CN114494739B

CN114494739B - 基于人工智能的色粉混合效果检测方法

Info

Publication number: CN114494739B
Application number: CN202210100888.0A
Authority: CN
Inventors: 金松; 胡万柱
Original assignee: Suqian Tengan New Building Materials Co ltd
Current assignee: Suqian Tengan New Building Materials Co ltd
Priority date: 2022-01-27
Filing date: 2022-01-27
Publication date: 2022-09-23
Anticipated expiration: 2042-01-27
Also published as: CN114494739A

Abstract

本发明涉及色粉混合技术领域，具体涉及基于人工智能的色粉混合效果检测方法。方法包括：获取注塑加工过程中待检测色粉混合图像；根据各种色粉对应的RGB值与待检测色粉混合图像各像素点对应的RGB值得到待检测色粉混合图像各像素点对应的混合向量；根据待检测色粉混合图像中各像素点对应的混合向量计算各像素点对应的混合程度，判断各像素点对应的混合程度的是否大于均匀阈值，若大于，则判定对应像素点为混合均匀的像素点；计算待检测色粉混合图像中混合均匀的像素点所占的比例，若比例大于设定比例阈值，则判定色粉混合均匀。本发明利用各像素点对应的混合向量，使色粉能够快速混合均匀。

Description

基于人工智能的色粉混合效果检测方法

技术领域

本发明涉及色粉混合技术领域，具体涉及基于人工智能的色粉混合效果检测方法。

背景技术

在注塑加工过程中，色差是注塑件常见的缺陷，因配套件色差造成的注塑件成批报废的情况经常出现；其中塑料母料和色粉混合的均匀程度对注塑产品颜色有直接影响，若色粉混合的不均匀就会导致到的注塑产品存在色差或是颜色分布不均匀；为了保障注塑成品的合格率，需要对色粉混合过程进行检测，判断色粉混合是否均匀，以确保色粉混合的效果。

现有方法直接通过色粉混合后的目标颜色来判断色粉混合是否均匀，这种方法虽然可以判断出色粉混合不均匀的情况，但是，在色粉混合不均时无法准确判断出能够使色粉快速混合均匀的搅拌方向，导致色粉不能快速达到混合均匀的状态，效率较低。

发明内容

为了解决现有方法存在的不能使色粉快速混合均匀的问题，本发明的目的在于提供一种基于人工智能的色粉混合效果检测方法，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于人工智能的色粉混合效果检测方法包括以下步骤：

获取注塑加工过程中的待检测色粉混合图像；

根据各种色粉对应的RGB值与待检测色粉混合图像各像素点对应的RGB值得到待检测色粉混合图像各像素点对应的各种色粉的比例，记为混合向量；

根据待检测色粉混合图像中各像素点对应的混合向量计算各像素点对应的混合程度，判断各像素点对应的混合程度的是否大于均匀阈值，若大于，则判定对应像素点为混合均匀的像素点；

计算待检测色粉混合图像中混合均匀的像素点所占的比例，若比例大于设定比例阈值，则判定色粉混合均匀。

优选的，根据各种色粉对应的RGB值与待检测色粉混合图像各像素点对应的RGB值得到待检测色粉混合图像各像素点对应的各种色粉的比例，包括：

获取各种色粉对应的R通道的值，构建R通道向量；

将R通道向量作为各像素点的像素值，得到与待检测色粉混合图像等大的第一通道图像；

获取各种色粉对应的G通道的值，构建G通道向量；

将G通道向量作为各像素点的像素值，得到与待检测色粉混合图像等大的第二通道图像；

获取各种色粉对应的B通道的值，构建B通道向量；

将B通道向量作为各像素点的像素值，得到与待检测色粉混合图像等大的第三通道图像；

将第一通道图像、第二通道图像、第三通道图像和待检测色粉混合图像输入到训练好的混合向量图生成网络中，得到待检测色粉混合图像对应的混合向量图，所述混合向量图中各像素点的像素值为待检测色粉混合图像中对应像素点的混合向量。

优选的，将第一通道图像、第二通道图像、第三通道图像和待检测色粉混合图像输入到训练好的混合向量图生成网络中，得到待检测色粉混合图像对应的混合向量图，包括：

构建初始混合向量图；

将第一通道图像、第二通道图像、第三通道图像、初始混合向量图和待检测色粉混合图像输入到训练好的混合向量图生成网络中；

根据第一通道图像中各像素点对应的R通道向量与初始混合向量图中对应像素点对应的初始混合向量，得到各像素点的R通道的值；

根据第二通道图像中各像素点对应的G通道向量与初始混合向量图中对应像素点对应的初始混合向量，得到各像素点的G通道的值；

根据第三通道图像中各像素点对应的B通道向量与初始混合向量图中对应像素点对应的初始混合向量，得到各像素点的B通道的值；

根据各像素点对应的R通道的值、G通道的值和B通道的值，得到色粉混合对比图像；

利用训练好的混合向量图生成网络中的编码器对所述色粉混合对比图像进行特征提取得到第一颜色特征；利用训练好的混合向量图生成网络中的编码器对待检测色粉混合图像进行特征提取得到第二颜色特征；

将第一颜色特征与第二颜色特征进行对比，若第一颜色特征与第二颜色特征相同，则将初始混合向量图作为网络输出的待检测色粉混合图像对应的混合向量图；

若第一颜色特征与第二颜色特征不相同，则更新初始混合向量图，得到更新后的色粉混合对比图像，若更新后的色粉混合对比图像对应的颜色特征与第二颜色特征相同，则将更新后的初始混合向量图作为网络输出的待检测色粉混合图像对应的混合向量图。

优选的，混合向量图生成网络的训练过程包括：

获取历史第一通道图像、历史第二通道图像、历史第三通道图像、历史初始混合向量图和历史待检测色粉混合图像；

利用混合向量图生成网络中的编码器搭建分类网络，所述分类网络用于对混合向量图生成网络中的编码器进行训练；

将历史粉混合图像作为训练集，将各历史粉混合图像对应的色粉混合等级作为标签数据对分类网络进行训练；

将训练好的编码器的参数冻结，将历史第一通道图像、历史第二通道图像、历史第三通道图像、历史初始混合向量图和历史待检测色粉混合图像作为训练集对混合向量图生成网络进行训练。

优选的，对混合向量图生成网络进行训练的损失函数为：

其中，Loss为混合向量图生成网络的损失函数值，F_c(I′_new)为编码器提取到的色粉混合对比图像的第c层特征图，F_c(I_new)为编码器提取到的待检测色粉混合图像的第c层特征图，G_i,j为初始混合向量图中像素点(i,j)对应的M维高斯分布函数，N(μ_i,j,Σ)为像素点(i,j)对应的M维标准高斯分布，μ_i,j为像素点(i,j)处M维混合向量，Σ为M行、M列且各元素值为1的矩阵，A为特征图的数量，W为色粉混合对比图像的宽，H为色粉混合对比图像的高，M为色粉的种类数量，I′_new为色粉混合对比图像，I_new为待检测色粉混合图像，KL()为KL散度。

优选的，待检测色粉混合图像中各像素点对应的混合程度的计算公式为：

其中，ρ_i,j为像素点(i,j)对应的混合程度，

为像素点(i,j)对应的混合向量中第k个维度的数值，α_k为色粉比例向量中第k个维度的值，所述色粉比例向量为加入的各种色粉的比例构成的向量。

优选的，所述获取注塑加工过程中的待检测色粉混合图像：

获取注塑加工过程中的初始待检测色粉混合图像；

利用高斯滤波对初始待检测色粉混合图像进行去噪处理，得到中间待检测色粉混合图像；

利用Retinex网络对中间待检测色粉混合图像进行处理，得到待检测色粉混合图像。

本发明具有如下有益效果：

本发明通过对注塑加工过程中各种色粉对应的RGB值与待检测色粉混合图像各像素点对应的RGB值得到待检测色粉混合图像各像素点对应的混合向量，然后判断待检测色粉混合图像中各像素点对应的混合程度是否大于均匀阈值，若大于，则判定对应像素点为混合均匀的像素点，最后根据检测色粉混合图像中混合均匀的像素点所占的比例判定色粉是否混合均匀。本发明利用各像素点对应的混合向量，判断色粉是否混合均匀，若色粉未混合均匀，可以根据混合向量来判断搅拌的方向，从而使色粉能够快速混合均匀。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。

图1为本发明一个实施例所提供的一种基于人工智能的色粉混合效果检测方法的流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功能效果，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的色粉混合效果检测方法进行详细说明如下。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于人工智能的色粉混合效果检测方法的具体方案。

基于人工智能的色粉混合效果检测方法实施例：

如图1所示，本实施例的一种基于人工智能的色粉混合效果检测方法包括以下步骤：

步骤S1，获取注塑加工过程中的待检测色粉混合图像。

为了对色粉混合情况进行检测，本实施例获取了注塑加工过程中需要检测的色粉混合后的图像，具体为：

本实施例利用相机对当前混合容器中的混合后的色粉进行图像采集，将采集到的图像记为初始待检测色粉混合图像。为了避免采集到初始待检测色粉混合图像受外界环境的影响，比如光照不均匀以及相机硬件产生的固有噪音等使得采集到的图像中各像素点的像素值与真实值存在偏差，本实施还对采集到的初始待检测色粉混合图像进行预处理，去除外界因素对图像的影响，以保障后续混合向量的准确性，具体为：本实施例首先利用3×3的高斯滤波对初始待检测色粉混合图像进行处理，以去除图像中的噪声，得到的图像记为中间待检测色粉混合图像；进一步利用Retinex网络对去噪后的中间待检测色粉混合图像进行处理，得到光照归一化的图像记为待检测色粉混合图像；待检测色粉混合图像中的像素值去除了噪声以及光照的影响后，可以保障后续获取各像素点对应的混合向量的准确性。本实施例中采集到的图像为RGB图像。

步骤S2，根据各种色粉对应的RGB值与待检测色粉混合图像各像素点对应的RGB值得到待检测色粉混合图像各像素点对应的各种色粉的比例，记为混合向量。

在色粉混合场景下，采集到的图像的颜色特征为不同颜色的色粉混合的结果，不同的色粉混合程度会使图像中各像素点呈现不同的像素值，但直接通过色粉混合后的目标颜色来判断色粉混合是否均匀，这种方法虽然也能够判断色粉混合是否均匀，但是，在色粉混合不均匀时无法准确判断出能够使色粉快速混合均匀的搅拌方向，效率较低。

考虑到上述情况，本实施例采用定量分析的方法，通过获取待检测色粉混合图像各像素点对应的混合向量来对各像素点色粉的混合情况进行分析，本实施中各像素点对应的混合向量为该像素点对应区域内各种色粉的混合比例，可以反映出各像素点对应区域哪些色粉少，哪些色粉多。混合向量的维度为加入的色粉的种类，若有共有M种色粉，则混合向量就是一个M维向量，即1行M列的向量；本实施例中混合向量各元素之和为1，即各元素为各色粉在整体中的概率。

本实施例中步骤S1得到的待检测色粉混合图像中每一个像素点都对应真实空间中的一个区域，待检测色粉混合图像中各像素点的像素值为不同种类色粉共同作用的结果，因此加入的不同种类色粉的比例不同，则像素点的像素值也不同。

本实施例中每一种色粉对应一个三通道的颜色特征，三通道分别为R通道、G通道和B通道；本实施例中待检测色粉混合图像中各像素点的像素值可以由待检测色粉混合图像各像素点对应的混合向量与各种色粉对应的颜色特征的内积得到，其中像素点j的像素值为：

其中，

为像素点j对应的1行M列的混合向量，Y_(3×M)为M种色粉构成的颜色特征矩阵，

为像素点j对应的像素值，

为Y_(3×M)的转置，也可以写作Y_(M×3)。

本实施例中色粉颜色特征为1行3列的向量，分别对应着RGB三个颜色通道，因此Y_(M×3)中第一列为各种色粉对应的R通道的值，第二列为各种色粉对应的G通道的值,第三列为各种色粉对应的B通道的值。上式中混合向量

是未知的，本实施例的目的是得到色粉混合图中各像素点对应的混合向量。

为了得到色粉混合图中各像素点对应的混合向量，本实施例构建了混合向量图生成网络，通过不断迭代的方法来获取待检测色粉混合图像各像素点对应的混合向量。本实施例所构建的混合向量图生成网络的输入为各种色粉所对应的RGB三个通道的值以及步骤S1获取到的待检测色粉混合图像；本实施例中各种色粉所对应的RGB三个通道的值经过处理后输入到网络中，具体处理过程为：

将各种色粉颜色特征中R通道的数值提取出来，然后按照人为设定的顺序进行排列，得到1行M列的R通道向量，然后将R通道向量作为各像素点的像素值，得到与待检测色粉混合图像等大的第一通道图像T_R；同理将各种色粉颜色特征中G通道的数值提取出来，然后按照人为设定的顺序进行排列，得到1行M列的G通道向量，然后将G通道向量作为各像素点的像素值，得到与待检测色粉混合图像等大的第二通道图像T_G；将各种色粉颜色特征中B通道的数值提取出来，然后按照人为设定的顺序进行排列，得到1行M列的B通道向量，然后将B通道向量作为各像素点的像素值，得到与待检测色粉混合图像等大的第三通道图像T_B。本实施例中第一通道图像、第二通道图像和第三通道图像的尺寸为W×H×M，M为图像的维度，这些图像均由W×H个像素值相同的像素点构成的，并对应着待检测色粉混合图像中W×H个像素点，即通道图像与待检测色粉混合图像等大。

本实施例为了获得各像素点的混合向量，构建了混合向量图生成网络，本实施例中由混合向量图生成网络得到各像素点的混合向量的过程包括：

首先构建尺寸同样为W×H×M的初始混合向量图，初始混合向量图中各像素点的像素值为初始混合向量即M种色粉的初始比例，混合向量图生成网络通过不断对初始混合向量图中各像素点的初始混合向量进行迭代更新，得到与待检测色粉混合图像相符的混合向量图，具体为：

本实施例将第一通道图像、第二通道图像、第三通道图像、初始混合向量图和待检测色粉混合图像输入到训练好的混合向量图生成网络中，然后根据所述的得到各像素点的像素值的公式，本实施例将初始混合向量图中各像素点对应的初始混合向量与第一通道图像中对应像素点的R通道向量求内积，得到各像素点对应的R通道的值；将初始混合向量图中各像素点对应的初始混合向量与第二通道图像中对应像素点的G通道向量求内积，得到各像素点对应的G通道的值；将初始混合向量图中各像素点对应的初始混合向量与第三通道图像中对应像素点的B通道向量求内积，得到各像素点对应的B通道的值。

本实施例根据第一通道图像、第二通道图像、第三通道图像与初始混合向量图得到的各像素点对应的R、G、B三个通道的值，即各像素点对应的颜色特征，构建出色粉混合对比图像。所述色粉混合对比图像用于与待检测色粉混合图像进行比对，从而判断出初始混合向量图中各像素点对应的混合向量是否符合待检测色粉混合图像中各像素点实际对应的混合向量。

然后将色粉混合对比图像与待检测色粉混合图像分别输入到混合向量图生成网络中的编码器(Encoder)中进行特征提取，本实施例将从色粉混合对比图像提取到的特征记为第一颜色特征，将从待检测色粉混合图像提取到的特征记为第二颜色特征，混合向量图生成网络将提取到的第一颜色特征和第二颜色特征进行对比，若第一颜色特征与第二颜色特征相同，则将初始混合向量图作为网络输出的待检测色粉混合图像对应的混合向量图；

若第一颜色特征与第二颜色特征不相同，则对初始混合向量图进行更新，并根据第一通道图像、第二通道图像、第三通道图像与更新后的初始混合向量图，得到更新后的色粉混合对比图像，再次将更新后的色粉混合对比图像对应的颜色特征与第二颜色特征进行比较，直到更新后的色粉混合对比图像对应的颜色特征与第二颜色特征相同为止，将最终的初始混合向量图作为网络输出的待检测色粉混合图像对应的混合向量图。本实施例中混合向量图生成网络通过不断优化初始混合向量图中的参数，使得到的色粉混合对比图像与待检测色粉混合图像相同，以得到待检测色粉混合图像中各位置的混合向量。

本实施例中混合向量图生成网络的结构为Encoder结构，其中Encoder用于对输入的图像进行特征提取，输入为第一通道图像、第二通道图像、第三通道图像、初始混合向量图和待检测色粉混合图像。本实施例中混合向量图生成网络的训练过程为：

为了保障Encoder可以准确的提取到图像中的颜色特征，本实施首先对Encoder进行训练，具体为：首先搭建结构为Encoder+FC的分类网络，训练集为历史采集到的多张待检测色粉混合图像，标签数据为人为凭主观直觉得到的色粉混合等级(例如，将色粉混合等级分为0、1、2等)，利用交叉熵函数来完成对该分类网络的训练，从而确定Encoder中的参数。

Encoder训练完成后，将训练好的Encoder中的参数冻结作为混合向量图生成网络的特征提取器，再利用获取到的历史第一通道图像、历史第二通道图像、历史第三通道图像、历史初始混合向量图和历史待检测色粉混合图像作为训练集对混合向量图生成网络进行训练，本实施例中训练混合向量图生成网络的损失函数为：

目的是为了约束了色粉混合对比图像与待检测色粉混合图像中颜色特征的一致性。

KL(G_i,j,N(μ_i,j,Σ))表示像素点(i,j)邻域范围内M维高斯函数G_i,j与像素点(i,j)处M维标准高斯分布的差异，目的是为了约束生成的混合向量图。本实施例中每一个像素点的邻域大小为5×5，且M维高斯函数G_i,j可以利用现有的EM算法获得；本实施例考虑到待检测色粉混合图像中每一个像素点邻域内的色粉混合向量的差异与距离成正相关关系，即与中心像素点距离越近则色粉混合程度越相近，因此真实情况下混合向量图中每一像素点的邻域内的M维高斯分布满足该像素点对应的M维标准高斯分布。

本实施例利用梯度下降法不断更新混合向量图中各参数的值，当损失函数的数值不再变化时表示得到的混合向量图最优。

步骤S3，根据待检测色粉混合图像中各像素点对应的混合向量计算各像素点对应的混合程度，判断各像素点对应的混合程度的是否大于均匀阈值，若大于，则判定对应像素点为混合均匀的像素点。

本实施例考虑到当色粉混合效果达到最佳即色粉混合均匀时，对应的色粉混合图中各像素点对应的混合向量应该与实际加入的各种色粉的比例相似；而当色粉混合不均匀时，色粉混合图中各像素点对应的混合向量与实际加入的各种色粉的比例相差较大。

本实施例中在进行色粉混合时，由于加入的M种色粉的比例不同，其混合效果达到最佳时对应的混合向量的取值也是不同的，本实施例将色粉加入的比例记为色粉比例向量[α₁:α₂:α₃:…:α_M]，色粉比例向量中各元素之和为1；当色粉混合效果达到最佳时，各像素点对应的混合向量应该与色粉比例向量相近。

本实施例利用混合向量的熵与色粉比例向量的熵来反映各像素点的混合程度。为了令熵可以反应不同种类色粉的占比，将不同色粉的类别标签参与熵的计算，从而得到自定义熵；本实施例利用混合向量的自定义熵表征各位置的混合程度，当混合向量与色粉比例向量越相近时，混合程度越大；当混合向量与色粉比例向量相差越大时，混合程度越小。本实施例中像素点(i,j)对应的混合程度ρ_i,j的计算公式为：

其中，ρ_i,j为像素点(i,j)对应的混合程度，ρ_i,j的取值范围为[0,1]，ρ_i,j越大说明像素点(i,j)对应的区域混合的越好，

为像素点(i,j)对应的混合向量中第k个维度的值，α_k为色粉比例向量中第k个维度的值。

本实施例中，将得到的各像素点对应的混合程度与均匀阈值进行比较，若混合程度大于均匀阈值，则判定对应像素点对应的区域混合均匀；若混合程度小于等于均匀阈值，则判定对应像素点对应的区域未混合均匀。本实施例将混合均匀的像素点对应位置的像素值设置为0，将混合不均匀的像素点对应位置的像素值设置为1，得到混合程度图。

本实施例将均匀阈值设置为0.9，具体可根据实际需要对均匀阈值进行设置。

步骤S4，计算待检测色粉混合图像中混合均匀的像素点所占的比例，若比例大于设定比例阈值，则判定色粉混合均匀。

本实施例中步骤S3构建了反映色粉混合图混合情况的混合程度图，混合程度图像中像素值为1的区域为混合不均匀的区域，本实施例根据混合程度图中混合程度达标的区域所占比，来对色粉混合效果进行检测，若检测结果若大于比例阈值，则说明当前色粉混合均匀；若检测结果小于等于比例阈值，则说明当前色粉未混合均匀，色粉需要进一步混合。

若色粉未混合均匀，操作人员可根据得到的混合向量图中各像素点对应的混合向量判断不均匀的位置的色粉比例，从而判断出后续进行搅拌时往哪个方向搅拌，从而使得色粉能够更加快速的混合均匀。

本实施中对色粉混合效果进行检测得到检测结果的计算公式为：

其中，Sc为检测结果，s(1)为像素值为1的像素点所占的面积，Sc的取值范围为[0,1]。检测结果的数值越大表示色粉混合的结果越好。本实施例将比例阈值设置为0.8，具体可根据实际需要进行设置。

本实施例通过对注塑加工过程中各种色粉对应的RGB值与待检测色粉混合图像各像素点对应的RGB值得到待检测色粉混合图像各像素点对应的混合向量，然后判断待检测色粉混合图像中各像素点对应的混合程度是否大于均匀阈值，若大于，则判定对应像素点为混合均匀的像素点，最后根据检测色粉混合图像中混合均匀的像素点所占的比例判定色粉是否混合均匀。本发明利用各像素点对应的混合向量，判断色粉是否混合均匀，若色粉未混合均匀，可以根据混合向量来判断搅拌的方向，从而使色粉能够快速混合均匀。

需要说明的是：以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。