CN114708264A - 一种光斑质量判别方法、装置、设备和存储介质 - Google Patents
一种光斑质量判别方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN114708264A CN114708264A CN202210627279.0A CN202210627279A CN114708264A CN 114708264 A CN114708264 A CN 114708264A CN 202210627279 A CN202210627279 A CN 202210627279A CN 114708264 A CN114708264 A CN 114708264A
- Authority
- CN
- China
- Prior art keywords
- light spot
- matrix
- spot image
- detected
- category
- 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.)
- Granted
Links
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
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2133—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on naturality criteria, e.g. with non-negative factorisation or negative correlation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种光斑质量判别方法、装置、设备和存储介质,通过一组正常光斑图像和一组待检测光斑图像获取正常光斑图像矩阵和混合光斑图像矩阵;对正常光斑图像矩阵进行分解得到多层特征矩阵;将多层特征矩阵中具有光斑纹理特征的目标层特征矩阵作为先验约束构建基于先验约束的分解模型,通过该分解模型对混合光斑图像矩阵进行分解得到系数矩阵;将系数矩阵聚类成若干类别,并提取每个类别的聚类中心;计算各类别下的各待检测光斑图像对应的系数、各正常光斑图像对应的系数与对应聚类中心的距离,通过距离判别各待检测光斑图像的质量,改善了现有技术在有背景光影响的情况下,难以准确提取光斑轮廓信息,从而影响光斑质量检测结果。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种光斑质量判别方法、装置、设备和存储介质。
背景技术
由于激光具有定向发光、高度高、颜色纯、能量密度大、高相干性等特点,被广泛应用于医学、测量、通信等领域。而以激光为基础的医疗检测设备、激光切割设备、和光电通信电子设备等都对激光精度要求较高,因此,对激光光速的质量研究显得尤为重要。
现有的光斑检测方法通常采用对光斑图像进行分割获取光斑轮廓信息,然后提取光斑中心点坐标来验证光斑质量,在有背景光影响的情况下,难以准确提取光斑轮廓信息,从而影响光斑质量检测结果。
发明内容
本申请提供了一种光斑质量判别方法、装置、设备和存储介质,用于改善现有技术在有背景光影响的情况下,难以准确提取光斑轮廓信息,从而影响光斑质量检测结果。
有鉴于此,本申请第一方面提供了一种光斑质量判别方法,包括:
通过一组正常光斑图像获取正常光斑图像矩阵,通过该组正常光斑图像和一组待检测光斑图像获取混合光斑图像矩阵;
对所述正常光斑图像矩阵进行分解,得到所述正常光斑图像矩阵的多层特征矩阵,并基于先验知识从所述多层特征矩阵中提取具有光斑纹理特征的目标层特征矩阵;
将所述目标层特征矩阵作为先验约束构建基于先验约束的分解模型,并通过所述基于先验的分解模型对所述混合光斑图像矩阵进行分解,得到所述混合光斑图像矩阵的系数矩阵,所述系数矩阵中的系数包括待检测光斑图像对应的系数和正常光斑图像对应的系数;
对所述系数矩阵中的系数进行聚类,将所述系数矩阵聚类成若干类别,并提取每个类别的聚类中心;
计算各类别下的各待检测光斑图像对应的系数、各正常光斑图像对应的系数与对应的聚类中心的距离,通过距离判别各待检测光斑图像的质量。
可选的,所述基于先验约束的分解模型为:
式中,Y为混合光斑图像矩阵,U i 为混合光斑图像矩阵的第i层特征矩阵,l为混合光斑图像矩阵的特征矩阵总层数,V为混合光斑图像矩阵的系数矩阵,A为正常光斑图像矩阵的目标层特征矩阵,U s 为混合光斑图像矩阵的目标层特征矩阵,为约束参数。
可选的,所述计算各类别下的各待检测光斑图像对应的系数、各正常光斑图像对应的系数与对应的聚类中心的距离,通过距离判别各待检测光斑图像的质量,包括:
通过计算各类别下的各正常光斑图像对应的系数与对应类别的聚类中心的距离确定各类别的距离阈值;
计算各类别下的各待检测光斑图像对应的系数与对应类别的聚类中心的距离;
当待检测光斑图像对应的系数与该待检测光斑图像所在类别的聚类中心的距离小于或等于该待检测光斑图像所在类别的距离阈值时,则判定该待检测光斑图像为正常光斑图像;
当待检测光斑图像对应的系数与该待检测光斑图像所在类别的聚类中心的距离大于该待检测光斑图像所在类别的距离阈值时,则判定该待检测光斑图像为非正常光斑图像。
可选的,所述通过一组正常光斑图像获取正常光斑图像矩阵,通过该组正常光斑图像和一组待检测光斑图像获取混合光斑图像矩阵,包括:
将一组正常光斑图像采用矩阵的方式进行表示并进行归一化处理,得到正常光斑图像矩阵;
将该组正常光斑图像和一组待检测光斑图像采用矩阵的方式进行表示并进行归一化处理,得到混合光斑图像矩阵。
本申请第二方面提供了一种光斑质量判别装置,包括:
获取单元,用于通过一组正常光斑图像获取正常光斑图像矩阵,通过该组正常光斑图像和一组待检测光斑图像获取混合光斑图像矩阵;
第一分解单元,用于对所述正常光斑图像矩阵进行分解,得到所述正常光斑图像矩阵的多层特征矩阵,并基于先验知识从所述多层特征矩阵中提取具有光斑纹理特征的目标层特征矩阵;
第二分解单元,用于将所述目标层特征矩阵作为先验约束构建基于先验约束的分解模型,并通过所述基于先验的分解模型对所述混合光斑图像矩阵进行分解,得到所述混合光斑图像矩阵的系数矩阵,所述系数矩阵中的系数包括待检测光斑图像对应的系数和正常光斑图像对应的系数;
聚类单元,用于对所述系数矩阵中的系数进行聚类,将所述系数矩阵聚类成若干类别,并提取每个类别的聚类中心;
判别单元,用于计算各类别下的各待检测光斑图像对应的系数、各正常光斑图像对应的系数与对应的聚类中心的距离,通过距离判别各待检测光斑图像的质量。
可选的,所述基于先验约束的分解模型为:
式中,Y为混合光斑图像矩阵,U i 为混合光斑图像矩阵的第i层特征矩阵,l为混合光斑图像矩阵的特征矩阵总层数,V为混合光斑图像矩阵的系数矩阵,A为正常光斑图像矩阵的目标层特征矩阵,U s 为混合光斑图像矩阵的目标层特征矩阵,为约束参数。
可选的,所述判别单元具体用于:
通过计算各类别下的各正常光斑图像对应的系数与对应类别的聚类中心的距离确定各类别的距离阈值;
计算各类别下的各待检测光斑图像对应的系数与对应类别的聚类中心的距离;
当待检测光斑图像对应的系数与该待检测光斑图像所在类别的聚类中心的距离小于或等于该待检测光斑图像所在类别的距离阈值时,则判定该待检测光斑图像为正常光斑图像;
当待检测光斑图像对应的系数与该待检测光斑图像所在类别的聚类中心的距离大于该待检测光斑图像所在类别的距离阈值时,则判定该待检测光斑图像为非正常光斑图像。
可选的,所述获取单元具体用于:
将一组正常光斑图像采用矩阵的方式进行表示并进行归一化处理,得到正常光斑图像矩阵;
将一组正常光斑图像和一组待检测光斑图像采用矩阵的方式进行表示并进行归一化处理,得到混合光斑图像矩阵。
本申请第三方面提供了一种光斑质量判别设备,所述设备包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行第一方面任一种所述的光斑质量判别方法。
本申请第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码被处理器执行时实现第一方面任一种所述的光斑质量判别方法。
从以上技术方案可以看出,本申请具有以下优点:
本申请提供了一种光斑质量判别方法,包括:通过一组正常光斑图像获取正常光斑图像矩阵,通过该组正常光斑图像和一组待检测光斑图像获取混合光斑图像矩阵;对正常光斑图像矩阵进行分解,得到正常光斑图像矩阵的多层特征矩阵,并基于先验知识从多层特征矩阵中提取具有光斑纹理特征的目标层特征矩阵;将目标层特征矩阵作为先验约束构建基于先验约束的分解模型,并通过基于先验的分解模型对混合光斑图像矩阵进行分解,得到混合光斑图像矩阵的系数矩阵,系数矩阵中的系数包括待检测光斑图像对应的系数和正常光斑图像对应的系数;对系数矩阵中的系数进行聚类,将系数矩阵聚类成若干类别,并提取每个类别的聚类中心;计算各类别下的各待检测光斑图像对应的系数、各正常光斑图像对应的系数与对应的聚类中心的距离,通过距离判别各待检测光斑图像的质量。
本申请中,通过对正常光斑图像矩阵进行分解来获取具有光斑纹理特征的目标层特征矩阵,然后将正常光斑图像矩阵的目标层特征矩阵作为先验约束来构建分解模型,以对混合光斑图像矩阵进行分解获取矩阵系数,通过对矩阵系数进行聚类来获取聚类中心,通过计算正常光斑图像对应的系数到聚类中心的距离来确定距离阈值,比较待检测光斑图像对应的系数到聚类中心的距离与距离阈值来判别待检测光斑图像的质量,无需对光斑图像进行分割处理,避免了因为背景光的影响导致难以准确提取光斑轮廓信息,改善了现有技术在有背景光影响的情况下,难以准确提取光斑轮廓信息,从而影响光斑质量检测结果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的一种光斑质量判别方法的一个流程示意图;
图2为本申请实施例提供的一种光斑质量判别装置的一个结构示意图。
具体实施方式
本申请提供了一种光斑质量判别方法、装置、设备和存储介质,用于改善现有技术在有背景光影响的情况下,难以准确提取光斑轮廓信息,从而影响光斑质量检测结果。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动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。
为了便于理解,请参阅图1,本申请实施例提供了一种光斑质量判别方法,包括:
步骤101、通过一组正常光斑图像获取正常光斑图像矩阵,通过该组正常光斑图像和一组待检测光斑图像获取混合光斑图像矩阵。
读取一组正常光斑图像和一组待检测光斑图像,正常光斑图像和待检测光斑图像的大小一致,然后采用矩阵的方式对这一组正常光斑图像进行表示,再对其进行数值归一化,得到正常光斑图像矩阵X=[x1 T,x2 T,...,x n1 T]T∈R p×n1,其中,n1为正常光斑图像的数量,x n1为第n1幅正常光斑图像,p为一副光斑图像的特征维度,R表示实数域,T表示矩阵的转置。采用矩阵的方式对这一组正常光斑图像和一组待检测光斑图像进行矩阵表示,然后对其进行数值归一化,得到混合光斑图像矩阵Y=[y1 T,y2 T,...,y m T]∈R p×m ,y m 为第m幅光斑图像,该光斑图像为正常光斑图像或待检测光斑图像,m为正常光斑图像和待检测光斑图像的总数量,m=n1+n2,n2为待检测光斑图像的数量。
步骤102、对正常光斑图像矩阵进行分解,得到正常光斑图像矩阵的多层特征矩阵,并基于先验知识从多层特征矩阵中提取具有光斑纹理特征的目标层特征矩阵。
对正常光斑图像矩阵进行分解,得到正常光斑图像矩阵的多层特征矩阵,具体可以采用如下分解模型进行分解,即:
在求解得到正常光斑图像矩阵的多层特征矩阵后,通过分析多层特征矩阵,从中选取具有光斑纹理特征的特征矩阵W s ,W s 为第s层的特征矩阵,s=1,2,...l,将其作为目标层特征矩阵A,即A=W s 。
步骤103、将目标层特征矩阵作为先验约束构建基于先验约束的分解模型,并通过基于先验的分解模型对混合光斑图像矩阵进行分解,得到混合光斑图像矩阵的系数矩阵。
将前述分解得到的目标层特征矩阵A作为先验约束引入上述分解模型,得到基于先验约束的分解模型,目标层特征矩阵A用于约束混合光斑图像对应的第s层特征矩阵,即混合光斑图像矩阵的目标层特征矩阵。基于先验约束的分解模型为:
式中,Y为混合光斑图像矩阵,U i 为混合光斑图像矩阵的第i层特征矩阵,l为混合光斑图像矩阵的特征矩阵总层数,V为混合光斑图像矩阵的系数矩阵,A为正常光斑图像矩阵的目标层特征矩阵,U s 为混合光斑图像矩阵的目标层特征矩阵,为Frobenius范数,为约束参数,在0~1之间取值。
在对混合光斑图像矩阵Y进行分解时,可以利用聚类方法(如K-means)来初始化特征矩阵U i 和系数矩阵V,经过迭代更新,最终获得混合光斑图像矩阵的系数矩阵V。从已知的正常光斑图像矩阵分解获取的目标层特征矩阵A作为约束,通过对混合光斑图像中所需求的特征层U s 进行约束,从而引导混合光斑图像矩阵进行分解。在更新公式中,约束项并不一定是作用于全部的特征层,为了更好的表达,令,。
结合以上限定条件,基于先验约束的分解模型的更新公式为:
通过基于先验约束的分解模型获得系数矩阵V的更新公式始终为:
而在进行特征矩阵U i 的迭代过程中,根据作为先验约束的目标层特征矩阵A可以获知,在i=s时的更新公式为:
由于本申请实施例中的约束是针对目标层的特征矩阵,因此,对于未约束的特征矩阵的更新公式与上述分解模型一样,更新公式为:
经过多次迭代更新,最终获得系数矩阵V,系数矩阵V中的系数包括正常光斑图像对应的系数和待检测光斑图像对应的系数。
本申请实施例,将正常光斑图像矩阵的目标层特征矩阵作为约束引入混合光斑图像矩阵的分解模型中,使得先的分解模型在处理混合光斑图像矩阵时,对特定的纹理特征进行约束,从而指导混合光斑图像矩阵的分解过程,以获取所需结果。
步骤104、对系数矩阵中的系数进行聚类,将系数矩阵聚类成若干类别,并提取每个类别的聚类中心。
对求解得到的混合光斑图像矩阵的系数矩阵V中的系数进行聚类,将系数矩阵V聚成k类,并获取每个类别的聚类中心,k>0。具体采用何种聚类方式在此不做具体限定。
步骤105、计算各类别下的各待检测光斑图像对应的系数、各正常光斑图像对应的系数与对应的聚类中心的距离,通过距离判别各待检测光斑图像的质量。
计算各类别下的各正常光斑图像对应的系数与该类别的聚类中心的距离(如欧氏距离),通过各类别下的各正常光斑图像对应的系数与该类别的聚类中心的距离确定各类别的距离阈值,可以将各类别下的正常光斑图像对应的系数与对应的聚类中心的最大距离作为各类别的距离预置。计算各类别下的各待检测光斑图像对应的系数与各类别的聚类中心的距离;当待检测光斑图像对应的系数与该待检测光斑图像所在类别的聚类中心的距离小于或等于该待检测光斑图像所在类别的距离阈值时,则判定该待检测光斑图像为正常光斑图像;当待检测光斑图像对应的系数与该待检测光斑图像所在类别的聚类中心的距离大于该待检测光斑图像所在类别的距离阈值时,则判定该待检测光斑图像为非正常光斑图像。
本申请实施例中,通过对正常光斑图像矩阵进行分解来获取具有光斑纹理特征的目标层特征矩阵,然后将正常光斑图像矩阵的目标层特征矩阵作为先验约束来构建分解模型,以对混合光斑图像矩阵进行分解获取矩阵系数,通过对矩阵系数进行聚类来获取聚类中心,通过计算正常光斑图像对应的系数到聚类中心的距离来确定距离阈值,比较待检测光斑图像对应的系数到聚类中心的距离与距离阈值来判别待检测光斑图像的质量,无需对光斑图像进行分割处理,避免了因为背景光的影响导致难以准确提取光斑轮廓信息,改善了现有技术在有背景光影响的情况下,难以准确提取光斑轮廓信息,从而影响光斑质量检测结果。
以上为本申请提供的一种光斑质量判别方法的一个实施例,以下为本申请提供的一种光斑质量判别装置的一个实施例。
请参考图2,本申请实施例提供的一种光斑质量判别装置,包括:
获取单元,用于通过一组正常光斑图像获取正常光斑图像矩阵,通过该组正常光斑图像和一组待检测光斑图像获取混合光斑图像矩阵;
第一分解单元,用于对正常光斑图像矩阵进行分解,得到正常光斑图像矩阵的多层特征矩阵,并基于先验知识从多层特征矩阵中提取具有光斑纹理特征的目标层特征矩阵;
第二分解单元,用于将目标层特征矩阵作为先验约束构建基于先验约束的分解模型,并通过基于先验的分解模型对混合光斑图像矩阵进行分解,得到混合光斑图像矩阵的系数矩阵,系数矩阵中的系数包括待检测光斑图像对应的系数和正常光斑图像对应的系数;
聚类单元,用于对系数矩阵中的系数进行聚类,将系数矩阵聚类成若干类别,并提取每个类别的聚类中心;
判别单元,用于计算各类别下的各待检测光斑图像对应的系数、各正常光斑图像对应的系数与对应的聚类中心的距离,通过距离判别各待检测光斑图像的质量。
作为进一步地改进,基于先验约束的分解模型为:
式中,Y为混合光斑图像矩阵,U i 为混合光斑图像矩阵的第i层特征矩阵,l为混合光斑图像矩阵的特征矩阵总层数,V为混合光斑图像矩阵的系数矩阵,A为正常光斑图像矩阵的目标层特征矩阵,U s 为混合光斑图像矩阵的目标层特征矩阵,为约束参数。
可选的,判别单元具体用于:
通过计算各类别下的各正常光斑图像对应的系数与对应类别的聚类中心的距离确定各类别的距离阈值;
计算各类别下的各待检测光斑图像对应的系数与对应类别的聚类中心的距离;
当待检测光斑图像对应的系数与该待检测光斑图像所在类别的聚类中心的距离小于或等于该待检测光斑图像所在类别的距离阈值时,则判定该待检测光斑图像为正常光斑图像;
当待检测光斑图像对应的系数与该待检测光斑图像所在类别的聚类中心的距离大于该待检测光斑图像所在类别的距离阈值时,则判定该待检测光斑图像为非正常光斑图像。
可选的,获取单元具体用于:
将一组正常光斑图像采用矩阵的方式进行表示并进行归一化处理,得到正常光斑图像矩阵;
将该组正常光斑图像和一组待检测光斑图像采用矩阵的方式进行表示并进行归一化处理,得到混合光斑图像矩阵。
本申请实施例中,通过对正常光斑图像矩阵进行分解来获取具有光斑纹理特征的目标层特征矩阵,然后将正常光斑图像矩阵的目标层特征矩阵作为先验约束来构建分解模型,以对混合光斑图像矩阵进行分解获取矩阵系数,通过对矩阵系数进行聚类来获取聚类中心,通过计算正常光斑图像对应的系数到聚类中心的距离来确定距离阈值,比较待检测光斑图像对应的系数到聚类中心的距离与距离阈值来判别待检测光斑图像的质量,无需对光斑图像进行分割处理,避免了因为背景光的影响导致难以准确提取光斑轮廓信息,改善了现有技术在有背景光影响的情况下,难以准确提取光斑轮廓信息,从而影响光斑质量检测结果。
本申请实施例还提供了一种光斑质量判别设备,设备包括处理器以及存储器;
存储器用于存储程序代码,并将程序代码传输给处理器;
处理器用于根据程序代码中的指令执行前述方法实施例中的光斑质量判别方法。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质用于存储程序代码,程序代码被处理器执行时实现前述方法实施例中的光斑质量判别方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,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,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。
所述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。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以通过一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种光斑质量判别方法,其特征在于,包括:
通过一组正常光斑图像获取正常光斑图像矩阵,通过该组正常光斑图像和一组待检测光斑图像获取混合光斑图像矩阵;
对所述正常光斑图像矩阵进行分解,得到所述正常光斑图像矩阵的多层特征矩阵,并基于先验知识从所述多层特征矩阵中提取具有光斑纹理特征的目标层特征矩阵;
将所述目标层特征矩阵作为先验约束构建基于先验约束的分解模型,并通过所述基于先验的分解模型对所述混合光斑图像矩阵进行分解,得到所述混合光斑图像矩阵的系数矩阵,所述系数矩阵中的系数包括待检测光斑图像对应的系数和正常光斑图像对应的系数;
对所述系数矩阵中的系数进行聚类,将所述系数矩阵聚类成若干类别,并提取每个类别的聚类中心;
计算各类别下的各待检测光斑图像对应的系数、各正常光斑图像对应的系数与对应的聚类中心的距离,通过距离判别各待检测光斑图像的质量。
3.根据权利要求1所述的光斑质量判别方法,其特征在于,所述计算各类别下的各待检测光斑图像对应的系数、各正常光斑图像对应的系数与对应的聚类中心的距离,通过距离判别各待检测光斑图像的质量,包括:
通过计算各类别下的各正常光斑图像对应的系数与对应类别的聚类中心的距离确定各类别的距离阈值;
计算各类别下的各待检测光斑图像对应的系数与对应类别的聚类中心的距离;
当待检测光斑图像对应的系数与该待检测光斑图像所在类别的聚类中心的距离小于或等于该待检测光斑图像所在类别的距离阈值时,则判定该待检测光斑图像为正常光斑图像;
当待检测光斑图像对应的系数与该待检测光斑图像所在类别的聚类中心的距离大于该待检测光斑图像所在类别的距离阈值时,则判定该待检测光斑图像为非正常光斑图像。
4.根据权利要求1所述的光斑质量判别方法,其特征在于,所述通过一组正常光斑图像获取正常光斑图像矩阵,通过该组正常光斑图像和一组待检测光斑图像获取混合光斑图像矩阵,包括:
将一组正常光斑图像采用矩阵的方式进行表示并进行归一化处理,得到正常光斑图像矩阵;
将该组正常光斑图像和一组待检测光斑图像采用矩阵的方式进行表示并进行归一化处理,得到混合光斑图像矩阵。
5.一种光斑质量判别装置,其特征在于,包括:
获取单元,用于通过一组正常光斑图像获取正常光斑图像矩阵,通过该组正常光斑图像和一组待检测光斑图像获取混合光斑图像矩阵;
第一分解单元,用于对所述正常光斑图像矩阵进行分解,得到所述正常光斑图像矩阵的多层特征矩阵,并基于先验知识从所述多层特征矩阵中提取具有光斑纹理特征的目标层特征矩阵;
第二分解单元,用于将所述目标层特征矩阵作为先验约束构建基于先验约束的分解模型,并通过所述基于先验的分解模型对所述混合光斑图像矩阵进行分解,得到所述混合光斑图像矩阵的系数矩阵,所述系数矩阵中的系数包括待检测光斑图像对应的系数和正常光斑图像对应的系数;
聚类单元,用于对所述系数矩阵中的系数进行聚类,将所述系数矩阵聚类成若干类别,并提取每个类别的聚类中心;
判别单元,用于计算各类别下的各待检测光斑图像对应的系数、各正常光斑图像对应的系数与对应的聚类中心的距离,通过距离判别各待检测光斑图像的质量。
7.根据权利要求5所述的光斑质量判别装置,其特征在于,所述判别单元具体用于:
通过计算各类别下的各正常光斑图像对应的系数与对应类别的聚类中心的距离确定各类别的距离阈值;
计算各类别下的各待检测光斑图像对应的系数与对应类别的聚类中心的距离;
当待检测光斑图像对应的系数与该待检测光斑图像所在类别的聚类中心的距离小于或等于该待检测光斑图像所在类别的距离阈值时,则判定该待检测光斑图像为正常光斑图像;
当待检测光斑图像对应的系数与该待检测光斑图像所在类别的聚类中心的距离大于该待检测光斑图像所在类别的距离阈值时,则判定该待检测光斑图像为非正常光斑图像。
8.根据权利要求5所述的光斑质量判别装置,其特征在于,所述获取单元具体用于:
将一组正常光斑图像采用矩阵的方式进行表示并进行归一化处理,得到正常光斑图像矩阵;
将一组正常光斑图像和一组待检测光斑图像采用矩阵的方式进行表示并进行归一化处理,得到混合光斑图像矩阵。
9.一种光斑质量判别设备,其特征在于,所述设备包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的光斑质量判别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码被处理器执行时实现权利要求1-4任一项所述的光斑质量判别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210627279.0A CN114708264B (zh) | 2022-06-06 | 2022-06-06 | 一种光斑质量判别方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210627279.0A CN114708264B (zh) | 2022-06-06 | 2022-06-06 | 一种光斑质量判别方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114708264A true CN114708264A (zh) | 2022-07-05 |
CN114708264B CN114708264B (zh) | 2022-08-12 |
Family
ID=82178123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210627279.0A Active CN114708264B (zh) | 2022-06-06 | 2022-06-06 | 一种光斑质量判别方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708264B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797334A (zh) * | 2023-01-30 | 2023-03-14 | 广东工业大学 | 一种大规模光斑质量快速判别方法及装置 |
CN118396997A (zh) * | 2024-06-26 | 2024-07-26 | 广东工业大学 | 基于多视角表征学习的激光光斑质量判别方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663763A (zh) * | 2012-04-25 | 2012-09-12 | 南京航空航天大学 | 一种面向大视场高精度视觉测量的摄像机标定方法 |
US8785835B1 (en) * | 2013-01-10 | 2014-07-22 | Daniel R. Marshall | Three-dimensional filter enables adaptive focus sensing |
CN106886793A (zh) * | 2017-01-23 | 2017-06-23 | 西安电子科技大学 | 基于判别信息和流形信息的高光谱图像波段选择方法 |
CN110108754A (zh) * | 2019-04-25 | 2019-08-09 | 四川沐迪圣科技有限公司 | 基于结构化稀疏分解的光激励红外热成像缺陷检测方法 |
CN111191719A (zh) * | 2019-12-27 | 2020-05-22 | 北京工业大学 | 一种基于自表示和图谱约束的非负矩阵分解的图像聚类方法 |
CN111527373A (zh) * | 2017-10-05 | 2020-08-11 | Asml荷兰有限公司 | 用于确定衬底上的一个或更多个结构的特性的量测系统和方法 |
CN111627008A (zh) * | 2020-05-27 | 2020-09-04 | 深圳市华汉伟业科技有限公司 | 一种基于图像融合的物体表面检测方法及系统、存储介质 |
CN111743510A (zh) * | 2020-06-24 | 2020-10-09 | 中国科学院光电技术研究所 | 一种基于聚类的人眼哈特曼光斑图像去噪方法 |
CN112686842A (zh) * | 2020-12-21 | 2021-04-20 | 苏州炫感信息科技有限公司 | 一种光斑检测方法、装置、电子设备及可读存储介质 |
US20210124161A1 (en) * | 2018-07-02 | 2021-04-29 | Universitat De Barcelona | Programmable multiple-point illuminator, confocal filter, confocal microscope and method to operate said confocal microscope |
CN113108725A (zh) * | 2021-03-23 | 2021-07-13 | 中国建筑材料科学研究总院有限公司 | 元器件微纳尺度圆孔加工质量的评价方法 |
-
2022
- 2022-06-06 CN CN202210627279.0A patent/CN114708264B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663763A (zh) * | 2012-04-25 | 2012-09-12 | 南京航空航天大学 | 一种面向大视场高精度视觉测量的摄像机标定方法 |
US8785835B1 (en) * | 2013-01-10 | 2014-07-22 | Daniel R. Marshall | Three-dimensional filter enables adaptive focus sensing |
CN106886793A (zh) * | 2017-01-23 | 2017-06-23 | 西安电子科技大学 | 基于判别信息和流形信息的高光谱图像波段选择方法 |
CN111527373A (zh) * | 2017-10-05 | 2020-08-11 | Asml荷兰有限公司 | 用于确定衬底上的一个或更多个结构的特性的量测系统和方法 |
US20210124161A1 (en) * | 2018-07-02 | 2021-04-29 | Universitat De Barcelona | Programmable multiple-point illuminator, confocal filter, confocal microscope and method to operate said confocal microscope |
CN110108754A (zh) * | 2019-04-25 | 2019-08-09 | 四川沐迪圣科技有限公司 | 基于结构化稀疏分解的光激励红外热成像缺陷检测方法 |
CN111191719A (zh) * | 2019-12-27 | 2020-05-22 | 北京工业大学 | 一种基于自表示和图谱约束的非负矩阵分解的图像聚类方法 |
CN111627008A (zh) * | 2020-05-27 | 2020-09-04 | 深圳市华汉伟业科技有限公司 | 一种基于图像融合的物体表面检测方法及系统、存储介质 |
CN111743510A (zh) * | 2020-06-24 | 2020-10-09 | 中国科学院光电技术研究所 | 一种基于聚类的人眼哈特曼光斑图像去噪方法 |
CN112686842A (zh) * | 2020-12-21 | 2021-04-20 | 苏州炫感信息科技有限公司 | 一种光斑检测方法、装置、电子设备及可读存储介质 |
CN113108725A (zh) * | 2021-03-23 | 2021-07-13 | 中国建筑材料科学研究总院有限公司 | 元器件微纳尺度圆孔加工质量的评价方法 |
Non-Patent Citations (5)
Title |
---|
HONG LU等: "Community Detection in Complex Networks Using Nonnegative Matrix Factorization and Density-Based Clustering Algorithm", 《NEURAL PROCESSING LETTERS》 * |
HUIXIN FAN等: "Hyperspectral image denoising with bilinear low rank matrix factorization", 《SIGNAL PROCESSING》 * |
康建翊等: "利用通用多媒体技术的激光光斑测量方法的研究", 《激光杂志》 * |
栗茂林等: "基于聚类优化的非负矩阵分解方法及其应用", 《中国机械工程》 * |
纪超: "温室果蔬采摘机器人视觉信息获取方法及样机系统研究", 《中国优秀博硕士学位论文全文数据库(博士) 农业科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797334A (zh) * | 2023-01-30 | 2023-03-14 | 广东工业大学 | 一种大规模光斑质量快速判别方法及装置 |
CN115797334B (zh) * | 2023-01-30 | 2023-04-28 | 广东工业大学 | 一种大规模光斑质量快速判别方法及装置 |
CN118396997A (zh) * | 2024-06-26 | 2024-07-26 | 广东工业大学 | 基于多视角表征学习的激光光斑质量判别方法及装置 |
CN118396997B (zh) * | 2024-06-26 | 2024-08-23 | 广东工业大学 | 基于多视角表征学习的激光光斑质量判别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114708264B (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114708264B (zh) | 一种光斑质量判别方法、装置、设备和存储介质 | |
Reddy et al. | Analysis of classification algorithms for plant leaf disease detection | |
De Luna et al. | Identification of philippine herbal medicine plant leaf using artificial neural network | |
WO2018189541A1 (en) | Recist assessment of tumour progression | |
CN110766708B (zh) | 基于轮廓相似度的图像比较方法 | |
CN112183212B (zh) | 一种杂草识别方法、装置、终端设备及可读存储介质 | |
CN111785384A (zh) | 基于人工智能的异常数据识别方法及相关设备 | |
CN111080592B (zh) | 一种基于深度学习的肋骨提取方法及装置 | |
CN111369003A (zh) | 一种量子比特读取信号保真度的确定方法、装置 | |
Liao et al. | A segmentation method for lung parenchyma image sequences based on superpixels and a self-generating neural forest | |
Ahmed et al. | Improving medical image pixel quality using micq unsupervised machine learning technique | |
CN115392937A (zh) | 一种用户欺诈风险识别方法、装置、电子设备及存储介质 | |
CN116402739A (zh) | 一种用于电子内窥镜检测流程的质量评估方法及装置 | |
CN109948556B (zh) | 作物分类识别方法及系统 | |
CN114494887A (zh) | 遥感图像分类方法、装置、计算机设备和可读存储介质 | |
CN114445376A (zh) | 图像分割方法及其模型训练方法和相关装置、设备、介质 | |
CN112927235B (zh) | 基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法 | |
CN111723688B (zh) | 人体动作识别结果的评价方法、装置和电子设备 | |
CN111652080B (zh) | 基于rgb-d图像的目标跟踪方法和装置 | |
CN115761360A (zh) | 一种肿瘤基因突变分类方法、装置、电子设备及存储介质 | |
CN116451095A (zh) | 多源异构医疗数据多视图聚类方法、装置、介质及设备 | |
CN113011510B (zh) | 一种支气管分级及模型训练方法、装置及电子设备 | |
Alsyed et al. | A self organizing map for exploratory analysis of PET radiomic features | |
CN117746266B (zh) | 一种基于半监督交互学习的树冠检测方法、装置及介质 | |
CN115797334B (zh) | 一种大规模光斑质量快速判别方法及装置 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220920 Address after: 510000 F201, No. 11, caipin Road, Science City, Guangzhou Economic and Technological Development Zone, Guangzhou City, Guangdong Province Patentee after: ANTE LASER Co.,Ltd. Address before: No.729, Dongfeng East Road, Yuexiu District, Guangzhou City, Guangdong Province 510060 Patentee before: GUANGDONG University OF TECHNOLOGY |
|
TR01 | Transfer of patent right |