
，用训练数据以及训练标签训练决策树以得到所述分类器；
所述计算得到分类器关联的瓷砖边界，具体包括以下：
计算两两特征点之间的距离；
找寻其中的最大距离D，以D/2位置处的点作为近中心点；
确定近中心点的最近邻点，以所述最近邻点作为聚类得到某色号种类的代表瓷砖；
计算所述代表瓷砖与其他色号种类的瓷砖的最大距离，以所述最大距离作为所述代表瓷砖所对应的色号种类的最大半径；
调整所述最大半径，得到瓷砖边界。
5.一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-3中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110511253.5A CN113408573B (zh) | 2021-05-11 | 2021-05-11 | 基于机器学习的瓷砖色号自动分类归类的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110511253.5A CN113408573B (zh) | 2021-05-11 | 2021-05-11 | 基于机器学习的瓷砖色号自动分类归类的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113408573A CN113408573A (zh) | 2021-09-17 |
| CN113408573B true CN113408573B (zh) | 2023-02-21 |
Family
ID=77678248
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110511253.5A Active CN113408573B (zh) | 2021-05-11 | 2021-05-11 | 基于机器学习的瓷砖色号自动分类归类的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113408573B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114264607B (zh) * | 2021-12-29 | 2022-06-28 | 佛山市帆思科材料技术有限公司 | 基于机器视觉的瓷砖色差在线检测系统与方法 |
| CN116090163B (zh) * | 2022-11-14 | 2023-09-22 | 深圳大学 | 一种马赛克瓷砖选色方法及相关设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663422A (zh) * | 2012-03-27 | 2012-09-12 | 江南大学 | 基于颜色特征的地板层次分类方法 |
| CN107063458A (zh) * | 2017-02-07 | 2017-08-18 | 泉州装备制造研究所 | 基于机器视觉的瓷砖色度分块检测方法 |
| CN108090459A (zh) * | 2017-12-29 | 2018-05-29 | 北京华航无线电测量研究所 | 一种适用于车载视觉系统的交通标志检测识别方法 |
| CN111160476A (zh) * | 2019-12-31 | 2020-05-15 | 佛山喀视科技有限公司 | 一种生成色差检测模型、瓷砖分色方法及装置 |
| CN211699002U (zh) * | 2020-04-13 | 2020-10-16 | 大亚(江苏)地板有限公司 | 一种地板表板自动识别分选装置 |
| CN112418167A (zh) * | 2020-12-10 | 2021-02-26 | 深圳前海微众银行股份有限公司 | 图像的聚类方法、装置、设备和存储介质 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102006002886A1 (de) * | 2006-01-20 | 2007-07-26 | Oce Printing Systems Gmbh | Verfahren, Computerprogrammprodukt und Vorrichtung zur Erzeugung und Verarbeitung von Dokumentendaten mit indizierten Farbmanagementressourcen |
| CN101334835B (zh) * | 2008-07-28 | 2011-01-12 | 上海高德威智能交通系统有限公司 | 颜色识别方法 |
| US8761520B2 (en) * | 2009-12-11 | 2014-06-24 | Microsoft Corporation | Accelerating bitmap remoting by identifying and extracting 2D patterns from source bitmaps |
| GB2506882A (en) * | 2012-10-10 | 2014-04-16 | Royal Bank Scotland Plc | System and method for measuring utilization of network devices at physical locations |
| CA2834877A1 (en) * | 2012-11-28 | 2014-05-28 | Henry Leung | System and method for event monitoring and detection |
| CN103559486B (zh) * | 2013-11-11 | 2016-11-16 | 东南大学 | 一种视频检测地板正反面的方法 |
| US9740957B2 (en) * | 2014-08-29 | 2017-08-22 | Definiens Ag | Learning pixel visual context from object characteristics to generate rich semantic images |
| US9460365B1 (en) * | 2015-03-24 | 2016-10-04 | Intel Corporation | Clustered palette compression |
| US10289925B2 (en) * | 2016-11-29 | 2019-05-14 | Sap Se | Object classification in image data using machine learning models |
| CN206348850U (zh) * | 2017-01-10 | 2017-07-21 | 久盛地板有限公司 | 一种基于物联网的木地板配色设备 |
| CN109359703A (zh) * | 2018-12-19 | 2019-02-19 | 佛山科学技术学院 | 一种基于决策树的瓷砖等级分类方法 |
| CN111784640B (zh) * | 2020-06-08 | 2024-09-24 | 佛山喀视科技有限公司 | 一种瓷砖分拣处理系统及方法 |
| CN111950654B (zh) * | 2020-08-25 | 2022-07-05 | 桂林电子科技大学 | 基于svm分类的魔方色块颜色还原方法 |
-
2021
- 2021-05-11 CN CN202110511253.5A patent/CN113408573B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663422A (zh) * | 2012-03-27 | 2012-09-12 | 江南大学 | 基于颜色特征的地板层次分类方法 |
| CN107063458A (zh) * | 2017-02-07 | 2017-08-18 | 泉州装备制造研究所 | 基于机器视觉的瓷砖色度分块检测方法 |
| CN108090459A (zh) * | 2017-12-29 | 2018-05-29 | 北京华航无线电测量研究所 | 一种适用于车载视觉系统的交通标志检测识别方法 |
| CN111160476A (zh) * | 2019-12-31 | 2020-05-15 | 佛山喀视科技有限公司 | 一种生成色差检测模型、瓷砖分色方法及装置 |
| CN211699002U (zh) * | 2020-04-13 | 2020-10-16 | 大亚(江苏)地板有限公司 | 一种地板表板自动识别分选装置 |
| CN112418167A (zh) * | 2020-12-10 | 2021-02-26 | 深圳前海微众银行股份有限公司 | 图像的聚类方法、装置、设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于机器视觉的瓷砖多参数分类系统的设计;邹庆胜 等;《广东工业大学学报》;20101231;第27卷(第4期);第46页-第49页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113408573A (zh) | 2021-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hossain et al. | A color and texture based approach for the detection and classification of plant leaf disease using KNN classifier | |
| CN113408573B (zh) | 基于机器学习的瓷砖色号自动分类归类的方法及装置 | |
| Shabanzade et al. | Combination of local descriptors and global features for leaf recognition | |
| CN111310756B (zh) | 一种基于深度学习的损伤玉米颗粒检测和分类方法 | |
| CN105975929A (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
| CN112633382A (zh) | 一种基于互近邻的少样本图像分类方法及系统 | |
| CN106651966B (zh) | 图片颜色识别方法和系统 | |
| CN109063619A (zh) | 一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测方法和系统 | |
| CN108615229B (zh) | 基于曲率点聚类及决策树的碰撞检测优化方法 | |
| CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
| CN112200121A (zh) | 基于evm和深度学习的高光谱未知目标检测方法 | |
| CN111009005A (zh) | 几何信息与光度信息相结合的场景分类点云粗配准方法 | |
| WO2015146113A1 (ja) | 識別辞書学習システム、識別辞書学習方法および記録媒体 | |
| CN108154158A (zh) | 一种面向增强现实应用的建筑物图像分割方法 | |
| CN118365633A (zh) | 一种基于图像处理的工业品缺陷检测方法及系统 | |
| CN113128518B (zh) | 基于孪生卷积网络和特征混合的sift误匹配检测方法 | |
| CN114494739A (zh) | 基于人工智能的色粉混合效果检测方法 | |
| CN112750119B (zh) | 一种面向白玻璃盖板表面微弱缺陷的检测与测量方法 | |
| CN108428234B (zh) | 基于图像分割结果评价的交互式分割性能优化方法 | |
| CN116206208B (zh) | 一种基于人工智能的林业病虫害快速分析系统 | |
| CN111191659B (zh) | 服装生产系统多形状衣架识别方法 | |
| Montalvo et al. | A novel threshold to identify plant textures in agricultural images by Otsu and Principal Component Analysis | |
| CN113673534A (zh) | 一种基于Faster RCNN的RGB-D图像果实检测方法 | |
| CN109886325B (zh) | 一种非线性颜色空间分类的模板选择与加速匹配方法 | |
| Dhanuja et al. | Areca nut disease detection using image processing technology |
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 |