CN114913512B - 基于计算机视觉的汽车座椅皮革分类方法、装置及系统 - Google Patents

基于计算机视觉的汽车座椅皮革分类方法、装置及系统 Download PDF

Info

Publication number
CN114913512B
CN114913512B CN202210829597.5A CN202210829597A CN114913512B CN 114913512 B CN114913512 B CN 114913512B CN 202210829597 A CN202210829597 A CN 202210829597A CN 114913512 B CN114913512 B CN 114913512B
Authority
CN
China
Prior art keywords
circular
drift
leather
statistical
spaces
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
CN202210829597.5A
Other languages
English (en)
Other versions
CN114913512A (zh
Inventor
庄淑华
黄桂华
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.)
Nantong Haosheng Automobile Technology Co ltd
Original Assignee
Nantong Haosheng Automobile 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 Nantong Haosheng Automobile Technology Co ltd filed Critical Nantong Haosheng Automobile Technology Co ltd
Priority to CN202210829597.5A priority Critical patent/CN114913512B/zh
Publication of CN114913512A publication Critical patent/CN114913512A/zh
Application granted granted Critical
Publication of CN114913512B publication Critical patent/CN114913512B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种基于计算机视觉的汽车座椅皮革分类方法、装置及系统，涉及人工智能领域。主要包括：采集待分类的各皮革的表面图像并分别进行灰度化获得各灰度图像；分别获得灰度图像中各像素点的LBP值，并对灰度图像中像素点的灰度值及LBP值进行统计获得统计矩阵；分别计算统计矩阵的各GLCM特征值并进行排列，获得灰度图像对应的统计特征向量；将各灰度图像对应的统计特征向量进行均值漂移聚类，将均值漂移聚类的结果作为对各皮革的分类结果。本发明实施例能够对生产过程中的汽车座椅皮革进行分类，避免了人工目视检测的主观性，提高了对皮革进行分类的效率和准确度。

Description

基于计算机视觉的汽车座椅皮革分类方法、装置及系统
技术领域
本申请涉及计算机视觉领域，具体涉及一种基于计算机视觉的汽车座椅皮革分类方法、装置及系统。
背景技术
随着汽车行业的竞争日益变得激烈，各汽车企业对所生产出来的汽车的质量的要求也越来越高，使得汽车厂家必须不断提升所生产的汽车的质量，才能在激烈的市场竞争中脱颖而出，在此过程中就需要对制造过程中各环节进行优化。其中，作为影响座驾体验舒适度以及外部美感的汽车座椅中的皮革，在制作汽车座椅时，需要保证同一辆汽车座椅上皮革间的差异性足够小，这就需要对生产过程中的皮革进行细致的分类。
对于皮革的分类，现有技术中往往人工目视进行识别和区分，发明人在实现本发明实施例的过程中，发现背景技术中至少存在以下缺陷：人工目视检测结果容易受到主观因素干扰，其准确性过分依赖于检测人员的经验，使得检测结果精确度低。因此，研究利用先进的非接触无损式的鉴别技术，从而实现对生产过程中皮革的快速分类，具有重要意义。
发明内容
针对上述技术问题，本发明提供了一种基于计算机视觉的汽车座椅皮革分类方法、装置及系统，能够对生产过程中的皮革进行较为精确地划分，避免了人工目视检测的主观性，同时对分类过程中所使用的均值漂移聚类结合实际需求进行了改进，缩短了均值漂移过程的收敛时长，提高了对皮革进行分类的效率。
第一方面，本文发明实施例提出了一种基于计算机视觉的汽车座椅皮革分类方法，包括：
采集待分类的各皮革的表面图像并分别进行灰度化获得各灰度图像。
分别获得灰度图像中各像素点的LBP值，并对灰度图像中像素点的灰度值及LBP值进行统计获得统计矩阵。
分别计算统计矩阵的各GLCM特征值并进行排列，获得灰度图像对应的统计特征向量。
将各灰度图像对应的统计特征向量进行均值漂移聚类，将均值漂移聚类的结果作为对各皮革的分类结果。
其中，均值漂移聚类中包括多个圆形空间，将圆形空间内所有统计特征向量的均值作为漂移向量，将各漂移向量的模分别作为各圆形空间的漂移距离，根据圆形空间及其预设范围内其他圆形空间的漂移向量，分别确定各圆形空间在均值漂移聚类过程中的漂移方向。
在一个可行的实施例中，根据圆形空间及其预设范围内其他圆形空间的漂移向量，分别确定各圆形空间在均值漂移聚类过程中的漂移方向，包括：
分别获得圆形空间预设范围内其他各圆形空间的漂移向量对应的漂移权重：
Figure 398132DEST_PATH_IMAGE001
其中，
Figure 120100DEST_PATH_IMAGE002
为圆形空间预设范围内第
Figure 750933DEST_PATH_IMAGE003
个其他圆形空间对应的漂移权重，
Figure 983069DEST_PATH_IMAGE004
为圆形空间预设范围内其他圆形空间的数量，
Figure 798578DEST_PATH_IMAGE005
为圆形空间预设范围内第
Figure 883209DEST_PATH_IMAGE003
个其他圆形空间对应的漂移向量的模，
Figure 442366DEST_PATH_IMAGE006
为该圆形空间本身的漂移向量的模，
Figure 296052DEST_PATH_IMAGE007
为自然常数。
将圆形空间预设范围内其他各圆形空间对应的漂移权重进行归一化处理。
利用归一化后的其他各圆形空间的漂移权重，对各其他各圆形空间的漂移向量进行第一加权求和，并将求和结果与该圆形空间的漂移权重进行第二加权求和，且所述第二加权求和过程中圆形空间的权重在0.6至0.9之间。
将第二加权求和获得的向量的方向作为圆形空间在均值漂移聚类过程中的漂移方向。
在一个可行的实施例中，统计矩阵的各GLCM特征值包括：统计矩阵的GLCM的角二阶距ASM、对比度CON、相关性COR、和熵SOE、方差VAR、均值和SOA、方差和SOV、逆差矩IDM、差方差DOV、差熵DOE以及熵ENT。
在一个可行的实施例中，分别获得灰度图像中各像素点的LBP值后，所述方法还包括：将灰度图像中所对应的二进制数为等价模式类的LBP值的像素点保留。
在一个可行的实施例中，获得灰度图像对应的统计特征向量后，所述方法还包括：
利用PAC分别获得统计特征向量中各分量对应的权重。
对统计特征向量中各分量对应的权重进行归一化处理，使各权重之和为1。
将归一化处理后的各权重分别与对应的统计特征向量中各分量相乘，获得新的统计特征向量。
在一个可行的实施例中，将均值漂移聚类的结果作为对各皮革的分类结果后，所述方法还包括：
对分类得到的不同类别的皮革进行编号，构建初始神经网络。
将不同编号对应的皮革的表面图像作为初始网络的输入，将皮革的编号作为初始神经网络的输出，对所述初始神经网络进行训练获得训练完成的神经网络。
将新的待分类的皮革表面图像输入到训练完成的神经网络中，得到对新的待分类的皮革的分类结果。
在一个可行的实施例中，对表面图像进行灰度化获得灰度图像，包括：
将表面图像中像素点在RGB三个通道中像素值的最大值，作为所述灰度图像中的像素点的灰度值。
第二方面，本发明实施例提出了一种基于计算机视觉的汽车座椅皮革分类装置，包括：
灰度图像获取模块，用于采集待分类的各皮革的表面图像并分别进行灰度化获得各灰度图像。
统计矩阵获取模块，用于分别获得灰度图像中各像素点的LBP值，并对灰度图像中像素点的灰度值及LBP值进行统计获得统计矩阵。
统计特征向量计算模块，用于分别计算统计矩阵的各GLCM特征值并进行排列，获得灰度图像对应的统计特征向量。
均值漂移聚类模块，用于将各灰度图像对应的统计特征向量进行均值漂移聚类，将均值漂移聚类的结果作为对各皮革的分类结果。
其中，均值漂移聚类模块在进行均值漂移聚类中包括多个圆形空间，将圆形空间内所有统计特征向量的均值作为漂移向量，将各漂移向量的模分别作为各圆形空间的漂移距离，根据圆形空间及其预设范围内其他圆形空间的漂移向量，分别确定各圆形空间在均值漂移聚类过程中的漂移方向。
可选的，所述装置还包括：神经网络训练模块及神经网络输出模块。
神经网络训练模块，用于对分类得到的不同类别的皮革进行编号，并构建初始神经网络，将不同编号对应的皮革的表面图像作为初始网络的输入，将皮革的编号作为初始神经网络的输出，对所述初始神经网络进行训练获得训练完成的神经网络。
神经网络输出模块，用于将新的待分类的皮革表面图像输入到训练完成的神经网络中，以得到对新的待分类的皮革的分类结果。
第三方面，本发明实施例提出了一种基于计算机视觉的汽车座椅皮革分类系统，包括：存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现本发明实施例中基于计算机视觉的汽车座椅皮革分类方法。
本发明提供了一种基于计算机视觉的汽车座椅皮革分类方法、装置及系统，相比于现有技术，本发明实施例的有益效果至少包括：能够对生产过程中的皮革进行较为精确地划分，避免了人工目视检测的主观性，同时对分类过程中所使用的均值漂移聚类结合实际需求进行了改进，缩短了均值漂移过程的收敛时长，提高了对皮革进行分类的效率。
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，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于计算机视觉的汽车座椅皮革分类方法的流程示意图。
图2是本发明实施例提供的一种基于计算机视觉的汽车座椅皮革分类装置的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，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，都属于本发明保护的范围。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
随着中国汽车行业竞争日益增强，对于所生产出来的汽车质量的要求也越来越高，汽车厂家想要在激烈的市场竞争中脱颖而出，就必须不断提升生产车辆的质量，对每个制造工艺环节进行优化。其中，在制作汽车座椅时，需要保证同一辆汽车座椅的皮革差异性足够小，这就需要对皮革进行细致的分类。
在对皮革进行分类的过程中，人工目视检测结果受到主观因素干扰，使得其准确性过分依赖于目视人员的经验，造成检测精确度低；通过化学方法或生物方法等方法也能实现对皮革的检测，但此类方法的鉴别过程复杂，且属于有损检测，难以满足汽车厂家的需要。因此，研究利用先进的非接触无损式的鉴别技术，以实现对皮革的快速分类，具有重要的现实意义。
本发明实施例提供了一种基于计算机视觉的汽车座椅皮革分类方法，如图1所示，包括：
步骤S101、采集待分类的各皮革的表面图像并分别进行灰度化获得各灰度图像。
步骤S102、分别获得灰度图像中各像素点的LBP值，并对灰度图像中像素点的灰度值及LBP值进行统计获得统计矩阵。
步骤S103、分别计算统计矩阵的各GLCM特征值并进行排列，获得灰度图像对应的统计特征向量。
步骤S104、将各灰度图像对应的统计特征向量进行均值漂移聚类，将均值漂移聚类的结果作为对各皮革的分类结果。
均值漂移聚类过程中包括多个圆形空间，将圆形空间内所有统计特征向量的均值作为漂移向量，将各漂移向量的模分别作为各圆形空间的漂移距离，根据圆形空间及其预设范围内其他圆形空间的漂移向量，分别确定各圆形空间在均值漂移聚类过程中的漂移方向。
进一步的，步骤S101、采集待分类的各皮革的表面图像并分别进行灰度化获得各灰度图像。具体包括：
首先，本发明实施例在皮革生产过程中设置图像采集设备，对待分类的皮革的表面图像进行采集，所采集到的皮革的表面图像为RGB图像，如此便于后续过程对图像的特征进行计算，以对皮革进行分类。
需要说明的是，RGB是一种颜色标准，通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色，RGB即是代表红、绿、蓝三个通道的颜色。
其次，分别对各皮革的表面图像进行灰度化处理，分别获得各皮革对应的灰度图像。其中灰度化处理过程包括：将表面图像中像素点在RGB三个通道中像素值的最大值，作为灰度图像中的像素点的灰度值。
本发明实施例中针对的处理对象为颜色或图案相互接近的皮革，即不存在因严重的颜色差别，使得不同颜色的皮革表面图像被处理成相同灰度图像，进而无法进行有效区分的情况。
进一步的，步骤S102、分别获得灰度图像中各像素点的LBP值，并对灰度图像中像素点的灰度值及LBP值进行统计获得统计矩阵。具体包括：
首先，分别获得灰度图像中各像素点的LBP值。
需要说明的是，LBP（Local Binary Pattern，局部二值模式）是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点，原始的LBP算子定义为在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。
具体的，3*3邻域内的8个像素点经比较可产生8位二进制数，通常转换为十进制数即LBP码，共256种，即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息，本发明实施例利用像素点的LBP值来表征像素点的特征。
需要说明的是，对于像素点对应的LBP值的获取，还可以采用圆形LBP算子，圆形LBP算子中用圆形邻域代替了正方形邻域，其允许在一定半径的圆形邻域内有任意多个像素点，从而得到了诸如半径内圆形区域内包含的多个采样点的LBP算子，常用的圆形LBP算子中采样点的数量为8个或16个。
可选的，将灰度图像中各所对应的二进制数为等价模式类的LBP值的像素点保留，需要说明的是，等价模式（Uniform Pattern）可以对LBP算子的模式种类进行降维。在实际图像中，绝大多数LBP模式最多只包含两次从1到0或从0到1的跳变。因此，当某个LBP所对应的循环二进制数从0到1或从1到0最多有两次跳变时，该LBP所对应的二进制就称为一个等价模式类。
示例性的，八位二进制数00000000中包含0次跳变，八位二进制数00000111中包含一次从0到1的跳变，八位二进制数10001111中包含由1跳到0以及由0跳到1，共两次跳变，根据之前的定义，进行举例的三个八位二进制数均为都是等价模式类。
这样，通过将等价模式类以外的进行剔除，使得二进制模式的种类大大减少，需要处理的数据的数量级大大减少，且保留下来的所有二进制数中所包含的信息不会减少。以3×3邻域内8个采样点为例，二进制模式由原始的256种减少为58种，这使得特征向量的维数更少。
其次，对灰度图像中像素点的灰度值及LBP值进行统计获得统计矩阵。所获得的统计矩阵中各行分别对应像素点的灰度值范围，统计矩阵中各列分别对应像素点的LBP值范围。
例如，像素点的灰度值范围为0到255时，且像素点的LBP值范围为0到255时，则在统计矩阵中存在256行及256列。初始的统计矩阵中各元素为0，后续对灰度图像中像素点的灰度值以及LBP值进行统计，例如，当灰度图像中同时存在20个像素点的灰度值为100且LBP值为50时，则在统计矩阵中第100行50列对应的值为20，并以此获得对灰度图像中像素点进行遍历，获得完成统计后的统计矩阵。
如此，便于后续利用得到的统计矩阵对灰度图像的特征进行获得。
进一步的，步骤S103、分别计算统计矩阵的各GLCM特征值并进行排列，获得灰度图像对应的统计特征向量。具体包括：
首先分别计算统计矩阵的各GLCM特征值。需要说明的是，像素灰度在空间位置上的反复出现形成图像的纹理，GLCM（Gray-level Co-occurrence Matrix，灰度共生矩阵）能够描述具有某种空间位置关系两个像素灰度的联合分布情况，进而反映图像的纹理情况。本发明实施例通过获得统计矩阵对应的灰度共生矩阵，并获取灰度共生矩阵的特征，以获得灰度图对应的统计特征。
具体的，灰度共生矩阵共有14个统计特征参数，分别为角二阶距(Angular SecondMoment，ASM)、对比度、相关性(correlation，COR)、和熵(sum of entropy，SOE)、方差(variance，VAR)、均值和(sum of average，SOA)、方差和(sum of variance，SOV)、逆差矩(inverse difference moment，IDM)、差方差(difference of variance，DOV)、差熵(Difference of entropy，DOE)、熵、最大相关系数（maximal correlation coefficient，MCC)和2个相关性参数(information measures of correlation，IMOC)，其中后3个参数是对前11个参数的进一步描述，并非直接对纹理进行表征，且计算过程复杂，因此后三个参数很少被用于对图像进行纹理分析。因此，本发明实施例只对前11个统计特征进行计算及分析。
最后，对统计矩阵的各GLCM特征值进行排列，获得灰度图像对应的统计特征向量。如此，便于后续过程中利用各皮革的灰度图像的统计特征向量对各皮革进行分类。
可选的，可以利用PCA（Principal components analysis，主成分分析）分别获得统计特征向量中各分量对应的权重，通过对多个统计特征向量进行PCA后，能够获得向量中各分量对应的权重。对统计特征向量中各分量对应的权重进行归一化处理，使各权重之和为1；将归一化处理后的各权重分别与对应的统计特征向量中各分量相乘，获得新的统计特征向量。如此，能够获得更具代表性的统计特征向量。
进一步的，步骤S104、将各灰度图像对应的统计特征向量进行均值漂移聚类，将均值漂移聚类的结果作为对各皮革的分类结果。具体包括：
均值漂移聚类过程中包括多个圆形空间，将圆形空间内所有统计特征向量的均值作为漂移向量，将各漂移向量的模分别作为各圆形空间的漂移距离，根据圆形空间及其预设范围内其他圆形空间的漂移向量，分别确定各圆形空间在均值漂移聚类过程中的漂移方向。
需要说明的是，均值漂移聚类是基于滑动窗口的算法，它试图找到数据点的密集区域。其这是一个基于质心的算法，它的目标是定位每个组/类的中心点，通过将中心点的候选点更新为滑动窗口内点的均值来完成，然后，在后处理阶段对这些候选窗口进行过滤以消除近似重复，形成最终的中心点集及其相应的组。
均值漂移的基本概念是沿着密度上升方向寻找聚簇点，本发明实施例是希望沿着统计特征向量的相似度的上升方向寻找聚簇点。
具体的，随机选择多个聚簇点，将各圆形空间内所有统计特征向量的均值分别作为各圆形空间对应的漂移向量，将各漂移向量的模分别作为各圆形空间的漂移距离。
同时，由于现有均值漂移过程中，漂移或偏移方向只是局部的相似度最大的方向，这导致聚类收敛速度慢。本发明实施例根据圆形空间及其预设范围内其他圆形空间的漂移向量，分别确定各圆形空间在均值漂移聚类过程中的漂移方向，能够使其尽快收敛完成聚类。
根据圆形空间及其预设范围内其他圆形空间的漂移向量，分别确定各圆形空间在均值漂移聚类过程中的漂移方向，包括：首先，分别获得圆形空间预设范围内其他各圆形空间的漂移向量对应的漂移权重：
Figure 892250DEST_PATH_IMAGE008
其中，
Figure 323231DEST_PATH_IMAGE002
为圆形空间预设范围内第
Figure 797331DEST_PATH_IMAGE003
个其他圆形空间对应的漂移权重，
Figure 630158DEST_PATH_IMAGE004
为圆形空间预设范围内其他圆形空间的数量，
Figure 662836DEST_PATH_IMAGE005
为圆形空间预设范围内第
Figure 581114DEST_PATH_IMAGE003
个其他圆形空间对应的漂移向量的模，
Figure 623019DEST_PATH_IMAGE006
为该圆形空间本身的漂移向量的模，
Figure 920139DEST_PATH_IMAGE007
为自然常数。
作为一个示例，本发明实施例中预设范围指的与圆形空间同心且半径为圆形空间的半径3倍的圆形区域。
其次，将圆形空间预设范围内其他各圆形空间对应的漂移权重进行归一化处理；利用归一化后的其他各圆形空间的漂移权重，对各其他各圆形空间的漂移向量进行第一加权求和，并将求和结果与该圆形空间的漂移权重进行第二加权求和，且所述第二加权求和过程中圆形空间的权重在0.6至0.9之间；
最后，将第二加权求和获得的向量的方向作为圆形空间在均值漂移聚类过程中的漂移方向。
根据上述步骤获取的漂移距离和漂移方向将聚簇点进行移动，重复上述步骤，完成均值漂移聚类过程，将均值漂移聚类的结果作为对各皮革的分类结果。如此，完成了对一定时长内待分类的皮革的分类过程，使得具有相同纹理特征的皮革被划分至一起。
可选的，可以对分类得到的不同类别的皮革进行编号，并构建初始神经网络；将不同编号对应的皮革的表面图像作为初始网络的输入，将皮革的编号作为初始神经网络的输出，对所述初始神经网络进行训练获得训练完成的神经网络；最后将新的待检测的皮革表面图像输入到训练完成的神经网络中，得到对新的待检测的皮革的分类结果。如此，能够在后续处理过程中直接获得待分类皮革的分类编号，并通过分类编号将各个皮革进行分类。
本发明实施例提供了一种基于计算机视觉的汽车座椅皮革分类装置，如图2所示，包括：
灰度图像获取模块201，用于采集待分类的各皮革的表面图像并分别进行灰度化获得各灰度图像。
统计矩阵获取模块202，用于分别获得灰度图像中各像素点的LBP值，并对灰度图像中像素点的灰度值及LBP值进行统计获得统计矩阵。
统计特征向量计算模块203，用于分别计算统计矩阵的各GLCM特征值并进行排列，获得灰度图像对应的统计特征向量。
均值漂移聚类模块204，用于将各灰度图像对应的统计特征向量进行均值漂移聚类，将均值漂移聚类的结果作为对各皮革的分类结果。
其中，均值漂移聚类模块204在进行均值漂移聚类中包括多个圆形空间，将圆形空间内所有统计特征向量的均值作为漂移向量，将各漂移向量的模分别作为各圆形空间的漂移距离，根据圆形空间及其预设范围内其他圆形空间的漂移向量，分别确定各圆形空间在均值漂移聚类过程中的漂移方向。
可选的，本发明实施例中的基于计算机视觉的汽车座椅皮革分类装置，还包括：神经网络训练模块205以及神经网络输出模块206。
神经网络训练模块205用于对分类得到的不同类别的皮革进行编号，并构建初始神经网络，将不同编号对应的皮革的表面图像作为初始网络的输入，将皮革的编号作为初始神经网络的输出，对所述初始神经网络进行训练获得训练完成的神经网络；
神经网络输出模块206用于将新的待分类的皮革表面图像输入到训练完成的神经网络中，以得到对新的待分类的皮革的分类结果。
其中，以上各模块的具体实现、相关说明及技术效果请参考具体实施方式中方法实施例部分。
基于与上述方法相同的发明构思，本实施例还提供了一种基于计算机视觉的汽车座椅皮革分类系统，本实施例中基于计算机视觉的汽车座椅皮革分类系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如基于计算机视觉的汽车座椅皮革分类方法实施例中所描述的对汽车座椅皮革进行分类。
由于基于计算机视觉的汽车座椅皮革分类方法实施例中已经对汽车座椅皮革进行分类的方法进行了说明，此处不再赘述。
综上所述，本发明提供了一种基于计算机视觉的汽车座椅皮革分类方法、装置及系统，能够对生产过程中的皮革进行较为精确地划分，避免了人工目视检测的主观性，同时对分类过程中所使用的均值漂移聚类结合实际需求进行了改进，缩短了均值漂移过程的收敛时长，提高了对皮革进行分类的效率。
本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本发明的方法和系统中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
上述实施例仅仅是为清楚地说明所做的举例，并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。

Claims (9)

1.基于计算机视觉的汽车座椅皮革分类方法，其特征在于，包括：
采集待分类的各皮革的表面图像并分别进行灰度化获得各灰度图像；
分别获得灰度图像中各像素点的LBP值，并对灰度图像中像素点的灰度值及LBP值进行统计获得统计矩阵；
分别计算统计矩阵的各GLCM特征值并进行排列，获得灰度图像对应的统计特征向量；
将各灰度图像对应的统计特征向量进行均值漂移聚类，将均值漂移聚类的结果作为对各皮革的分类结果；
其中，均值漂移聚类中包括多个圆形空间，将圆形空间内所有统计特征向量的均值作为漂移向量，将各漂移向量的模分别作为各圆形空间的漂移距离，根据圆形空间及其预设范围内其他圆形空间的漂移向量，分别确定各圆形空间在均值漂移聚类过程中的漂移方向；
其中，根据圆形空间及其预设范围内其他圆形空间的漂移向量，分别确定各圆形空间在均值漂移聚类过程中的漂移方向，包括：
分别获得圆形空间预设范围内其他各圆形空间的漂移向量对应的漂移权重：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为圆形空间预设范围内第
Figure DEST_PATH_IMAGE006
个其他圆形空间对应的漂移权重，
Figure DEST_PATH_IMAGE008
为圆形空间预设范围内其他圆形空间的数量，
Figure DEST_PATH_IMAGE010
为圆形空间预设范围内第
Figure 102459DEST_PATH_IMAGE006
个其他圆形空间对应的漂移向量的模，
Figure DEST_PATH_IMAGE012
为该圆形空间本身的漂移向量的模，
Figure DEST_PATH_IMAGE014
为自然常数；
将圆形空间预设范围内其他各圆形空间对应的漂移权重进行归一化处理；
利用归一化后的其他各圆形空间的漂移权重，对各其他各圆形空间的漂移向量进行第一加权求和，并将求和结果与该圆形空间的漂移权重进行第二加权求和，且第二加权求和过程中圆形空间的权重在0.6至0.9之间；
将第二加权求和获得的向量的方向作为圆形空间在均值漂移聚类过程中的漂移方向。
2.根据权利要求1所述的基于计算机视觉的汽车座椅皮革分类方法，其特征在于，统计矩阵的各GLCM特征值包括：统计矩阵的GLCM的角二阶距ASM、对比度CON、相关性COR、和熵SOE、方差VAR、均值和SOA、方差和SOV、逆差矩IDM、差方差DOV、差熵DOE以及熵ENT。
3.根据权利要求1所述的基于计算机视觉的汽车座椅皮革分类方法，其特征在于，分别获得灰度图像中各像素点的LBP值后，所述方法还包括：将灰度图像中所对应的二进制数为等价模式类的LBP值的像素点保留。
4.根据权利要求1所述的基于计算机视觉的汽车座椅皮革分类方法，其特征在于，获得灰度图像对应的统计特征向量后，所述方法还包括：
利用PAC分别获得统计特征向量中各分量对应的权重；
对统计特征向量中各分量对应的权重进行归一化处理，使各权重之和为1；
将归一化处理后的各权重分别与对应的统计特征向量中各分量相乘，获得新的统计特征向量。
5.根据权利要求1所述的基于计算机视觉的汽车座椅皮革分类方法，其特征在于，将均值漂移聚类的结果作为对各皮革的分类结果后，所述方法还包括：
对分类得到的不同类别的皮革进行编号，构建初始神经网络；
将不同编号对应的皮革的表面图像作为初始网络的输入，将皮革的编号作为初始神经网络的输出，对所述初始神经网络进行训练获得训练完成的神经网络；
将新的待分类的皮革表面图像输入到训练完成的神经网络中，得到对新的待分类的皮革的分类结果。
6.根据权利要求1所述的基于计算机视觉的汽车座椅皮革分类方法，其特征在于，对表面图像进行灰度化获得灰度图像，包括：
将表面图像中像素点在RGB三个通道中像素值的最大值，作为所述灰度图像中的像素点的灰度值。
7.基于计算机视觉的汽车座椅皮革分类装置，其特征在于，包括：
灰度图像获取模块，用于采集待分类的各皮革的表面图像并分别进行灰度化获得各灰度图像；
统计矩阵获取模块，用于分别获得灰度图像中各像素点的LBP值，并对灰度图像中像素点的灰度值及LBP值进行统计获得统计矩阵；
统计特征向量计算模块，用于分别计算统计矩阵的各GLCM特征值并进行排列，获得灰度图像对应的统计特征向量；
均值漂移聚类模块，用于将各灰度图像对应的统计特征向量进行均值漂移聚类，将均值漂移聚类的结果作为对各皮革的分类结果；
其中，均值漂移聚类模块在进行均值漂移聚类中包括多个圆形空间，将圆形空间内所有统计特征向量的均值作为漂移向量，将各漂移向量的模分别作为各圆形空间的漂移距离，根据圆形空间及其预设范围内其他圆形空间的漂移向量，分别确定各圆形空间在均值漂移聚类过程中的漂移方向；
其中，根据圆形空间及其预设范围内其他圆形空间的漂移向量，分别确定各圆形空间在均值漂移聚类过程中的漂移方向，包括：
分别获得圆形空间预设范围内其他各圆形空间的漂移向量对应的漂移权重：
Figure 472129DEST_PATH_IMAGE002
其中，
Figure 48604DEST_PATH_IMAGE004
为圆形空间预设范围内第
Figure 53601DEST_PATH_IMAGE006
个其他圆形空间对应的漂移权重，
Figure 336814DEST_PATH_IMAGE008
为圆形空间预设范围内其他圆形空间的数量，
Figure 956015DEST_PATH_IMAGE010
为圆形空间预设范围内第
Figure 86299DEST_PATH_IMAGE006
个其他圆形空间对应的漂移向量的模，
Figure 19619DEST_PATH_IMAGE012
为该圆形空间本身的漂移向量的模，
Figure 485236DEST_PATH_IMAGE014
为自然常数；
将圆形空间预设范围内其他各圆形空间对应的漂移权重进行归一化处理；
利用归一化后的其他各圆形空间的漂移权重，对各其他各圆形空间的漂移向量进行第一加权求和，并将求和结果与该圆形空间的漂移权重进行第二加权求和，且第二加权求和过程中圆形空间的权重在0.6至0.9之间；
将第二加权求和获得的向量的方向作为圆形空间在均值漂移聚类过程中的漂移方向。
8.根据权利要求7所述的基于计算机视觉的汽车座椅皮革分类装置，其特征在于，所述装置还包括：
神经网络训练模块，用于对分类得到的不同类别的皮革进行编号，并构建初始神经网络，将不同编号对应的皮革的表面图像作为初始网络的输入，将皮革的编号作为初始神经网络的输出，对所述初始神经网络进行训练获得训练完成的神经网络；
神经网络输出模块，用于将新的待分类的皮革表面图像输入到训练完成的神经网络中，以得到对新的待分类的皮革的分类结果。
9.基于计算机视觉的汽车座椅皮革分类系统，包括：存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-6中任一项所述的基于计算机视觉的汽车座椅皮革分类方法。
CN202210829597.5A 2022-07-15 2022-07-15 基于计算机视觉的汽车座椅皮革分类方法、装置及系统 Active CN114913512B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210829597.5A CN114913512B (zh) 2022-07-15 2022-07-15 基于计算机视觉的汽车座椅皮革分类方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210829597.5A CN114913512B (zh) 2022-07-15 2022-07-15 基于计算机视觉的汽车座椅皮革分类方法、装置及系统

Publications (2)

Publication Number Publication Date
CN114913512A CN114913512A (zh) 2022-08-16
CN114913512B true CN114913512B (zh) 2022-09-23

Family

ID=82771930

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210829597.5A Active CN114913512B (zh) 2022-07-15 2022-07-15 基于计算机视觉的汽车座椅皮革分类方法、装置及系统

Country Status (1)

Country Link
CN (1) CN114913512B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093216A (zh) * 2013-02-04 2013-05-08 北京航空航天大学 基于人脸图像的性别分类方法及系统
CN110188806A (zh) * 2019-05-21 2019-08-30 华侨大学 一种基于机器视觉的大圆机织物疵点检测与分类方法
CN110516661A (zh) * 2019-10-21 2019-11-29 武汉虹识技术有限公司 应用于虹膜识别的美瞳检测方法及装置
CN113850808A (zh) * 2021-12-01 2021-12-28 武汉泰盛包装材料有限公司 基于图像处理的多层瓦楞纸排列缺陷检测方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104766084B (zh) * 2015-04-10 2017-12-05 南京大学 一种多目标匹配的近复制图像检测方法
CN109858485A (zh) * 2019-01-25 2019-06-07 东华大学 一种基于lbp和glcm的织物瑕疵检测方法
CN110321890B (zh) * 2019-04-26 2021-04-20 重庆邮电大学 一种电力巡检机器人的数字仪表识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093216A (zh) * 2013-02-04 2013-05-08 北京航空航天大学 基于人脸图像的性别分类方法及系统
CN110188806A (zh) * 2019-05-21 2019-08-30 华侨大学 一种基于机器视觉的大圆机织物疵点检测与分类方法
CN110516661A (zh) * 2019-10-21 2019-11-29 武汉虹识技术有限公司 应用于虹膜识别的美瞳检测方法及装置
CN113850808A (zh) * 2021-12-01 2021-12-28 武汉泰盛包装材料有限公司 基于图像处理的多层瓦楞纸排列缺陷检测方法及装置

Also Published As

Publication number Publication date
CN114913512A (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
CN111179251B (zh) 基于孪生神经网络利用模板比对的缺陷检测系统及方法
CN110992354B (zh) 基于引入自动记忆机制对抗自编码器的异常区域检测方法
CN111815601B (zh) 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法
CN108171209B (zh) 一种基于卷积神经网络进行度量学习的人脸年龄估计方法
CN106599854B (zh) 基于多特征融合的人脸表情自动识别方法
CN1894703B (zh) 模式识别方法和设备
CN107563999A (zh) 一种基于卷积神经网络的芯片缺陷识别方法
CN111652292B (zh) 一种基于ncs、ms的相似物体实时检测方法及系统
CN111652273B (zh) 一种基于深度学习的rgb-d图像分类方法
CN113177937B (zh) 基于改进YOLOv4-tiny的布匹缺陷检测方法
CN111311702B (zh) 一种基于BlockGAN的图像生成和识别模块及方法
CN115994907B (zh) 用于食品检测机构综合信息的智能处理系统及方法
CN112561849A (zh) 晶圆缺陷检测方法
CN116012291A (zh) 工业零件图像缺陷检测方法及系统、电子设备和存储介质
Ibragimovich et al. Optimization of identification of micro-objects based on the use of characteristics of images and properties of models
CN112364974A (zh) 一种基于激活函数改进的YOLOv3算法
CN117522864B (zh) 基于机器视觉的欧松板表面瑕疵检测方法
CN114155226A (zh) 一种微小缺陷边缘计算方法
CN113421223B (zh) 基于深度学习和高斯混合的工业产品表面缺陷检测方法
CN114065798A (zh) 基于机器识别的视觉识别方法及装置
CN114913512B (zh) 基于计算机视觉的汽车座椅皮革分类方法、装置及系统
CN111160142A (zh) 一种基于数值预测回归模型的证件票据定位检测方法
CN113657196B (zh) Sar图像目标检测方法、装置、电子设备和存储介质
CN111582099B (zh) 一种基于虹膜远源特征交运算决策的身份验证方法
CN114757916A (zh) 基于特征提取和bp网络的工业ct图像缺陷分类方法

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