CN114240929A - 一种色差检测方法及装置 - Google Patents
一种色差检测方法及装置 Download PDFInfo
- Publication number
- CN114240929A CN114240929A CN202111628652.6A CN202111628652A CN114240929A CN 114240929 A CN114240929 A CN 114240929A CN 202111628652 A CN202111628652 A CN 202111628652A CN 114240929 A CN114240929 A CN 114240929A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- color
- sample set
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 238000013461 design Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims description 39
- 238000009826 distribution Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 28
- 239000003086 colorant Substances 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 11
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000004075 alteration Effects 0.000 description 17
- 239000013598 vector Substances 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 13
- 239000000919 ceramic Substances 0.000 description 12
- 238000004590 computer program Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种色差检测方法及装置,涉及色差检测技术领域,其技术方案要点是:包括:获取待检测图像以及与所述待检测图像对应的手工设计特征;将所述待检测图像以及所述手工设计特征分别输入至对应的网络中并以集成学习的方式输出结果。本申请提供的一种色差检测方法及装置具有色差检测精准的优点。
Description
技术领域
本申请涉及色差检测技术领域,具体而言,涉及一种色差检测方法及装置。
背景技术
瓷砖的色差检测一直是瓷砖表面质量检测过程中一个非常重要的内容,现有的大部分工作仍然是由人工目测完成的,其工作强度较大、易疲劳,同时其检测结果容易受到检测人员主观因素影响,缺乏准确性和规范性。因此,实现瓷砖色差的自动化检测是实现瓷砖自动化生产非常重要的一个组成部分。
对此,申请人提出了一种新的方案。
发明内容
本申请的目的在于提供一种色差检测方法及装置,具有色差检测精准的优点。
第一方面,本申请提供了一种色差检测方法,技术方案如下:
包括:
获取待检测图像以及与所述待检测图像对应的手工设计特征;
将所述待检测图像以及所述手工设计特征分别输入至对应的网络中并以集成学习的方式输出结果,对应的所述网络至少包括MLP和CNN,所述待检测图像输入至所述CNN,所述手工设计特征输入至所述MLP,经过所述CNN以及所述MLP输出结果。
利用待检测图像以及与待检测图像对应的手工设计特征进行检测,并且通过集成学习的方式输出结果,可以具备很高的检测精度,基于手工设计特征进行检测,可以充分利用图像的底层特征,例如颜色信息等,对于色差检测而言,这些底层特征至关重要,然而,如果仅仅只是采用手工设计特征进行检测,容易丢失图像中包含的大量的空间分布信息,会造成大量的特征损失,因此,在此基础上,还利用待检测图像进行检测,通过待检测图像进行检测可以很好地保留空间特征信息,避免信息丢失,将待检测图像以及对应的手工设计特征分别输入至对应的网络中进行预测,然后通过集成学习的方式来输出结果,通过两种方式进行互补,因此具有色差检测精准的有益效果。
进一步地,在本申请中,所述获取待检测图像以及与所述待检测图像对应的手工设计特征的步骤包括:
获取所述待检测图像;
根据所述待检测图像获取颜色分布直方图;
根据所述颜色分布直方图中颜色分布概率对颜色进行量化并选取主要颜色作为所述手工设计特征。
通过上述技术方案,可以减少数据处理,提高处理效率。
进一步地,在本申请中,所述根据所述待检测图像获取颜色分布直方图的步骤包括:
将所述待检测图像分割成多个区域;
获取多个所述区域的颜色分布直方图。
通过上述技术方案,可以减少数据处理,提高处理效率。
进一步地,在本申请中,根据所述颜色分布直方图中颜色分布概率对颜色进行量化并选取主要颜色作为所述手工设计特征的步骤包括:
将所述颜色分布直方图以一定的颜色区间进行划分;
以所述颜色区间内的颜色平均值或某一颜色值代表所述主要颜色作为所述手工设计特征。
进一步地,在本申请中,所述将所述待检测图像以及所述手工设计特征分别输入至对应的网络中并以集成学习的方式输出结果以后还包括:
对所述输出结果进行筛选;
筛选出满足条件的数据并将其加入至原样本集中对所述网络进行训练,并将训练后符合要求的所述网络替换原有的所述网络。
进一步地,在本申请中,所述对所述输出结果进行筛选的步骤包括:
获取所述输出结果中判断各色差的置信度;
选用判断各色差的所述置信度中的最大值不小于第一预设值的所述输出结果。
进一步地,在本申请中,所述选用判断各色差的所述置信度中的最大值大于第一预设值的所述输出结果的步骤包括:
获取所述置信度中的最大值与所述置信度中其余值的距离;
选用所述置信度中的最大值与所述置信度中其余值的最小距离大于第二预设值的所述输出结果。
进一步地,在本申请中,所述对所述输出结果进行筛选的步骤包括:
从所述原样本集中选出与所述输出结果一致的样本;
计算所述样本对应的所述手工设计特征以及所述输出结果对应的所述手工设计特征的特征距离;
选用特征距离小于第三预设值的所述输出结果。
进一步地,在本申请中,所述筛选出满足条件的数据并将其加入至原样本集中对所述网络进行训练,并将训练后符合要求的所述网络替换原有的所述网络的步骤包括:
满足条件的所述数据的数量达到第四预设值时形成新增样本集,使用所述原样本集以及所述新增样本集对所述网络进行训练,训练后使用所述原样本集进行测试并得到测试结果;
将测试结果符合要求的所述网络对原来的所述网络进行替换;
所述训练后使用所述原样本集进行测试并得到测试结果的步骤包括:
当测试结果不符合要求时,随机舍弃所述新增样本集中的数据,并重新进行训练和测试,直至测试结果符合要求或所述新增样本集中的数据全部被舍弃或舍弃次数达到第五预设值。
第二方面,本申请还提供一种色差检测装置,包括:
获取模块,用于获取待检测图像以及与所述待检测图像对应的手工设计特征;
处理模块,用于将所述待检测图像以及所述手工设计特征分别输入至对应的网络中并以集成学习的方式输出结果。
由上可知,本申请提供的一种色差检测方法及装置,利用待检测图像以及与待检测图像对应的手工设计特征进行检测,并且通过集成学习的方式输出结果,可以具备很高的检测精度,基于手工设计特征进行检测,可以充分利用图像的底层特征,例如颜色信息等,对于色差检测而言,这些底层特征至关重要,然而,如果仅仅只是采用手工设计特征进行检测,容易丢失图像中包含的大量的空间分布信息,会造成大量的特征损失,因此,在此基础上,还利用待检测图像进行检测,通过待检测图像进行检测可以很好的保留空间特征信息,避免信息丢失,将待检测图像以及对应的手工设计特征分别输入至对应的网络中进行预测,然后通过集成学习的方式来输出结果,通过两种方式进行互补,因此具有色差检测精准的有益效果。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
图1为本申请提供的一种色差检测方法流程图。
图2为本申请提供的一种色差检测装置结构示意图。
图3为本申请提供的一种电子设备结构示意图。
图4为本申请提供的神经网络工作流程示意图。
图5为本申请提供的扩充原样本集的流程图。
图6为本申请提供的更新神经网络参数的流程图。
图中:210、获取模块;220、处理模块;300、电子设备;310、处理器;320、存储器。
具体实施方式
下面将结合本申请中附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参照图1,第一方面,本申请提供了一种色差检测方法,技术方案具体包括:
S110、获取待检测图像以及与待检测图像对应的手工设计特征;
S120、将待检测图像以及所述手工设计特征分别输入至对应的网络中并以集成学习的方式输出结果,对应的网络至少包括MLP和CNN,待检测图像输入至CNN,手工设计特征输入至MLP,经过CNN以及MLP输出结果。
其中,集成学习的方式是指利用MLP网络和CNN网络综合输出结果,其输出结果的方式可以采用软投票法等方式。
其中,手工设计特征可以是待检测图像的颜色直方图、颜色的色度、饱和度、出现概率等等。
通过上述技术方案,利用待检测图像以及与待检测图像对应的手工设计特征进行检测,并且通过集成学习的方式输出结果,可以具备很高的检测精度,基于手工设计特征进行检测,可以充分利用待检测图像的底层特征,例如颜色信息等,对于色差检测而言,这些底层特征至关重要,然而,如果仅仅只是采用手工设计特征进行检测,容易丢失图像中包含的大量的空间分布信息,会造成大量的特征损失,因此,在此基础上,还利用待检测图像进行检测,通过待检测图像进行检测可以很好的保留空间特征信息,避免信息丢失,将待检测图像以及对应的手工设计特征分别输入至对应的网络中进行预测,然后通过集成学习的方式来输出结果,通过两种方式进行互补,因此具有色差检测精准的有益效果。
其中,如图4所示,手工设计特征可以输入至多层感知机(Multi-LayerPerception,MLP)中,多层感知机具有一个输入层、一个或多个隐藏层以及一个输出层,输入层的维度由输入的手工设计特征决定,其中,手工设计特征指的是根据统计学分析或其他图像领域常见特征提取算子,提取图像中的统计分析数据,这些数据可以表征图像中的中低级特征,例如图像的主要颜色、颜色空间分布、颜色直方图等等。多层感知机的输出层的维度是色差的分级个数,例如,输出层的维度是5,则代表输出的结果是5个色差中的一种,输出的结果为一维向量,一维向量被归化到0-1,代表属于不同色差的可能性,概率最大的则作为输出结果。
其中,待检测图像可以输入至一个基于卷积网络(Convolutional NeuralNetwork ,CNN)的深度学习分类网络,具体的,可以是VGG、ResNet等。这些网络具有一定层数的卷积神经层,可以通过不断的卷积和池化来逐步提取复杂的特征,其输出层为一个全连接层,全连接层的维度同样是色差的分级个数,其输出结果为一维向量,一维向量被归化到0-1,代表属于不同色差的可能性,概率最大的则作为输出结果。
具体的,基于MLP和CNN构建了一个集成学习的神经网络,两种网络的输出结果可以通过软投票法等方式来决定最终输出结果,例如,MLP输出的一维向量为[0.1,0.3,0.4,0.2,0.7],其代表着第一类色差的置信度为0.1、第二类色差的置信度为0.3、第三类色差的置信度为0.4、第四类色差的置信度为0.2、第五类色差的置信度为0.7,CNN输出的一维向量为[0.3,0.2,0.1,0.3,0.6],其代表着第一类色差的置信度为0.3、第二类色差的置信度为0.2、第三类色差的置信度为0.1、第四类色差的置信度为0.3、第五类色差的置信度为0.6,可以求出两个一维向量的平均结果,即[0.2,0.25,0.25,0.25,0.65],由上述两个网络可以得知,第五类色差的置信度最大,为0.65,即,输出的结果为第五类色差。当两个一维向量的平均结果的置信度有多个最大值时,可以随机选取一个作为输出结果,例如,当两个一维向量的平均结果为[0.2,0.25,0.25,0.6,0.6]时,输出的结果可以为第四类色差,也可以为第五类色差。
以MLP网络和CNN网络为基础构建了一个集成学习的神经网络以后,通过事先已标注好的数据,即原样本集对神经网络进行训练,在一定的训练周期后,通过训练效果调整集成学习中的参数,使这两种网络模型的单独分类结果达到最优,进而得到初始的神经网络模型,然后对瓷砖进行色差检测。
通过集成MLP和CNN两种网络模型,可以起到互补的作用,发挥了两种网络的优势,既可以通过图像中的底层属性来进行判断,还可以保留空间特征信息,同时,CNN也可以通过不断的局部卷积和滑窗、池化等操作,可以很好地提取出了局部和全局特征信息,因此可以使检测的结果非常准确。通过MLP网络可以定量地描述待检测图像的底层属性,具有很好的可解释性,通过CNN网络只需要输入二维的待检测图像,待检测图像的特征可以通过卷积网络自动学习,这种学习方式具有很强大特征表达能力,可以拟合很多比较复杂的纹理特征,因此可以对复杂场景更好的进行分类。
然而,在提取手工设计特征时,待检测图像中包含的颜色维度有很多,如果对所有的颜色维度进行提取,会导致运算量非常大,从而使效率变慢。但是,颜色维数的量化又会严重影响对颜色色差的判断,因为在很多时候,很多颜色的差别很小。
因此,进一步地,在其中一些实施例中,获取待检测图像以及与待检测图像对应的手工设计特征的步骤包括:
获取待检测图像;
根据待检测图像获取颜色分布直方图;
根据颜色分布直方图中颜色分布概率对颜色进行量化并选取主要颜色作为手工设计特征。
其中,待检测图像可以通过摄像机对生产线中的瓷砖进行直接拍照得到。
其中,主要颜色是指待检测图像中的主要占据的颜色,具体的,针对单色瓷砖而言,可以设置阈值,例如将占据99%的颜色作为主要颜色等。
通过上述技术方案,可以根据颜色分布直方图统计分析待检测图像中颜色的分布情况,具体的,可以通过颜色分布直方图拟合颜色分布概率曲线,然后根据颜色分布概率曲线对颜色的维度进行量化,根据颜色分布概率曲线进行采样,其分布概率大的部分,采样的概率也高,通过这种方式可以在降低颜色维度的同时,保证视觉观感一致,可以有效减少运算量。在选取主要颜色时,可以通过现有的主成分分析等数据降维的方法进行选取。
在瓷砖的色差检测过程中,色差不仅存在于不同的瓷砖之间,在同一块瓷砖的内部也会存在色差。
因此,进一步地,在其中一些实施例中,根据待检测图像获取颜色分布直方图的步骤包括:
将待检测图像分割成多个区域;
获取多个区域的颜色分布直方图。
通过上述技术方案,可以从待检测图像的多个区域进行判断,可以检测出瓷砖内部区域可能存在的色差。
具体的,可以通过设置灰度阈值等方式先判断待检测图像的边界,以便于准确定位,然后按区域提取待检测图像的主要颜色,例如,在600*600的待检测图像可以按照30*30的区域进行划分,可以划分出400个区域,以HSV颜色空间为例,其输入特征向量长度为1*1203,因此,在实际应用时需要根据待检测图像大小选取大小合理的区域,尽量减少特征向量的长度。
在提取完主要颜色后,主要颜色包含的颜色维度仍然可能过多,因此,需要进一步减少颜色维度。
因此,进一步地,在其中一些实施例中,根据颜色分布直方图中颜色分布概率对颜色进行量化并选取主要颜色作为手工设计特征的步骤包括:
将颜色分布直方图以一定的颜色区间进行划分;
以颜色区间内的颜色平均值或某一颜色值代表主要颜色作为手工设计特征。
通过上述技术方案,对主要颜色进行模糊化处理,可以将某一颜色区间的颜色值设为同一颜色值,具体的,可以以颜色区间内的颜色平均值或某一颜色值代表主要颜色,例如在0-50的颜色区间内,可以用25的颜色值代替0-50颜色区间内的所有颜色值,也可以在0-50的颜色区间内任选一个颜色值进行代表,这样可以有效减少颜色维度,提高效率,并且避免数据的冗余与波动给MLP的运行带来影响。
本申请提出的一种色差检测方法是基于MLP和CNN组成的集成神经网络对输入数据进行预测并得到预测结果,其中输入的数据包含了待检测图像以及与待检测图像对应的手工设计特征,集成的神经网络通过事先构建好的原样本集进行训练,得到一个初始模型后再对瓷砖色差进行检测,原样本集包含了手工设计特征数据集以及二维图像数据集,手工设计特征数据集将颜色信息作为因变量,将最终输出的色差等级作为标签,由此构建成手工设计特征数据集,需要注意的是,如果瓷砖的纹理变化包括色彩变化较为复杂时,可以增加提取的颜色信息数量,例如提取图像中概率最大的三种颜色或几种颜色,具体可根据瓷砖纹理进行分析。在检测单色的瓷砖中,可以只提取一种主要颜色信息。但是该方法可以扩展到复杂纹理的瓷砖色差检测中。二维图像数据集包含的是二维图像,为了增加数据的多样性,可以在神经网络进行训练时,对图像进行随机翻转、旋转等数据增强操作。
当原样本集构建完成后,根据机器学习的规则划分出测试集、验证集以及训练集。
除此之外,在瓷砖的色差检测的生产场景中,存在着大量新增的未标注的数据,如何利用这些数据来迭代更新网络也是一个重要的内容,然而,通过上述方法输出的检测结果仅仅只是一种预测结果,和实际的结果可能存在误差,因此不能直接将未标注的数据直接加入至原样本集中,否则有可能会引入错误的样本,通过训练反而会降低检测的精度。
因此,进一步地,如图5所示,在其中一些实施例中,将待检测图像以及手工设计特征分别输入至对应的网络中并以集成学习的方式输出结果以后还包括:
对输出结果进行筛选;
筛选出满足条件的数据并将其加入至原样本集中对网络进行训练,并将训练后符合要求的网络替换原有的所述网络。
具体的,将满足条件的数据加入至原样本集的训练集中。
具体的,对输出结果进行筛选的步骤包括:
获取输出结果中判断各色差的置信度;
选用判断各色差的置信度中的最大值不小于第一预设值的输出结果。
通过上述技术方案,首先对输出结果的置信度进行判断,当置信度的最大值小于第一预设值时,说明预测的结果并不可信,如果将这样的数据加入原样本集中,存在很高的风险,因此选用判断各色差的置信度中的最大值不小于第一预设值的输出结果,否则将该数据舍弃。
值得注意的是,输出结果是作为满足条件的数据的标签,满足条件的数据还包括与输出结果对应的输入。
具体的,例如输出的一维向量为[0.1,0.3,0.4,0.2,0.5],则表示第五类色差的可能性最大,其置信度为0.5,此时,第一预设值可以设为0.6,由于上述一维向量中的置信度的最大值为0.5,小于第一预设值0.6,则说明判断为第五类色差的把握并不是很高,因此有可能是出现判断错误的情况,所以将此数据舍弃,并不会将其加入至原样本集中,只有当置信度最大值不小于0.6时才会将对应的数据加入至原样本集中。
进一步地,在其中一些实施例中,选用判断各色差的置信度中的最大值大于第一预设值的输出结果的步骤包括:
获取置信度中的最大值与置信度中其余值的距离;
选用置信度中的最大值与置信度中其余值的最小距离大于第二预设值的输出结果。
通过上述技术方案,置信度之间的距离可以通过置信度的差值的绝对值表示,例如,当输出的一维向量为[0.1,0.3,0.6,0.2,0.7]时,第二预设值可以设为0.2,可以得知,上述的一维向量中表示第五类色差的可能性最大,置信度为0.7,其次为第三类色差,第三类色差的置信度为0.6,第五类色差与第三类色差的置信度差距很小,差距只有0.1,即,第五类色差的置信度与第三类色差的置信度的距离为0.1,差距没有大于第二预设值0.2,表明了其结果还很有可能是第三类色差,即,神经网络无法很明显的区分该输出结果属于哪一类色差,也就很容易出现误判的情况,将这种数据加入原样本集中可能会带来干扰,因此需要将其排除。选用置信度中的最大值与置信度中其余值的最小距离大于第二预设值的输出结果以确保不会带来负面影响,第二预设值可根据实际需求进行设置,第二预设值设置得越大,则要求神经网络对不同类别色差的判断能力越强。
进一步地,在其中一些实施例中,对输出结果进行筛选的步骤包括:
从原样本集中选出与输出结果一致的样本;
计算样本对应的手工设计特征以及输出结果对应的手工设计特征的特征距离;
选用特征距离小于第三预设值的输出结果。
通过上述技术方案,随机抽取原样本集中与该输出结果预测类别一致的样本,抽样的数量可根据原样本集的样本数量决定,按一定比例抽取或固定数量抽取均可。计算抽取的样本对应的手工设计特征与输出结果对应的手工设计特征的特征距离,特征距离的计算可以采用欧式特征空间计算公式进行计算,然后判断该特征距离是否小于第三预设值,如果不小于第三预设值,则证明输出结果与同类样本的特征差异较大,神经网络的预测可能存在偏差,则舍弃该数据,因此需要选用特征距离小于第三预设值的输出结果。其中,第三预设值可根据统计结果或人为进行设置。
通过上述对输出结果进行筛选,可以很好地筛选出符合要求的数据,避免错误数据的引入导致的对网络的训练及性能的影响。
在实际的生产线中会产生大量的新增数据,因此有足够的的样本可供筛选,而如果每当出现一个符合要求的数据就对网络进行训练,会导致网络训练过于频繁,并且新增的数据量少,其训练的意义也不大。
因此,进一步地,如图6所示,在本申请的一些实施例中,筛选出满足条件的数据并将其加入至原样本集中对网络进行训练,并将训练后符合要求的网络替换原有的网络的步骤包括:
满足条件的数据的数量达到第四预设值时形成新增样本集,使用原样本集以及新增样本集对网络进行训练,训练后使用原样本集进行测试并得到测试结果;
具体的,使用原样本集中的训练集以及新增样本集对网络进行训练,对网络训练后,使用的原样本集中的测试集对训练后的网络进行测试。
将测试结果符合要求的网络对原来的网络进行替换;
训练后使用原样本集进行测试并得到测试结果的步骤包括:
当测试结果不符合要求时,随机舍弃所述新增样本集中的数据,并重新进行训练和测试,直至测试结果符合要求或新增样本集中的数据全部被舍弃。
通过上述技术方案,当满足条件的数据的数量达到第四预设值时,可以启动新的线程对神经网络进行训练,具体的,第四预设值可以设为500,即,当出现500个满足条件的数据以后,可以启动新的线程对神经网络进行训练,然而,由于数据分布变化、数据筛选存在噪声等各种因素,有可能导致新增样本集有可能会对网络的训练产生负面影响,因此不能直接将新增样本集直接加入原样本集中,而是需要在新增样本集和原样本集对网络进行训练后,通过原样本集对训练后的网络进行测试并得到测试结果,测试是在原样本集的测试集上进行。然后根据测试结果判断新增样本集对网络的性能是否有提升,当新增样本集对网络的性能有提升时,将原网络模型参数进行替换,并将新增样本集加入原样本集的训练集中,形成具有新增样本的训练集。
当测试结果不符合要求时,即新增样本集没有给网络的性能带来提升时,则随机舍弃新增样本集中的数据,并重新进行训练和测试,直至测试结果符合要求或新增样本集中的数据全部被舍弃。
具体的,重新进行测试的过程为使用舍弃部分数据后的新增样本集以及原样本集的训练集对网络进行训练,训练后再通过原样本集中的测试集对训练后的网络进行测试,直至测试结果符合要求,如果不符合要求则继续舍弃新增样本集的数据,并循环上述过程。
在另外一些实施方式中,也可以设置第五预设值,当新增样本集随机舍弃次数达到第五预设值时,则停止测试,并将新增样本集全部舍弃,等待下一次的测试。
第二方面,参照图2,本申请还提供一种色差检测装置,包括:
获取模块210,用于获取待检测图像以及与待检测图像对应的手工设计特征;
处理模块220,用于将待检测图像以及手工设计特征分别输入至对应的网络中并以集成学习的方式输出结果。
通过上述技术方案,处理模块220利用获取模块210获取的待检测图像以及与待检测图像对应的手工设计特征进行检测,并且通过集成学习的方式输出结果,可以具备很高的检测精度,基于手工设计特征进行检测,可以充分利用图像的底层特征,例如颜色信息等,对于色差检测而言,这些底层特征至关重要,然而,如果仅仅只是采用手工设计特征进行检测,容易丢失图像中包含的大量的空间分布信息,会造成大量的特征损失,因此,在此基础上,还利用待检测图像进行检测,通过待检测图像进行检测可以很好的保留空间特征信息,避免信息丢失,将待检测图像以及对应的手工设计特征分别输入至对应的网络中进行预测,然后通过集成学习的方式来输出结果,通过两种方式进行互补,因此具有色差检测精准的有益效果。
在一些其它的优选实施方式中,采用该色差检测装置执行上述的色差检测方法。
第三方面,参照图3,本申请还提供一种电子设备300,包括处理器310以及存储器320,存储器320存储有计算机可读取指令,当计算机可读取指令由处理器310执行时,运行上述方法中的步骤。
通过上述技术方案,处理器310和存储器320通过通信总线和/或其他形式的连接机构(未标出)互连并相互通讯,存储器320存储有处理器310可执行的计算机程序,当计算设备运行时,处理器310执行该计算机程序,以执行时执行上述实施例的任一可选的实现方式中的方法,以实现以下功能:获取待检测图像以及与待检测图像对应的手工设计特征;将待检测图像以及手工设计特征分别输入至对应的网络中并以集成学习的方式输出结果。
第四方面,本申请还提供一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时,运行上述方法中的步骤。
通过上述技术方案,计算机程序被处理器执行时,执行上述实施例的任一可选的实现方式中的方法,以实现以下功能:获取待检测图像以及与待检测图像对应的手工设计特征;将待检测图像以及手工设计特征分别输入至对应的网络中并以集成学习的方式输出结果。
其中,存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory, 简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory, 简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory, 简称EPROM),可编程只读存储器(Programmable Red-Only Memory, 简称PROM),只读存储器(Read-OnlyMemory, 简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种色差检测方法,其特征在于,包括:
获取待检测图像以及与所述待检测图像对应的手工设计特征;
将所述待检测图像以及所述手工设计特征分别输入至对应的网络中并以集成学习的方式输出结果,对应的所述网络至少包括MLP和CNN,所述待检测图像输入至所述CNN,所述手工设计特征输入至所述MLP,经过所述CNN以及所述MLP输出结果。
2.根据权利要求1所述的一种色差检测方法,其特征在于,所述获取待检测图像以及与所述待检测图像对应的手工设计特征的步骤包括:
获取所述待检测图像;
根据所述待检测图像获取颜色分布直方图;
根据所述颜色分布直方图中颜色分布概率对颜色进行量化并选取主要颜色作为所述手工设计特征。
3.根据权利要求2所述的一种色差检测方法,其特征在于,所述根据所述待检测图像获取颜色分布直方图的步骤包括:
将所述待检测图像分割成多个区域;
获取多个所述区域的颜色分布直方图。
4.根据权利要求2所述的一种色差检测方法,其特征在于,所述根据所述颜色分布直方图中颜色分布概率对颜色进行量化并选取主要颜色作为所述手工设计特征的步骤包括:
将所述颜色分布直方图以一定的颜色区间进行划分;
以所述颜色区间内的颜色平均值或某一颜色值代表所述主要颜色作为所述手工设计特征。
5.根据权利要求1所述的一种色差检测方法,其特征在于,所述将所述待检测图像以及所述手工设计特征分别输入至对应的网络中并以集成学习的方式输出结果以后还包括:
对所述输出结果进行筛选;
筛选出满足条件的数据并将其加入至原样本集中对所述网络进行训练,并将训练后符合要求的所述网络替换原有的所述网络。
6.根据权利要求5所述的一种色差检测方法,其特征在于,所述对所述输出结果进行筛选的步骤包括:
获取所述输出结果中判断各色差的置信度;
选用判断各色差的所述置信度中的最大值不小于第一预设值的所述输出结果。
7.根据权利要求6所述的一种色差检测方法,其特征在于,所述选用判断各色差的所述置信度中的最大值大于第一预设值的所述输出结果的步骤包括:
获取所述置信度中的最大值与所述置信度中其余值的距离;
选用所述置信度中的最大值与所述置信度中其余值的最小距离大于第二预设值的所述输出结果。
8.根据权利要求5所述的一种色差检测方法,其特征在于,所述对所述输出结果进行筛选的步骤包括:
从所述原样本集中选出与所述输出结果一致的样本;
计算所述样本对应的所述手工设计特征以及所述输出结果对应的所述手工设计特征的特征距离;
选用特征距离小于第三预设值的所述输出结果。
9.根据权利要求5所述的一种色差检测方法,其特征在于,所述筛选出满足条件的数据并将其加入至原样本集中对所述网络进行训练,并将训练后符合要求的所述网络替换原有的所述网络的步骤包括:
满足条件的所述数据的数量达到第四预设值时形成新增样本集,使用所述原样本集以及所述新增样本集对所述网络进行训练,训练后使用所述原样本集进行测试并得到测试结果;
将测试结果符合要求的所述网络对原来的所述网络进行替换;
所述训练后使用所述原样本集进行测试并得到测试结果的步骤包括:
当测试结果不符合要求时,随机舍弃所述新增样本集中的数据,并重新进行训练和测试,直至测试结果符合要求或所述新增样本集中的数据全部被舍弃或舍弃次数达到第五预设值。
10.一种色差检测装置,其特征在于,包括:
获取模块,用于获取待检测图像以及与所述待检测图像对应的手工设计特征;
处理模块,用于将所述待检测图像以及所述手工设计特征分别输入至对应的网络中并以集成学习的方式输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111628652.6A CN114240929A (zh) | 2021-12-28 | 2021-12-28 | 一种色差检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111628652.6A CN114240929A (zh) | 2021-12-28 | 2021-12-28 | 一种色差检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114240929A true CN114240929A (zh) | 2022-03-25 |
Family
ID=80764141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111628652.6A Pending CN114240929A (zh) | 2021-12-28 | 2021-12-28 | 一种色差检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114240929A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116343708A (zh) * | 2023-05-30 | 2023-06-27 | 深圳市深远通科技有限公司 | 一种消除动态图像色彩偏移的方法及系统 |
-
2021
- 2021-12-28 CN CN202111628652.6A patent/CN114240929A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116343708A (zh) * | 2023-05-30 | 2023-06-27 | 深圳市深远通科技有限公司 | 一种消除动态图像色彩偏移的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108090902B (zh) | 一种基于多尺度生成对抗网络的无参考图像质量客观评价方法 | |
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
US10474874B2 (en) | Applying pixelwise descriptors to a target image that are generated by segmenting objects in other images | |
CN107665492B (zh) | 基于深度网络的结直肠全景数字病理图像组织分割方法 | |
US10438096B2 (en) | Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring | |
US9740957B2 (en) | Learning pixel visual context from object characteristics to generate rich semantic images | |
CN111598881A (zh) | 基于变分自编码器的图像异常检测方法 | |
CN111738064B (zh) | 一种雾霾图像的雾浓度识别方法 | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
CN109872335A (zh) | 一种用于pd-l1抗体染色切片的自动读片方法及其系统 | |
US20230148321A1 (en) | Method for artificial intelligence (ai) model selection | |
CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
CN111160451A (zh) | 一种柔性材料检测方法及其储存介质 | |
CN112183557A (zh) | 基于胃癌组织病理图像纹理特征的msi预测模型构建方法 | |
CN112819821A (zh) | 一种细胞核图像检测方法 | |
CN103366373B (zh) | 基于模糊相容图的多时相遥感影像变化检测方法 | |
CN113674862A (zh) | 一种基于机器学习的急性肾功能损伤发病预测方法 | |
CN113657449A (zh) | 一种含噪标注数据的中医舌象腐腻分类方法 | |
CN113222062A (zh) | 烟叶分类的方法、装置和计算机可读取介质 | |
CN114240929A (zh) | 一种色差检测方法及装置 | |
CN117315379B (zh) | 面向深度学习的医学影像分类模型公平性评估方法及装置 | |
CN114580501A (zh) | 骨髓细胞分类方法、系统、计算机设备及存储介质 | |
CN112088296A (zh) | 用于检测细胞学样品中的具有至少一个异常的细胞的方法 | |
CN111340098B (zh) | 基于鞋印图像的STA-Net年龄预测方法 | |
CN113516025B (zh) | 一种基于模型构建的高光谱图像处理方法、设备及介质 |
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 |