CN113420771B - 一种基于特征融合的有色玻璃检测方法 - Google Patents

一种基于特征融合的有色玻璃检测方法 Download PDF

Info

Publication number
CN113420771B
CN113420771B CN202110738022.8A CN202110738022A CN113420771B CN 113420771 B CN113420771 B CN 113420771B CN 202110738022 A CN202110738022 A CN 202110738022A CN 113420771 B CN113420771 B CN 113420771B
Authority
CN
China
Prior art keywords
colored glass
database
layers
picture
neural network
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
Application number
CN202110738022.8A
Other languages
English (en)
Other versions
CN113420771A (zh
Inventor
凌勇
高中明
徐慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yangzhou Mingsheng New Technology Co ltd
Original Assignee
Yangzhou Mingsheng New Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yangzhou Mingsheng New Technology Co ltd filed Critical Yangzhou Mingsheng New Technology Co ltd
Priority to CN202110738022.8A priority Critical patent/CN113420771B/zh
Publication of CN113420771A publication Critical patent/CN113420771A/zh
Application granted granted Critical
Publication of CN113420771B publication Critical patent/CN113420771B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于特征融合的有色玻璃检测方法，1.数据库建立：获取不同有色玻璃图片信息，建立多类型有色玻璃的数据库；2.BP神经网络建立：建立基于整体采样通道和局部采样通道的双道特征融合的BP神经网络模型；3.网络训练：通过多类型数量数据库对双道特征融合的BP神经网络模型进行训练；4.图像检测；5.输出判断。本发明通过建立数据库，得到完整的有色玻璃数据库，建立基于整体采样通道和局部采样通道的双道特征融合的BP神经网络模型，结合随机点距离判断，在数据库中得到与待测有色玻璃图片颜色相似度最高的有色玻璃图片，确定有色玻璃类型，实现精确的有色玻璃检测。

Description

一种基于特征融合的有色玻璃检测方法
技术领域
本发明涉及一种基于特征融合的有色玻璃检测方法，属于图像识别技术领域。
背景技术
随着社会的发展和进步，有色玻璃的使用越来越广泛。因此，有色玻璃的检测和识别具有十分重要的研究价值。随着有色玻璃的不断增多，诸多色彩的有色玻璃，其中不乏色差及其相近的有色玻璃。为了进一步区别和生产判断，应对有色玻璃进行颜色进行检测判断。目前如何对有色玻璃进行精准的检测和识别仍然拥有很多技术上的问题，有色玻璃的色差区别极易受到生产过程中原料比例调配的影响，进而影响有色玻璃检测的准确性。
发明内容
为了解决上述技术问题，本发明提供一种基于特征融合的有色玻璃检测方法，其具体技术方案如下：
一种基于特征融合的有色玻璃检测方法，包括以下步骤：
步骤一：数据库建立：获取大量不同有色玻璃图片信息，建立有色玻璃数据库，对待测有色玻璃图片进行图像清晰度处理，获取清晰的待测有色玻璃图像；
步骤二： BP神经网络建立：建立基于整体采样通道和局部采样通道的双道特征融合的BP神经网络模型；
步骤三：网络训练：通过多类型数量数据库对双道特征融合的BP神经网络模型进行训练，调整BP神经网络模型的参数值，确保BP神经网络模型输出值的正确性；
步骤四：图像检测：获取待测有色玻璃图片信息并将之输入至基于双通道融合的BP神经网络模型，使得待测有色玻璃图片信息与多类型有色玻璃的数据库进行特征比对，输出数据库中与待测有色玻璃图片的颜色信息相似度最高的图像，其中，特征比对过程中采用欧几里得距离中的二维空间公式计算待测有色玻璃图片的随机点，如公式（1）：
（1）
式中和/>为待测有色玻璃图片中两随机点的坐标，/>为两随机点之间的距离，当/>近似等/>时，表明数据库中有类似待测有色玻璃图片的有色玻璃，选取多组随机点进行计算，选取数据库中颜色相似度最高的有色玻璃图片，/>为数据库有色玻璃图片中两随机点之间的距离，且/>的随机点与/>随机点所在图片中的位置相同；
步骤五：输出判断：在基于双通道融合的BP神经网络模型中设定一个判断阈值，当数据库中输出的有色玻璃图片的颜色相似度不小于判断阈值，则直接输出数据库中的有色玻璃图片；反之，再次进行图像检测。
进一步的，所述步骤二中整体采样通道由五层卷积层和五层池化层组成，所述五层卷积层均采用5*5的卷积核，所述五层池化层均采用最大池化，池化尺寸为2*2。
进一步的，所述步骤二中局部采样通道由五层卷积层和五层池化层组成，所述五层卷积层均采用1*3卷积核和3*1卷积核堆叠形成的卷积层，所述池化层均采用最大池化，池化尺寸为2*2。
进一步的，所述步骤五中判断阈值设定为0.95。
本发明的有益效果：
本发明通过建立数据库，得到完整的有色玻璃数据库，建立基于整体采样通道和局部采样通道的双道特征融合的BP神经网络模型，结合随机点距离判断，在数据库中得到与待测有色玻璃图片相似度最高的有色玻璃图片，确定有色玻璃类型，实现精确的有色玻璃检测。
附图说明
图1是本发明的流程示意图，
图2是待测有色玻璃随机点选取示意图，
图3是与图2对应的数据库中有色玻璃随机点选取示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1所示，本发明的一种基于特征融合的有色玻璃检测方法。首先，获取大量不同有色玻璃图片信息，建立有色玻璃数据库，对待测有色玻璃图片进行图像清晰度处理，获取清晰的待测有色玻璃图像。然后，建立BP神经网络。建立基于整体采样通道和局部采样通道的双道特征融合的BP神经网络模型。其中，整体采样通道由五层卷积层和五层池化层组成，五层卷积层均采用5*5的卷积核，五层池化层均采用最大池化，池化尺寸为2*2，池化步长为2；局部采样通道由五层卷积层和五层池化层组成，五层卷积层均采用1*3卷积核和3*1卷积核堆叠形成的卷积层，池化层均采用最大池化，池化尺寸为2*2，池化步长为2。紧接着，进行网络训练。通过多类型数量数据库对双道特征融合的BP神经网络模型进行训练，调整BP神经网络模型的参数值，确保BP神经网络模型输出值的正确性。下一步，图像检测。获取待测有色玻璃图片信息并将之输入至基于双通道融合的BP神经网络模型，使得待测有色玻璃图片信息与多类型有色玻璃的数据库进行特征比对，输出数据库中与待测有色玻璃图片的信息相似对最高的图像，其中，特征比对过程中采用欧几里得距离中的二维空间公式计算待测有色玻璃图片的随机点，如公式（1）：
（1）
式中和/>为待测有色玻璃图片中两随机点的坐标，/>为两随机点之间的距离，当/>近似等/>时，表明数据库中有类似待测有色玻璃图片的有色玻璃，选取多组随机点进行计算，选取数据库中颜色相似度最高的有色玻璃图片，/>为数据库有色玻璃图片中两随机点之间的距离，且/>的随机点与/>随机点所在图片中的位置相同，如图2和图3所示。最后，进行输出判断。在基于双通道融合的BP神经网络模型中设定一个判断阈值，判断阈值设定为0.95，当数据库中输出的有色玻璃图片的相似度不小于0.95，则直接输出数据库中的有色玻璃图片，获取有色玻璃信息；反之，再次进行图像检测。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (4)

1.一种基于特征融合的有色玻璃检测方法，其特征在于：包括以下步骤：
步骤一：数据库建立：获取大量不同有色玻璃图片信息，建立有色玻璃数据库，对待测有色玻璃图片进行图像清晰度处理，获取清晰的待测有色玻璃图像；
步骤二： BP神经网络建立：建立基于整体采样通道和局部采样通道的双道特征融合的BP神经网络模型；
步骤三：网络训练：通过多类型数量数据库对双道特征融合的BP神经网络模型进行训练，调整BP神经网络模型的参数值，确保BP神经网络模型输出值的正确性；
步骤四：图像检测：获取待测有色玻璃图片信息并将之输入至基于双通道融合的BP神经网络模型，使得待测有色玻璃图片信息与多类型有色玻璃的数据库进行特征比对，输出数据库中与待测有色玻璃图片的颜色信息相似度最高的图像，其中，特征比对过程中采用欧几里得距离中的二维空间公式计算待测有色玻璃图片的随机点，如公式（1）：
（1）
式中和/>为待测有色玻璃图片中两随机点的坐标，/>为两随机点之间的距离，当/>近似等/>时，表明数据库中有类似待测有色玻璃图片的有色玻璃，选取多组随机点进行计算，选取数据库中颜色相似度最高的有色玻璃图片，/>为数据库有色玻璃图片中两随机点之间的距离，且/>的随机点与/>随机点所在图片中的位置相同；
步骤五：输出判断：在基于双通道融合的BP神经网络模型中设定一个判断阈值，当数据库中输出的有色玻璃图片的颜色相似度不小于判断阈值，则直接输出数据库中的有色玻璃图片；反之，再次进行图像检测。
2.根据权利要求1所述的基于特征融合的有色玻璃检测方法，其特征在于：所述步骤二中整体采样通道由五层卷积层和五层池化层组成，所述五层卷积层均采用5*5的卷积核，所述五层池化层均采用最大池化，池化尺寸为2*2。
3.根据权利要求1所述的基于特征融合的有色玻璃检测方法，其特征在于：所述步骤二中局部采样通道由五层卷积层和五层池化层组成，所述五层卷积层均采用1*3卷积核和3*1卷积核堆叠形成的卷积层，所述池化层均采用最大池化，池化尺寸为2*2。
4.根据权利要求1所述的基于特征融合的有色玻璃检测方法，其特征在于：所述步骤五中判断阈值设定为0.95。
CN202110738022.8A 2021-06-30 2021-06-30 一种基于特征融合的有色玻璃检测方法 Active CN113420771B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110738022.8A CN113420771B (zh) 2021-06-30 2021-06-30 一种基于特征融合的有色玻璃检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110738022.8A CN113420771B (zh) 2021-06-30 2021-06-30 一种基于特征融合的有色玻璃检测方法

Publications (2)

Publication Number Publication Date
CN113420771A CN113420771A (zh) 2021-09-21
CN113420771B true CN113420771B (zh) 2024-04-19

Family

ID=77717385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110738022.8A Active CN113420771B (zh) 2021-06-30 2021-06-30 一种基于特征融合的有色玻璃检测方法

Country Status (1)

Country Link
CN (1) CN113420771B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095273A (zh) * 2014-05-12 2015-11-25 浙江理工大学 一种基于模糊bp神经网络的玻璃钢化的工艺参数设置方法
CN106686472A (zh) * 2016-12-29 2017-05-17 华中科技大学 一种基于深度学习的高帧率视频生成方法及系统
CN108647700A (zh) * 2018-04-14 2018-10-12 华中科技大学 基于深度学习的多任务车辆部件识别模型、方法和系统
CN109977968A (zh) * 2019-03-25 2019-07-05 合肥工业大学 一种深度学习分类后比较的sar变化检测方法
CN110610122A (zh) * 2019-07-09 2019-12-24 国网江苏省电力有限公司扬州供电分公司 输电设备可见光成像大数据人工智能检测诊断方法
CN110766046A (zh) * 2019-09-16 2020-02-07 华北电力大学 一种双通道卷积神经网络集成学习的空气质量测量方法
CN111539302A (zh) * 2020-04-20 2020-08-14 山东理工大学 基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105741835B (zh) * 2016-03-18 2019-04-16 腾讯科技（深圳）有限公司 一种音频信息处理方法及终端
CN110755076B (zh) * 2019-11-01 2023-08-11 上海联影医疗科技股份有限公司 磁共振扫描仪的图像采集方法、装置、设备和介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095273A (zh) * 2014-05-12 2015-11-25 浙江理工大学 一种基于模糊bp神经网络的玻璃钢化的工艺参数设置方法
CN106686472A (zh) * 2016-12-29 2017-05-17 华中科技大学 一种基于深度学习的高帧率视频生成方法及系统
CN108647700A (zh) * 2018-04-14 2018-10-12 华中科技大学 基于深度学习的多任务车辆部件识别模型、方法和系统
CN109977968A (zh) * 2019-03-25 2019-07-05 合肥工业大学 一种深度学习分类后比较的sar变化检测方法
CN110610122A (zh) * 2019-07-09 2019-12-24 国网江苏省电力有限公司扬州供电分公司 输电设备可见光成像大数据人工智能检测诊断方法
CN110766046A (zh) * 2019-09-16 2020-02-07 华北电力大学 一种双通道卷积神经网络集成学习的空气质量测量方法
CN111539302A (zh) * 2020-04-20 2020-08-14 山东理工大学 基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Deep learning computer vision for the separation of Cast- and Wrought-Aluminum scrap;Dillam Díaz-Romero等;《Resources, Conservation and Recycling》;20210528;全文 *
大视场光纤成像光谱仪光学系统研究;程欣;《全国优秀博硕士学位论文全文库(博士) 工程科技‖辑》;20120915;全文 *

Also Published As

Publication number Publication date
CN113420771A (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
CN109829891B (zh) 一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法
CN109670528B (zh) 面向行人重识别任务的基于成对样本随机遮挡策略的数据扩充方法
CN106951900B (zh) 一种避雷器仪表读数的自动识别方法
CN107169487B (zh) 基于超像素分割及深度特征定位的显著性目标检测方法
CN107248159A (zh) 一种基于双目视觉的金属工件缺陷检测方法
CN106339707B (zh) 一种基于对称性特征的仪表指针图像识别方法
CN110889398B (zh) 一种基于相似度网络的多模态图像能见度检测方法
CN106778526B (zh) 一种基于汉明距离的大规模高效人脸识别方法
CN112508098A (zh) 表盘定位与自动读数的指针式表计数值识别方法及系统
CN111652273B (zh) 一种基于深度学习的rgb-d图像分类方法
CN108615229B (zh) 基于曲率点聚类及决策树的碰撞检测优化方法
CN112967271B (zh) 一种基于改进DeepLabv3+网络模型的铸件表面缺陷识别方法
CN112465752A (zh) 一种基于改进的Faster R-CNN小目标检测方法
CN105300482A (zh) 基于图像处理的水表检定方法、装置及系统
CN114419413A (zh) 感受野自适应的变电站绝缘子缺陷检测神经网络构建方法
CN101968877A (zh) 一种双层圆弧的编码标记点设计方法
CN109815957A (zh) 一种基于彩色图像在复杂背景下的文字识别方法
CN110009019A (zh) 磁性材料裂纹智能检测系统及方法
CN111291818B (zh) 一种面向云掩膜的非均匀类别的样本均衡化方法
CN111383281A (zh) 一种基于rbf神经网络的摄像机标定方法
CN115423862A (zh) 一种遮挡条件下种苗叶面积测量方法
CN113724400B (zh) 一种面向倾斜摄影的多属性融合建筑物点云提取方法
CN113673534B (zh) 一种基于Faster RCNN的RGB-D图像果实检测方法
CN114241194A (zh) 一种基于轻量级网络的仪表识别及读数方法
CN113420771B (zh) 一种基于特征融合的有色玻璃检测方法

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
GR01 Patent grant
GR01 Patent grant