CN117191716B - 基于人工智能的磁性印刷品质量实时检测方法 - Google Patents
基于人工智能的磁性印刷品质量实时检测方法 Download PDFInfo
- Publication number
- CN117191716B CN117191716B CN202311450541.XA CN202311450541A CN117191716B CN 117191716 B CN117191716 B CN 117191716B CN 202311450541 A CN202311450541 A CN 202311450541A CN 117191716 B CN117191716 B CN 117191716B
- Authority
- CN
- China
- Prior art keywords
- pixel
- band
- wave band
- pixels
- difference
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 16
- 238000011897 real-time detection Methods 0.000 title abstract description 10
- 230000005856 abnormality Effects 0.000 claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 230000000694 effects Effects 0.000 claims abstract description 19
- 238000012937 correction Methods 0.000 claims abstract description 14
- 230000003595 spectral effect Effects 0.000 claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims description 125
- 230000002159 abnormal effect Effects 0.000 claims description 53
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 34
- 238000004458 analytical method Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 235000018185 Betula X alpestris Nutrition 0.000 description 2
- 235000018212 Betula X uliginosa Nutrition 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及利用光谱性质进行磁性印刷品质量检测的技术领域,具体涉及基于人工智能的磁性印刷品质量实时检测方法。该方法通过获取磁性印刷品印刷区域的光谱信息,利用层次聚类算法获取第一异常程度;进一步分析像元与模板之间的差异以及像元的邻域相关特性获得修正异常可能性;进一步根据波段重要性、修正异常可能性、第一异常程度调整层次聚类算法参数;最后根据调整后的层次聚类算法的聚类结果对光谱信息进行去噪,并根据优化光谱信息获得印刷品参数。本发明改进后的检测方法能够根据实际场景不断调整,避免因为层次聚类算法参数设置不合适导致去噪效果较差,影响最终检测结果的情况,提升了检测方法的可靠性和准确性。
Description
技术领域
本发明涉及利用光谱性质进行磁性印刷品质量检测的技术领域,具体涉及基于人工智能的磁性印刷品质量实时检测方法。
背景技术
磁性印刷品质量实时检测是对磁性印刷品进行自动化检测和质量控制的方法。传统的磁性印刷品质量检测通常需要人工干预和目视检查,效率低且容易出错;而借助人工智能技术,通过对光谱信息进行处理,可以实现高效、准确和实时的磁性印刷品质量检测。
由于光谱信息中存在噪声,影响光谱信息的质量以及对应产品质量检测结果的准确性,使用层次聚类算法进行异常检测,然后将异常程度较大的像素点通过滤波算法处理,可以在保护图像细节的同时去除光谱信息中的噪声。但是不同场景下对应层次聚类算法使用不同参数会导致聚类结果的不同,进而影响到质量检测结果。
发明内容
为了解决层次聚类算法参数设置不合适,影响质量检测结果的技术问题,本发明的目的在于提供一种基于人工智能的磁性印刷品质量实时检测方法,所采用的技术方案具体如下:
获取磁性印刷品印刷区域的光谱信息;对所述光谱信息通过层次聚类算法进行异常检测,获得所述印刷区域中每个像元在每个波段下的第一异常程度;
在每个波段下,获取每个像元的光谱信息与预设模板光谱信息的波段光谱差异;根据所述波段光谱差异和所述波段光谱差异的变化特征获取每个像元在每个波段下的初始异常可能性;根据所述光谱信息的每个波段中的像元值,获取任意两个像元的初始相关性;在每个波段下,根据每个像元与其预设邻域范围内其他像元之间的所述初始相关性和像元值差异,获取每个像元在每个波段下的邻域相关性差异参数;根据所述邻域相关性差异参数对所述初始异常可能性进行修正,获得每个像元在每个波段下的修正异常可能性;
根据历史数据中每个波段内所有像元的所述邻域相关性差异参数,获得每个波段对应的波段重要性;根据所述波段重要性、所述修正异常可能性、所述第一异常程度对层次聚类算法进行调整,根据调整后的聚类结果获取所有像元的第二异常程度;根据所述像元的第二异常程度对所述光谱信息进行去噪,获得优化光谱信息;
根据优化光谱信息获得印刷区域的印刷品质参数。
进一步地,所述第一异常程度的获取方法包括:
根据像元所在聚类簇的簇内像元数量和像元在聚类特征树的层数获取第一异常程度;所述簇内像元数量和所述聚类特征树的层数均与所述第一异常程度呈负相关关系。
进一步地,所述波段光谱差异的获取方法包括:
获取所述印刷区域的像元在不同波段下的像元值,将像元在所有波段下的像元值构成对应像元的特征曲线;
获取预设模板的模板光谱信息中像元在不同波段下的像元值,将像元在所有波段下的像元值构成对应像元的初始模板曲线;在所述初始模板曲线中,筛选出所述特征曲线的最优模板曲线;
根据所述特征曲线与所述最优模板曲线在同一波段下的差异,获得所述波段光谱差异。
进一步地,所述最优模板曲线的获取方法包括:
获取所述印刷区域的像元的所述特征曲线与预设模板图像中的初始模板曲线的曲线相似性,选取所述曲线相似性中相似性最高的所述预设模板图像中的初始模板曲线作为最优模板曲线,所述最优模板曲线与所述特征曲线的所述曲线相似性为最优曲线相似性。
进一步地,所述初始异常可能性的获取方法包括:
获取每个像元的所有波段的所述波段光谱差异的均值作为每个像元的第一差异参数;
将每个波段下所述每个像元的所述波段光谱差异与所述第一差异参数的差值绝对值的累加和,作为每个波段下每个像元的第二差异参数;
选择任意波段为目标波段,任意像元为目标像元,将目标像元在目标波段下的波段光谱差异、对应的所述第二差异参数和对应的所述最优曲线相似性相乘,获得目标波段下目标像元的初始异常可能性;
改变目标波段和目标像元,获得每个波段下每个像元的初始异常可能性。
进一步地,所述初始相关性的获取方法包括:
根据初始相关性的计算公式获取初始相关性,所述初始相关性的计算公式包括:
其中,和/>均表示像元的序号;/>表示像元/>和像元/>的初始相关性;/>表示归一化函数;/>表示所述光谱信息中波段的序号;/>表示序号为/>的波段下,像元/>的像元值;/>表示序号为/>的波段下,像元/>的像元值;/>表示在所有相同波段下像元/>和像元/>的像元值比值的均值;/>表示所述光谱信息的波段的总数。
进一步地,所述邻域相关性差异参数的获取方法包括:
选取任一波段为目标波段,在目标波段下,根据每个像元与其预设邻域范围内其他像元的所述初始相关性和像元值差异,利用相关性差异参数计算公式获得邻域相关性差异参数;改变目标波段,获取每个像元在每个波段下的邻域相关性差异参数;所述相关性差异参数计算公式包括:
其中,表示在目标波段下像元/>的邻域相关性差异参数;/>表示像元的序号;/>表示像元/>预设邻域范围内其他像元的序号;/>为预设邻域范围内其他像元数量;/>表示像元/>与邻域范围内像元/>的初始相关性;/>表示归一化函数;/>表示在目标波段下像元/>的像元值,/>表示在目标波段下像元/>的像元值;/>表示在所有相同波段下像元/>和像元/>的像元值比值的均值。
进一步地,所述波段重要性的获取方法包括:
获取历史数据中每个检测过磁性印刷品在每个波段下所有像元的邻域相关性差异参数之和作为每个检测过磁性印刷品在每个波段下的参考波段重要性;获取所有检测过磁性印刷品在每个波段下的参考波段重要性之和作为每个波段对应的波段重要性。
进一步地,所述根据所述波段重要性、所述修正异常可能性、所述第一异常程度对层次聚类算法进行调整的过程包括:
将所述每个波段内所有像元的所述修正异常可能性与所述第一异常程度的曼哈顿距离作为每个波段的异常差异参数;将每个波段的所述异常差异参数分别与对应的波段重要性相乘并求和,求和结果归一化处理后负相关映射,最终映射结果作为评价参数;
当评价参数小于等于预设效果阈值时,根据预设调整方法,调整层次聚类算法继续聚类,直至所述评价参数大于预设效果阈值。
进一步地,所述印刷品质量参数的获取方法包括:
获取每个波段下预设模板的模板光谱信息和优化光谱信息的匹配程度;将所有所述波段重要性进行归一化处理,获得重要性参数;将任一波段的所述重要性参数与所有波段的所述重要性参数之和的比值,与对应的所述匹配程度相乘,获得每个波段的印刷品质量子参数;将所有波段的所有印刷品质量子参数求和,获得印刷品质量参数。
本发明具有如下有益效果:
首先获取磁性印刷品印刷区域的光谱信息,获取磁性印刷品的印刷区域可以减少分析范围,减少检测方法的计算量,光谱信息能够准确地捕捉印刷品上的细微异常,这使得检测方法能够实现高精度的质量评估;通过层次聚类算法进行异常检测,获取像元的第一异常程度,供后续调整层次聚类算法参考;进一步分析像元的光谱信息与预设模板光谱信息之间的差异,从与模板差异角度获得初始异常可能性,然后结合像元与其邻域范围内其他像元的相关性特征,对初始异常可能性进行修正,使得修正异常可能性避免仅考虑与模板差异角度带来的误差,提高修正异常可能性的准确性和可靠度,为后续调整层次聚类算法提供可靠的参考依据;进一步根据每个波段内像元的邻域相关性特征,分析每个波段的重要性,避免了将每个波段等权处理,与印刷品本身特性对不同波段表现出不同特性的实际情况不符所产生的误差;进一步根据波段重要性、修正异常可能性、第一异常程度对层次聚类算法进行调整,使得调整后的层次聚类算法更加适合磁性印刷品质量检测的实际场景,根据调整后的聚类结果获取所有像元的第二异常程度更加准确,获得的优化光谱信息去噪效果更好;最后将优化光谱信息的数据信息转化为印刷品质参数,使光谱信息更加直观,方便后续进行质量判断时能够迅速并准确的对磁性印刷品的质量做出判别。
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磁性印刷品质量实时检测方法的流程图。
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效,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磁性印刷品质量实时检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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磁性印刷品质量实时检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于人工智能的磁性印刷品质量实时检测方法的流程图。
步骤S1:获取磁性印刷品印刷区域的光谱信息;对光谱信息通过层次聚类算法进行异常检测,获得印刷区域中每个像元在每个波段下的第一异常程度。
光谱信息可以提供关于不同波段的详细数据,从而能够更准确地捕捉印刷品上的细微异常,这使得检测方法能够实现高精度的质量评估;获取磁性印刷品的印刷区域可以减少分析范围,减少检测方法的计算量;通过层次聚类算法进行异常检测,可以获取像元的第一异常程度,供后续调整层次聚类算法参考。
在本发明一个实施例中,将获取的磁性印刷品的RGB图像通过语义分割网络,获取磁性印刷品的印刷区域,将印刷区域映射到各个波段的光谱信息中,获得仅包括印刷区域的光谱信息。其中语义分割网络使用U-net神经网络,网络输入为磁性印刷品的RGB图像信息,网络输出为仅包含磁性印刷品区域的信息,网络打标签方式为,将背景区域标记为0,磁性印刷品区域标记为1,网络损失函数使用交叉熵损失函数。需要说明的是,U-net神经网络已是本领域技术人员所熟知的,在此不再进行赘述;在本发明其他实施例中,实施者可选择边缘检测、区域增长等方法,获得印刷区域。
通过层次聚类,可以定位像元在聚类特征树上的具体位置,能够准确的发现一些异常像元,根据像元在聚类特征树上的具体位置,可以评估像元的异常程度。
优选地,在本发明一个实施例中,根据像元所在聚类簇的簇内像元数量和像元在聚类特征树的层数获取第一异常程度;簇内像元数量和聚类特征树的层数均与第一异常程度呈负相关关系。第一异常程度的计算公式包括:
其中,表示像元的序号;/>表示波段的序号;/>表示序号为/>的波段下第/>个像元的第一异常程度;/>表示序号为/>的波段下第/>个像元所在聚类簇的簇内像元数量;/>表示序号为/>的波段下第/>个像元在聚类特征树的层数;/>表示以自然常数/>为底的指数函数。在本发明一个实施例中,选择利用层次方法的平衡迭代规约和聚类(BalancedIterative Reducing and Clustering Using Hierarchies,BIRCH)方法获取每个像元的第一异常程度,最大叶子节点数设置为3,BIRCH层次聚类算法已是本领域技术人员所熟知的技术手段,在此不再进行赘述。
第一异常程度的计算公式中,聚类簇的簇内像元数量越少,越小,说明对应的像元越特殊,异常可能性越大,第一异常程度越大;像元在聚类特征树的层数越小,/>越小,说明对应的聚类簇距离聚类特征树的根部越近,异常可能性越大,第一异常程度越大。
步骤S2:在每个波段下,获取每个像元的光谱信息与预设模板光谱信息的波段光谱差异;根据波段光谱差异和波段光谱差异的变化特征获取每个像元在每个波段下的初始异常可能性;根据光谱信息的每个波段中的像元值,获取任意两个像元的初始相关性;在每个波段下,根据每个像元与其预设邻域范围内其他像元之间的初始相关性和像元值差异,获取每个像元在每个波段下的邻域相关性差异参数;根据邻域相关性差异参数对初始异常可能性进行修正,获取每个像元在每个波段下的修正异常可能性。
为了评价层次聚类算法的聚类效果进而调整层次聚类算法参数,需要根据像元光谱信息的自身特征获取异常可能性:首先分析像元与预设模板的模板光谱信息,获得波段光谱差异,波段光谱差异越大,说明对应像元的噪声可能性越大;进一步结合波段光谱差异的变化特征和波段光谱差异对每个像元在每个波段下的噪声可能性进行初步评估,获得初始异常可能性,初始异常可能性越大,说明对应像元的噪声可能性越大;进一步分析任意两个像元的相关性,获得两个像元的初始相关性,用于反映两个像元的相关程度,初始相关性越大,表明两个像元的相关程度越大;进一步根据每个像元与其预设邻域范围内其他像元之间的初始相关性和像元值差异,获取代表每个像元与其预设邻域范围内其他像元差异程度的邻域相关性差异参数,邻域相关性差异参数越大,说明像元与其邻域的相关程度越小,越有可能是噪声像元;最后结合邻域相关性差异参数对初始异常可能性进行修正,获得修正异常可能性,使修正异常可能性既包含与模板的异常比对信息又包含像元与邻域内其他像元的相似性信息,为后续调整层次聚类算法参数提供了准确的修正异常可能性这一参数。
将像元的光谱信息与预设模板光谱信息进行对比,可以借助预设模板对像元的异常程度进行初步的评价,像元与模板的差异越大,像元的异常程度就越大,越有可能为噪声像元。优选地,在本发明一个实施例中,
获取印刷区域的像元在不同波段下的像元值,将像元在所有波段下的像元值构成对应像元的特征曲线;
获取预设模板的模板光谱信息中像元在不同波段下的像元值,将像元在所有波段下的像元值构成对应像元的初始模板曲线;在初始模板曲线中,筛选出特征曲线的最优模板曲线;
根据特征曲线与最优模板曲线在同一波段下的差异,获得波段光谱差异。
将光谱信息转化为曲线信息,可以非常便捷的对比待检测磁性印刷品内像元与预设模板像元的差异,并且可以根据曲线之间的相似性对像元的异常程度进行修正,相似性越大,说明获得的异常程度可信度越高。
优选地,在本发明一个实施例中,最优模板曲线的获取方法包括:获取印刷区域的像元的特征曲线与预设模板图像中的初始模板曲线的曲线相似性,选取曲线相似性中相似性最高的预设模板图像中的初始模板曲线作为最优模板曲线,最优模板曲线与特征曲线的曲线相似性为最优曲线相似性。
通过波段光谱差异和最优曲线相似性的获取方式能够看出:波段光谱差异可以从像元与模板差异角度评估像元的异常程度;最优曲线相似性可以作为一个可信度权重,为像元的异常程度赋权,相似性越大,获得的异常程度可信度就越高;而分析不同波段的波段光谱差异可以从整体角度评估像元的异常程度;所以综合考虑波段光谱差异和波段光谱差异的变化特征以及最优曲线相似性,获得像元的初始异常可能性。优选地,在本发明一个实施例中,初始异常可能性的获取方法具体包括:
获取每个像元的所有波段的波段光谱差异的均值作为每个像元的第一差异参数;
将每个波段下每个像元的波段光谱差异与第一差异参数的差值绝对值的累加和,作为每个波段下每个像元的第二差异参数;
选择任意波段为目标波段,任意像元为目标像元,将目标像元在目标波段下的波段光谱差异、对应的第二差异参数和对应的最优曲线相似性相乘,获得目标波段下目标像元的初始异常可能性;改变目标波段和目标像元,获得每个波段下每个像元的初始异常可能性。
初始异常可能性的计算公式包括:
其中,表示目标波段下目标像元的初始异常程度;/>表示像元的特征曲线与对应的模板曲线的最优曲线相似性;/>表示目标波段下目标像元的像元值与模板曲线中对应的波段下像元的像元值的像元值差异;/>表示波段的序号;/>表示光谱信息中波段的数量;表示序号为/>的波段下目标像元对应的像元值差异;/>表示所有波段的目标像元的像元值差异均值,也表示第一差异参数;/>表示第二差异参数。
初始异常可能性计算公式中,像元的特征曲线和模板曲线的相似性越大,说明模板曲线的参考性越高、可信度越高,所以与初始异常程度正相关;每个波段下像元的像元值与模板曲线中对应的波段下像元的像元值的像元值差异越大,说明像元异常的可能性越高,初始异常程度就越大;第二差异参数越大,说明整体像元值差异的波动越大,像元的异常程度越大,初始异常程度就越大。
仅通过分析每个像元的光谱信息与预设模板光谱信息的差异,获得的初始异常可能性会有些片面,所以本发明又结合像元的邻域特征,获得邻域相关性差异参数,以对初始异常程度进行修正,使得修正后的异常可能性更加准确,最终调节的层次聚类算法更加合适,提升质量检测准确性。为获得像元的邻域特征,首先获得任意两个像元相关性特征:
优选地,在本发明一个实施例中,初始相关性的获取方法包括:根据初始相关性的计算公式获取初始相关性,初始相关性的计算公式包括:
其中,和/>均表示像元的序号;/>表示像元/>和像元/>的初始相关性;/>表示归一化函数;/>表示光谱信息中波段的序号;/>表示序号为/>的波段下,像元/>的像元值;/>表示序号为/>的波段下,像元/>的像元值;/>表示在所有相同波段下像元/>和像元/>的像元值比值的均值;/>表示光谱信息的波段的总数。
初始相关性的计算公式中,两个像元在每个相同波段下的比值与所有相同波段下比值均值的差异越大,就越大,说明两个像元比值的波动性越强,两个像元的相关性就越弱,两个像元的初始相关性就越小。
通过两个像元在所有相同波段的像元值的比值变化特征,获得两个像元的初始相关性,可以反映出两个像元光谱信息的相关性,初始相关性越大,说明这两个像元在多数波段上的光谱差异较小,这两个像元相关性就越大,通过获取像元与其邻域内其他像元的初始相关性,就可以获取像元的邻域相关性特征,因为像元每个波段均对应一个初始异常可能性,为了对初始异常可能性进行修正,所以需要获取每个波段下的邻域相关性特征,每个像元的每个波段的邻域相关性特征获取方法相同,以一个邻域相关性特征获取过程为例,在本发明一个优选实施例中,邻域相关性差异参数的具体获取方法包括:选取任一波段为目标波段,在目标波段下,根据每个像元与其预设邻域范围内其他像元的初始相关性和像元值差异,利用相关性差异参数计算公式获得邻域相关性差异参数;改变目标波段,获取每个像元在每个波段下的邻域相关性差异参数,相关性差异参数计算公式包括:
其中,表示在目标波段下像元/>的邻域相关性差异参数;/>表示像元的序号;/>表示像元/>预设邻域范围内其他像元的序号;/>为预设邻域范围内其他像元数量;/>表示像元/>与邻域范围内像元/>的初始相关性;/>表示归一化函数;/>表示在目标波段下像元/>的像元值,/>表示在目标波段下像元/>的像元值;/>表示在所有相同波段下像元/>和像元/>的像元值比值的均值。相关性差异参数计算公式中,两个像元的相似程度越小、像元与邻域范围内其他像元的像元值比值波动越大,/>就越大,就越小,/>就越大,邻域相关性差异参数就越大。
根据像元与其邻域范围内其他像元的整体相关性差异获得邻域相关性差异参数,可以充分体现出像元的邻域相关性特征,便于对初始异常可能性进行修正。
在本发明一个实施例中,将像元相同波段下的邻域相关性差异参数与初始异常可能性相乘,乘积作为对应波段的修正异常可能性。
修正异常可能性结合了像元光谱信息与模板光谱信息的差异、像元的邻域相关性特征,可以准确的反应出像元的异常情况,能够为后续评价层次聚类算法效果和调整层次聚类算法参数提供可靠的参考依据。
步骤S3:根据历史数据中每个波段内所有像元的邻域相关性差异参数,获得每个波段对应的波段重要性;根据波段重要性、修正异常可能性、第一异常程度对层次聚类算法进行调整,根据调整后的聚类结果获取所有像元的第二异常程度;根据像元的第二异常程度对光谱信息进行去噪,获得优化光谱信息。
因为磁性印刷品的本身的物理特性,对不同波段的光具有不同的吸收特性和反射率,并且噪声在不同波段的表现情况也不一致,所以每个波段的重要程度不一致,需要根据每个波段的重要程度对步骤S2获取的修正异常可能性进行进一步修正。第一异常程度代表了层次聚类算法的初步聚类结果;修正异常可能性是根据像元光谱信息获得的参考依据;波段重要性代表了噪声在不同波段的表现情况,结合波段重要性、修正异常可能性、第一异常程度对层次聚类算法进行调整,根据调整后的聚类结果获得的像元的第二异常程度更加准确,更有说服力,最终的去噪效果更好,优化光谱信息更可靠,提升检测方法的准确性。
由于光谱信息中每个波段均存在噪声像元,噪声在不同波段的表现情况不一致,所以一些噪声像元较多的波段重要程度更高,并且为了减小不同产品之间波段重要性差异的影响,根据历史数据进行分析,获得更为准确的波段重要性。每个波段的波段重要性获取方法相同,以一个波段的波段重要性获取过程为例,在本发明一个优选实施例中,波段重要性的具体获取方法包括:获取历史数据中每个检测过磁性印刷品在每个波段下所有像元的邻域相关性差异参数之和作为每个检测过磁性印刷品在每个波段下的参考波段重要性;获取所有检测过磁性印刷品在每个波段下的参考波段重要性之和作为每个波段对应的波段重要性。波段重要性的计算公式包括:
其中:表示波段的序号;/>表示第/>个波段的波段重要性;/>表示历史数据中磁性印刷品的序号;/>表示像元的序号;/>表示历史数据中检测过磁性印刷品的数量;/>表示序号为/>的波段下第/>个磁性印刷品对应的像元的数量;/>表示第/>个磁性印刷品第/>个像元的相关性差异参数。
波段重要性的计算公式中,像元越有可能是噪声像元,则像元的相关性差异参数越大,求和之后的波段重要性就越大就越大;波段内可能是噪声像元的像元越多,波段重要性就越大。
第一异常程度反映了层次聚类算法的聚类输出;修正异常可能性则基于像元光谱信息得到的参考依据;而波段重要性则代表了噪声在各个波段中的表现,结合这三者综合分析,可以对层次聚类算法进行评价,进而对层次聚类算法进行调整。优选地,在本发明一个实施例中,根据波段重要性、修正异常可能性、第一异常程度对层次聚类算法进行调整的过程包括:将每个波段内所有像元的修正异常可能性与第一异常程度的曼哈顿距离作为每个波段的异常差异参数;将每个波段的异常差异参数分别与对应的波段重要性相乘并求和,求和结果归一化处理后负相关映射,最终映射结果作为评价参数;当评价参数小于等于预设效果阈值时,根据预设调整方法,调整层次聚类算法继续聚类,直至评价参数大于预设效果阈值。评价参数的计算公式包括:
其中表示层次聚类算法的评价参数;/>表示归一化函数;/>表示波段的序号;/>表示波段序号总数;/>表示序号为/>波段的波段重要性;/>表示像元的序号;/>表示序号为/>波段的像元的数量;/>表示序号为/>的波段下第/>个像元的第一异常程度;/>表示序号为/>的波段下第/>个像元的修正异常可能性。
评价参数的计算公式中,修正异常可能性与第一异常程度差异越大,就越大,评价参数就越小,说明当前层次聚类算法的聚类结果越差,层次聚类算法的参数设置越不合适,越需要调整。
在本发明一个实施例中,预设效果阈值为0.7,预设调整方法为将最大叶子节点数增加1;在本发明其他实施例中,实施者可以自行设定效果阈值,采用调节层次聚类算法的阈值参数、分支因子等其他方式调节层次聚类算法。
在本发明实施例中,将像元的光谱信息通过调整后的层次聚类算法获得调整后的聚类结果,根据调整后的聚类结果利用计算第一异常程度的计算公式获取所有像元的第二异常程度,在本发明一个实施例中,将第二异常程度大于0.7的像元使用高斯滤波进行处理,得到优化光谱信息;在本发明其他实施例中,实施者可自行设置第二异常程度的阈值和采取双边滤波等其他去噪方法。
步骤S4:根据优化光谱信息获得印刷区域的印刷品质参数。
优化光谱信息去除了光谱信息中的噪声,为检测方法提供了更准确的数据信息,将数据信息转化为印刷品质参数,使光谱信息更加直观,方便后续进行质量判断时能够迅速并准确的做出判别,监测磁性印刷品的质量。
一个波段对应的波段的重要性在所有波段中的占比越大,说明此波段的重要程度就越高;将磁性印刷品与模板的模板光谱信息进行匹配分析,获得两者的匹配程度,可以表示出磁性印刷品相较于模板的差异程度,匹配程度小,说明差异程度越大;使用波段的重要性在所有波段中的占比对匹配程度进行赋权,获得更加准确的印刷品质量参数。优选地,在本发明一个实施例中,印刷品质量参数的获取方法包括:获取每个波段下预设模板的模板光谱信息和优化光谱信息的匹配程度;将所有波段重要性进行归一化处理,获得重要性参数;将任一波段的重要性参数与所有波段的重要性参数之和的比值,与对应的匹配程度相乘,获得每个波段的印刷品质量子参数;将所有波段的所有印刷品质量子参数求和,获得印刷品质量参数。印刷品质量参数的计算公式包括:
其中,表示印刷品质量参数;/>表示波段的序号;/>表示波段序号总数;/>表示序号为/>的波段的重要性参数;/>表示所有波段重要性参数的和,/>;/>表示序号为/>的波段的匹配程度;/>表示序号为/>的波段对应的印刷品质量子参数。
印刷品质量参数的计算公式中,越大,说明波段序号/>对应的波段在所有波段中越重要,赋予匹配程度/>的权重就越大;匹配程度越大,说明磁性印刷品的质量越好,印刷品质量参数越大。
在本发明实施例中,使用模板匹配算法获取每个波段下预设模板的模板光谱信息和优化光谱信息的匹配程度,将印刷品质参数归一化,设置印刷品质参数阈值为0.7,当印刷品质参数大于0.7时,认定磁性印刷品质量合格。需要说明的是,模板匹配算法已是本领域技术人员所熟知的,在此不再进行赘述。
综上所述,本发明通过获取磁性印刷品印刷区域,进而获取印刷区域的光谱信息;进一步根据层次聚类算法获取像元的第一异常程度,供后续调整层次聚类算法参考;进一步比较像元的光谱信息与预设模板光谱信息的差异,结合像元与其预设邻域范围内其他像元之间的相关性特征,获取获得修正异常可能性,为调整层析聚类算法提供准确可靠的依据;进一步结合波段重要性、修正异常可能性、第一异常程度对层次聚类算法进行调整,使得层次聚类算法更加贴合实际质量检测场景;进一步用调整后的聚类结果获取第二异常程度,并根据像元的第二异常程度对光谱信息进行去噪;最后将去除噪声后的优化光谱信息处理成印刷品质参数,能够更加便捷的对印刷品进行判别。本发明解决了现有质检方法中使用层次聚类算法的参数设置不合适,影响检测结果的技术问题,本发明提供的检测方法可以根据实际检测情况,进行不断调整,提高了对磁性印刷品质量检测的可靠性和准确性。
一种磁性印刷品光谱信息的去噪方法实施例:
由于光谱信息中存在噪声,影响光谱信息的质量以及对应产品质量检测结果的准确性,使用层次聚类算法进行异常检测,然后将异常程度较大的像素点通过滤波算法处理,可以在保护图像细节的同时去除光谱信息中的噪声。但是不同场景下对应层次聚类算法使用不同参数会导致聚类结果的不同,进而影响到光谱信息的去噪效果。
为了解决层次聚类算法参数设置不合适,影响光谱信息的去噪效果的技术问题,本实施例提出了一种磁性印刷品光谱信息的去噪方法,包括:
步骤S1:获取磁性印刷品印刷区域的光谱信息;对光谱信息通过层次聚类算法进行异常检测,获得印刷区域中每个像元在每个波段下的第一异常程度。
步骤S2:在每个波段下,获取每个像元的光谱信息与预设模板光谱信息的波段光谱差异;根据波段光谱差异和波段光谱差异的变化特征获取每个像元在每个波段下的初始异常可能性;根据光谱信息的每个波段中的像元值,获取任意两个像元的初始相关性;在每个波段下,根据每个像元与其预设邻域范围内其他像元之间的初始相关性和像元值差异,获取每个像元在每个波段下的邻域相关性差异参数;根据邻域相关性差异参数对初始异常可能性进行修正,获得每个像元在每个波段下的修正异常可能性。
步骤S3:根据历史数据中每个波段内所有像元的邻域相关性差异参数,获得每个波段对应的波段重要性;根据波段重要性、修正异常可能性、第一异常程度对层次聚类算法进行调整,根据调整后的聚类结果获取所有像元的第二异常程度;根据像元的第二异常程度对光谱信息进行去噪,获得优化光谱信息。
由于步骤S1到S3的具体实现过程在上述基于人工智能的磁性印刷品质量实时检测方法中已给出详细说明,不再赘述。
综上所述,本发明实施例通过获取磁性印刷品印刷区域,进而获取印刷区域的光谱信息;进一步根据层次聚类算法获取像元的第一异常程度,供后续调整层次聚类算法参考;进一步比较像元的光谱信息与预设模板光谱信息的差异,结合像元与其预设邻域范围内其他像元之间的相关性特征,获取获得修正异常可能性,为调整层析聚类算法提供准确可靠的依据;进一步结合波段重要性、修正异常可能性、第一异常程度对层次聚类算法进行调整,使得层次聚类算法更加贴合实际质量检测场景;进一步用调整后的聚类结果获取第二异常程度,并根据像元的第二异常程度对光谱信息进行去噪。解决了现有去噪方法中使用层次聚类算法的参数设置不合适,影响影响光谱信息的去噪效果的技术问题,本发明提供的去噪方法可以根据实际光谱信息情况实现自适应调整,提高了对磁性印刷品光谱信息的去噪效果。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (5)
1.一种基于人工智能的磁性印刷品质量实时检测方法,其特征在于,所述方法包括:
获取磁性印刷品印刷区域的光谱信息;对所述光谱信息通过层次聚类算法进行异常检测,获得所述印刷区域中每个像元在每个波段下的第一异常程度;
在每个波段下,获取每个像元的光谱信息与预设模板光谱信息的波段光谱差异;根据所述波段光谱差异和所述波段光谱差异的变化特征获取每个像元在每个波段下的初始异常可能性;根据所述光谱信息的每个波段中的像元值,获取任意两个像元的初始相关性;在每个波段下,根据每个像元与其预设邻域范围内其他像元之间的所述初始相关性和像元值差异,获取每个像元在每个波段下的邻域相关性差异参数;根据所述邻域相关性差异参数对所述初始异常可能性进行修正,获取每个像元在每个波段下的修正异常可能性;
根据历史数据中每个波段内所有像元的所述邻域相关性差异参数,获得每个波段对应的波段重要性;根据所述波段重要性、所述修正异常可能性、所述第一异常程度对层次聚类算法进行调整,根据调整后的聚类结果获取所有像元的第二异常程度;根据所述像元的第二异常程度对所述光谱信息进行去噪,获得优化光谱信息;
根据优化光谱信息获得印刷区域的印刷品质参数;
所述第一异常程度的获取方法包括:
根据像元所在聚类簇的簇内像元数量和像元在聚类特征树的层数获取第一异常程度;所述簇内像元数量和所述聚类特征树的层数均与所述第一异常程度呈负相关关系;
所述波段光谱差异的获取方法包括:
获取所述印刷区域的像元在不同波段下的像元值,将像元在所有波段下的像元值构成对应像元的特征曲线;
获取预设模板的模板光谱信息中像元在不同波段下的像元值,将像元在所有波段下的像元值构成对应像元的初始模板曲线;在所述初始模板曲线中,筛选出所述特征曲线的最优模板曲线;
根据所述特征曲线与所述最优模板曲线在同一波段下的差异,获得所述波段光谱差异;
所述最优模板曲线的获取方法包括:
获取所述印刷区域的像元的所述特征曲线与预设模板图像中的初始模板曲线的曲线相似性,选取所述曲线相似性中相似性最高的所述预设模板图像中的初始模板曲线作为最优模板曲线,所述最优模板曲线与所述特征曲线的所述曲线相似性为最优曲线相似性;
所述初始异常可能性的获取方法包括:
获取每个像元的所有波段的所述波段光谱差异的均值作为每个像元的第一差异参数;
将每个波段下所述每个像元的所述波段光谱差异与所述第一差异参数的差值绝对值的累加和,作为每个波段下每个像元的第二差异参数;
选择任意波段为目标波段,任意像元为目标像元,将目标像元在目标波段下的波段光谱差异、对应的所述第二差异参数和对应的所述最优曲线相似性相乘,获得目标波段下目标像元的初始异常可能性;
改变目标波段和目标像元,获得每个波段下每个像元的初始异常可能性;
所述根据所述波段重要性、所述修正异常可能性、所述第一异常程度对层次聚类算法进行调整的过程包括:
将所述每个波段内所有像元的所述修正异常可能性与所述第一异常程度的曼哈顿距离作为每个波段的异常差异参数;将每个波段的所述异常差异参数分别与对应的波段重要性相乘并求和,求和结果归一化处理后负相关映射,最终映射结果作为评价参数;
当评价参数小于等于预设效果阈值时,根据预设调整方法,调整层次聚类算法继续聚类,直至所述评价参数大于预设效果阈值。
2.根据权利要求1中所述的一种基于人工智能的磁性印刷品质量实时检测方法,其特征在于,所述初始相关性的获取方法包括:
根据初始相关性的计算公式获取初始相关性,所述初始相关性的计算公式包括:
其中,和/>均表示像元的序号;/>表示像元/>和像元/>的初始相关性;/>表示归一化函数;/>表示所述光谱信息中波段的序号;/>表示序号为/>的波段下,像元/>的像元值;/>表示序号为/>的波段下,像元/>的像元值;/>表示在所有相同波段下像元/>和像元/>的像元值比值的均值;/>表示所述光谱信息的波段的总数。
3.根据权利要求1中所述的一种基于人工智能的磁性印刷品质量实时检测方法,其特征在于,所述邻域相关性差异参数的获取方法包括:
选取任一波段为目标波段,在目标波段下,根据每个像元与其预设邻域范围内其他像元的所述初始相关性和像元值差异,利用相关性差异参数计算公式获得邻域相关性差异参数;改变目标波段,获取每个像元在每个波段下的邻域相关性差异参数;所述相关性差异参数计算公式包括:
其中,表示在目标波段下像元/>的邻域相关性差异参数;/>表示像元的序号;/>表示像元/>预设邻域范围内其他像元的序号;/>为预设邻域范围内其他像元数量;/>表示像元/>与邻域范围内像元/>的初始相关性;/>表示归一化函数;/>表示在目标波段下像元/>的像元值,/>表示在目标波段下像元/>的像元值;/>表示在所有相同波段下像元/>和像元/>的像元值比值的均值。
4.根据权利要求1中所述的一种基于人工智能的磁性印刷品质量实时检测方法,其特征在于,所述波段重要性的获取方法包括:
获取历史数据中每个检测过磁性印刷品在每个波段下所有像元的邻域相关性差异参数之和作为每个检测过磁性印刷品在每个波段下的参考波段重要性;获取所有检测过磁性印刷品在每个波段下的参考波段重要性之和作为每个波段对应的波段重要性。
5.根据权利要求1中所述的一种基于人工智能的磁性印刷品质量实时检测方法,其特征在于,所述印刷品质量参数的获取方法包括:
获取每个波段下预设模板的模板光谱信息和优化光谱信息的匹配程度;将所有所述波段重要性进行归一化处理,获得重要性参数;将任一波段的所述重要性参数与所有波段的所述重要性参数之和的比值,与对应的所述匹配程度相乘,获得每个波段的印刷品质量子参数;将所有波段的所有印刷品质量子参数求和,获得印刷品质量参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311450541.XA CN117191716B (zh) | 2023-11-03 | 2023-11-03 | 基于人工智能的磁性印刷品质量实时检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311450541.XA CN117191716B (zh) | 2023-11-03 | 2023-11-03 | 基于人工智能的磁性印刷品质量实时检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117191716A CN117191716A (zh) | 2023-12-08 |
CN117191716B true CN117191716B (zh) | 2024-01-09 |
Family
ID=88987234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311450541.XA Active CN117191716B (zh) | 2023-11-03 | 2023-11-03 | 基于人工智能的磁性印刷品质量实时检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117191716B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117633697B (zh) * | 2024-01-26 | 2024-05-03 | 西安艺琳农业发展有限公司 | 基于物联网的生猪智能监测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867150A (zh) * | 2015-05-22 | 2015-08-26 | 武汉大学 | 遥感影像模糊聚类的波段修正变化检测方法及系统 |
KR102172914B1 (ko) * | 2019-06-07 | 2020-11-03 | 한국생산기술연구원 | 라만 스펙트럼 식별 고속 탐색 방법 및 장치 |
CN114359633A (zh) * | 2021-12-30 | 2022-04-15 | 黑龙江工程学院 | 高光谱图像聚类方法、装置、电子设备及存储介质 |
-
2023
- 2023-11-03 CN CN202311450541.XA patent/CN117191716B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867150A (zh) * | 2015-05-22 | 2015-08-26 | 武汉大学 | 遥感影像模糊聚类的波段修正变化检测方法及系统 |
KR102172914B1 (ko) * | 2019-06-07 | 2020-11-03 | 한국생산기술연구원 | 라만 스펙트럼 식별 고속 탐색 방법 및 장치 |
CN114359633A (zh) * | 2021-12-30 | 2022-04-15 | 黑龙江工程学院 | 高光谱图像聚类方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117191716A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117191716B (zh) | 基于人工智能的磁性印刷品质量实时检测方法 | |
CN113808138B (zh) | 一种基于人工智能的电线电缆表面缺陷检测方法 | |
CN113554631B (zh) | 一种基于改进网络的芯片表面缺陷检测方法 | |
JP2014515587A (ja) | デジタル画像装置用の画像処理パイプラインの学習 | |
CN115330767B (zh) | 一种腐蚀箔生产异常识别方法 | |
CN116309559B (zh) | 一种中硼硅玻璃生产瑕疵智能识别方法 | |
CN116297530B (zh) | 基于光学技术的阻隔膜表面质量检测方法 | |
CN117575953B (zh) | 一种高分辨率林业遥感图像细节增强方法 | |
CN111489299A (zh) | 一种多光谱遥感卫星影像的去雾方法 | |
CN116883674B (zh) | 多光谱图像去噪装置及使用该装置的食品品质检测系统 | |
CN116563277B (zh) | 一种基于机器视觉的铜复铝表面缺陷检测方法及系统 | |
CN110223253B (zh) | 一种基于图像增强的去雾方法 | |
CN115147311A (zh) | 基于HSV与AM-RetinexNet图像增强方法 | |
CN111595781A (zh) | 一种曲面拟合的地面高光谱影像反射率校正方法 | |
CN112837293B (zh) | 基于高斯函数典型关联分析的高光谱图像变化检测方法 | |
CN110197178A (zh) | 一种图谱特征融合深度网络的大米种类快速鉴别检测装置及其检测方法 | |
CN113496486B (zh) | 基于高光谱成像技术的猕猴桃货架期快速判别方法 | |
CN114170668A (zh) | 一种高光谱人脸识别方法及系统 | |
CN111076815B (zh) | 一种高光谱图像非均匀性校正方法 | |
CN111179224A (zh) | 一种基于联合学习的航拍图像修复质量的无参考评价方法 | |
CN117173642B (zh) | 一种基于大数据的建筑施工视频实时监测预警方法 | |
CN117647501B (zh) | 基于icp光谱特征的食品中元素智能检测方法及系统 | |
CN117522870B (zh) | 基于机器视觉的航空发动机零部件的缺陷智能检测方法 | |
CN116433665B (zh) | 基于视觉检测的飞机部件缺陷在线识别系统 | |
CN117593303B (zh) | 一种量子点光学膜的缺陷检测方法及系统 |
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 |