CN117455920B - 一种基于人工智能的奶茶杯劣品筛选方法及系统 - Google Patents
一种基于人工智能的奶茶杯劣品筛选方法及系统 Download PDFInfo
- Publication number
- CN117455920B CN117455920B CN202311798617.8A CN202311798617A CN117455920B CN 117455920 B CN117455920 B CN 117455920B CN 202311798617 A CN202311798617 A CN 202311798617A CN 117455920 B CN117455920 B CN 117455920B
- Authority
- CN
- China
- Prior art keywords
- gray
- gray level
- value
- milk tea
- image
- 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
- 239000008267 milk Substances 0.000 title claims abstract description 56
- 210000004080 milk Anatomy 0.000 title claims abstract description 56
- 235000013336 milk Nutrition 0.000 title claims abstract description 56
- 241001122767 Theaceae Species 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012216 screening Methods 0.000 title claims abstract description 27
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 22
- 230000009466 transformation Effects 0.000 claims abstract description 20
- 230000007547 defect Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 48
- 238000013507 mapping Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 14
- 238000003708 edge detection Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 241001270131 Agaricus moelleri Species 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003292 glue Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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 by the use of histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- 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
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- 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
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理领域，更具体地，本发明涉及一种基于人工智能的奶茶杯劣品筛选方法及系统，方法包括：采集奶茶杯的俯视图像，并进行预处理，得到杯底区域的灰度图像；根据所述杯底区域的灰度图像的直方图，得到高斯函数模型以及灰度变换的转折点；根据所述直方图的灰度区间进行线性的权重分配，得到修正后的高斯函数模型；根据所述灰度变换的转折点，计算每个所述区间的增强差异值；获取杯底区域的增强图像，输入待预测卷积神经网络模型，得到奶茶杯的缺陷识别结果。本发明通过对杯底图像进行拉伸得到自适应的灰度变换函数，使得在进行奶茶杯缺陷监测时，提高了奶茶杯劣品筛选准确度的鲁棒性。
Description
技术领域
本发明一般地涉及图像数据处理领域。更具体地，本发明涉及一种基于人工智能的奶茶杯劣品筛选方法及系统。
背景技术
在生产线上由于机器运转、工艺参数、实际生产环境等因素，常会使产品产生各种缺陷。随着奶茶杯生产需求量越来越大，更要确保奶茶杯的质量，奶茶杯在生产过程中，通常是两片组成，杯身以及杯底，杯身和杯底被压合在一起，以确保胶水充分粘合，成型的纸杯可能需要经过烘干过程，以确保胶水充分固化，纸杯结构稳定。
随着奶茶杯杯型的不断升级和变化，生产过程中需要对奶茶杯进行检测，现有检测技术在生产线上进行自动化检测，通常使用固定的灰度映射值进行检测，生产过程中，可能需要不断调整灰度映射、阈值和其他参数，导致奶茶杯筛选劣品的精度不高，造成误检或漏检，为了提高奶茶杯产品检测的精度和效率，因此一种基于人工智能的奶茶杯劣品筛选方法及系统。
发明内容
为解决上述一个或多个技术问题，本发明提出使用自适应的灰度映射值进行检测，提高奶茶杯筛选劣品的精度和准确度，提高检测效率。为此，本发明在如下的多个方面中提供方案。
在第一方面中，一种基于人工智能的奶茶杯劣品筛选方法，包括：采集奶茶杯的俯视图像，并进行预处理得到灰度图像；根据所述灰度图像进行边缘检测，得到边缘检测结果，根据所述边缘检测结果进行圆检测，得到杯底区域的灰度图像；根据所述杯底区域的灰度图像，统计灰度级的数量绘制直方图并进行处理，构建多个高斯函数模型，根据所述高斯函数模型，得到灰度变换的转折点；将所述直方图的灰度区间进行线性的权重分配，得到每个灰度区间内各个灰度级在整个灰度区间内暗部的权重；根据所述权重，计算所述灰度区间内各个灰度级的均值和方差，根据所述均值和方差得到修正后的高斯函数模型；计算每个所述修正后的高斯函数模型之间的散度值；根据所述灰度变换的转折点和所述散度值计算每个所述灰度区间的增强差异值，根据增强差异值的最小值的灰度映射关系，完成灰度映射，得到杯底图像的增强图像；预设卷积神经网络模型，将增强图像输入到预设卷积神经网络模型中进行训练，得到待预测卷积神经网络模型；获取待检测的增强图像，根据待预测卷积神经网络模型，生成奶茶杯的缺陷识别结果。
通过采用上述技术方案，为了实现灰度变换函数的自适应调整，根据生产线上奶茶杯的杯底区域的灰度映射函数进行灰度增强效果，本发明对灰度变换后的杯底图像进行直方图分析，对直方图数据进行高斯拟合，用于分离不同灰度的杯底图像，进行差异化增强，进而根据不同灰度的杯底图像对应的灰度值直方图分布，得到对应的分段斜率，进而得到了自适应的灰度变换函数。
在一个实施例中，根据所述杯底区域的灰度图像，统计灰度级的数量绘制直方图并进行处理，还包括：
遍历所述直方图中灰度级的大小，得到灰度级的像素点个数的最大值；
遍历计算所述灰度级的像素点个数与所述灰度级的所在区域的像素点个数的最大值的比值，其中，所述像素点个数的最大值为直方图中一段区域内的峰值。
在一个实施例中，所述灰度级的像素点个数与所述灰度级的像素点个数的最大值的比值，包括：根据预设阈值划分两个灰度区间；
响应于所述比值小于或等于预设阈值时，所述灰度级内的数据划分为同一灰度区间，得到不同区域的灰度区间，其中，灰度区间个数至少为1个；
响应于所述灰度区间个数大于2，将最小灰度级的区域为同一灰度区间，其余为另一个灰度区间，得到两个灰度级的灰度区间；
计算两个所述灰度区间内所有灰度级的均值和方差，得到两个高斯函数模型，其中，一个灰度区间对应一个高斯函数。
在一个实施例中，根据所述多个高斯函数模型，计算灰度变换转折点，包括：
计算每两个所述高斯函数模型的交点坐标，其中，所述交点坐标作为灰度变换的转折点。
在一个实施例中，所述每个灰度区间内各个灰度级在整个灰度区间内的暗部的权重值满足下述关系式：
其中，表示像素点对应的第/>个灰度级的权重值，/>表示第/>个灰度级与灰度区间内灰度级的均值之间的差值的绝对值，/>表示高斯函数对曲线对应灰度级部分在第/>个灰度级处的拟合差值的绝对值，/>表示第/>个灰度级的暗部区域；
将每个灰度区间内所有灰度级的权重进行归一化处理。
通过采用上述技术方案，通过对每个区间的灰度级的暗部的权重值，自适应拉伸调整灰度映射函数关系。
在一实施例中，每个所述灰度区间的增强差异值满足下述关系式：
其中，表示两个灰度区间的灰度级的增强差异值，/>为预设的固定参数，/>表示两个灰度区间之间分割点的相似度，/>表示两个高斯函数的散度值。
第二方面，一种基于人工智能的奶茶杯劣品筛选系统，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现任一项所述的基于人工智能的奶茶杯劣品筛选方法。
本发明具有以下效果：
1、本发明通过对杯底图像进行自适应分段，并对不同分段结果进行自适应拉伸得到自适应的灰度变换函数，使得在进行奶茶杯缺陷监测时，能够具有更加稳定准确的奶茶杯检测结果，提高了奶茶杯劣品筛选准确度的鲁棒性。
2、本发明通过自适应调整灰度映射关系，可以实现自动化的检测过程，提高生产线的效率和准确性，减少在生产过程中，人工通过经验值调整而导致奶茶杯的筛选不符合生产标准，在生产线中根据每个奶茶杯的杯底区域的灰度映射关系快速筛选，减少误检或漏检，提高奶茶杯生产的质量。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是本发明的实施例一种基于人工智能的奶茶杯劣品筛选方法中步骤S1-S9的方法流程图。
图2是本发明实施例一种基于人工智能的奶茶杯劣品筛选方法中步骤S30-S36的方法流程图。
图3是本发明实施例一种基于人工智能的奶茶杯劣品筛选方法中杯底区域的灰度图像的直方图。
图4是本发明实施例一种基于人工智能的奶茶杯劣品筛选方法中步骤S40-S41的方法流程图。
图5是本发明实施例一种基于人工智能的奶茶杯劣品筛选系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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。
下面结合附图来详细描述本发明的具体实施方式。
参照图1，一种基于人工智能的奶茶杯劣品筛选方法包括步骤S1-S9，具体如下：
S1：采集奶茶杯的俯视图像，并进行预处理得到灰度图像。
示例性的，奶茶杯竖直放置，开口朝上，俯视图像为两个同心的圆形，小直径的圆形代表杯底，大直径的圆形代表杯口。
S2：根据灰度图像进行边缘检测，得到边缘检测结果，根据边缘检测结果进行圆检测，得到杯底区域的灰度图像。
示例性的，使用canny算法进行边缘检测获得边缘图像，得到两个同心的圆形，并对两个同心的圆形使用Hough圆检测法，通过奶茶杯预设的圆半径，完成杯底对应的圆形结果筛选，通过Hough圆检测结果对原图像进行掩膜操作，得到只含有杯底圆的灰度图像。
S3：根据杯底区域的灰度图像，统计灰度级的数量绘制直方图并进行处理，构建多个高斯函数模型，根据高斯函数模型，得到灰度变换的转折点，参照图2 ，还包括步骤S30-S36：
S30：遍历直方图中灰度级的大小，得到灰度级的像素点个数的最大值；
S31：遍历计算灰度级的像素点个数与灰度级的所在区域的像素点个数的最大值的比值，其中，像素点个数的最大值为直方图中一段区域内的峰值。
示例性的，比值是用于衡量灰度图像的直方图的走向会在何时进行转折的比值曲线，像素点个数的最大值越趋近局部峰值时，比值越大（比值越趋近于1）。
S32：根据预设阈值划分两个灰度区间；
示例性的，预设阈值为0.5，根据比值与预设阈值0.5比较，从而分成两个区间，得到不同的高斯拟合曲线。
S33：响应于比值小于或等于预设阈值时，灰度级内的数据划分为同一灰度区间，得到不同区域的灰度区间，其中，灰度区间个数至少为1个；
S34：响应于灰度区间个数大于2，将最小灰度级的区域为同一灰度区间，其余为另一个灰度区间，得到两个灰度级的灰度区间。
示例性的，参照图3，通过杯底区域的灰度图像的直方图，对应的像素点个数与区域内像素点个数的最大值的比值为预设阈值0.5，从而对直方图分为两个灰度区域：灰度区域1和灰度区域2；当分段后的区间个数为1时，则表示奶茶杯正常，不进行后续处理，如果分段区间个数大于2时，使最小灰度级的区间为一个区间，然后其余为另一区间，对杯底区域的灰度图像进行像素增强。
S35：计算两个灰度区间内所有灰度级的均值和方差，得到两个高斯函数模型，其中，一个灰度区间对应一个高斯函数；
示例性的，分别根据两个灰度区域计算灰度级的均值和方差，拟合得到两个高斯函数模型，在灰度区域中为高斯曲线的一部分区间，两个灰度区域的高斯函数曲线会在某一处相交。
S36：计算每两个高斯函数模型的交点坐标，其中，交点坐标作为灰度变换的转折点。
示例性的，直方图上会存在局部灰度近似数据，但与正常背景存在一定的差异，进而可根据曲线的变化进行多个局部灰度近似数据分析，选择高斯函数进行拟合，是为将局部近似的数据当成一类型的特征进行分析，进而获取高斯函数的交点，表示不同特征的分界点，进而交点可作为灰度变换的转折点。
S4：将直方图的灰度区间进行线性的权重分配，得到每个灰度区间内各个灰度级在整个灰度区间内暗部的权重，参照图4，包括步骤S40-S41：
S40：每个区间内各个灰度级在整个区间内的暗部的权重值，满足下述关系式：
其中，表示像素点对应的第/>个灰度级的权重值，/>表示第/>个灰度级与灰度区间内灰度级的均值之间的差值的绝对值，/>表示高斯函数对曲线对应灰度级部分在第/>个灰度级处的拟合差值的绝对值，/>表示第/>个灰度级的暗部区域；
示例性的，杯底区域的灰度图像中缺陷区域亮度偏暗，缺陷区域的灰度级较小，灰度越暗，越重要。为了使得增强后的图像中暗区域更加突出明显，进而在散度计算结果调整中，需要依赖更多的暗部分区域灰度信息。
通过对杯底区域的灰度图像的直方图的灰度区间进行线性的权重分配，得到各个灰度级在整个灰度区间上的暗部的重要性，权重值越大，表示灰度级对应的灰度值越低，进而在进行线性的权重分配时越重要，在使用散度值对应高斯函数拟合调整时，所拟合的高斯函数越偏向于灰度较暗的部分，会使得奶茶杯暗部的缺陷部分更加明显。
S41：将每个区间内所有灰度级的权重值进行归一化处理。
示例性的，获得两个区间的所有灰度级的权重值归一化处理，以使权重值的范围在0-1之间。
S5：根据权重，计算灰度区间内各个灰度级的均值和方差，根据均值和方差得到修正后的高斯函数模型。
示例性的，将所有灰度级对应权重值进行归一化处理，重新计算均值和方差对高斯函数矫正时，将权重值作为对应各个灰度级计算均值时的权重，进行加权平均，进而利用加权平均结果计算方差，从而得到新的两个高斯函数，以使对应的映射函数进行自适应变化。
S6：计算每个修正后的高斯函数模型之间的散度值。
示例性的，使用散度计算高斯函数的散度值，/>散度是一种用于衡量两个概率分布之间的差异性的指标，也被称为相对熵或信息散度。它可用来判断两个概率分布的相似度或相异度。
S7：根据灰度变换的转折点和散度值计算每个灰度区间的增强差异值，根据增强差异值的最小值的灰度映射关系，完成灰度映射，得到杯底图像的增强图像，包括：
每个区间的增强差异值满足下述关系式：
其中，表示两个灰度区间的灰度级的增强差异值，/>为预设的固定参数，/>表示两个灰度区间之间分割点的相似度，/>表示两个高斯函数的散度值。
示例性的，散度值可以表示两个高斯函数模型之间的差异，进而可以将两个高斯函数模型之间的散度值，通过调节计算得到增强差异值，/>为经验值。其中，即/>值越小，增强差异值越小，两区间对应的散度值差异不宜过大，防止拉伸严重导致出现较多的干扰。
灰度变换的转折点，通过不断地调整两个高斯函数的交点处对应灰度级映射后的灰度级，使得两个区间获取不同映射关系的增强差异值，从增强差异值序列中选择与散度值计算最小值对应的灰度映射关系，完成灰度映射，得到对应的灰度变换所需的灰度映射关系，进而完成图像增强。
S8：预设卷积神经网络模型，将增强图像输入到预设卷积神经网络模型中进行训练，得到待预测卷积神经网络模型。
示例性的，使用CNN卷积神经网络对奶茶杯进行缺陷识别，其预训练过程为：具有相关经验的人员进行采集奶茶杯俯视图像，对不同缺陷类型的奶茶杯俯视图像进行标记，其中正常奶茶杯俯视图像标记为0，其余进行不重复编号，对编号结果利用one-hot编码（独热编码）进行编码。其中CNN（Convolutional Neural Networks，CNN，卷积神经网络）网络为Encoder-decoder（编码器-解码器）网络，损失函数为交叉熵损失函数；在图像分割任务中，可以使用一个CNN作为编码器来提取图像中的特征，然后使用解码器将这些特征映射到每个像素的类别。这种结构称为全卷积网络（Fully Convolutional Network，FCN）。
S9：获取待检测的增强图像，根据待预测卷积神经网络模型，生成奶茶杯的缺陷识别结果。
示例性的，将增强后的杯底图像输入到训练完成的CNN卷积神经网络中，进行奶茶杯缺陷识别，当神经网络输入当前的奶茶杯缺陷识别结果后，将正常奶茶杯进行保留，对于异常的奶茶杯从生产线上利用机械臂或者其他工具进行剔除，完成奶茶杯劣品筛选。
本发明还提供了一种基于人工智能的奶茶杯劣品筛选系统。如图5所示，系统包括处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现根据本发明第一方面的基于人工智能的奶茶杯劣品筛选方法。
系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-Access Memory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (2)
1.一种基于人工智能的奶茶杯劣品筛选方法，其特征在于，包括：
采集奶茶杯的俯视图像，并进行预处理得到灰度图像；
根据所述灰度图像进行边缘检测，得到边缘检测结果，根据所述边缘检测结果进行圆检测，得到杯底区域的灰度图像；
根据所述杯底区域的灰度图像，统计灰度级的数量绘制直方图并进行处理，构建多个高斯函数模型，根据所述高斯函数模型，得到灰度变换的转折点；
遍历所述直方图中灰度级的大小，得到灰度级的像素点个数的最大值；
遍历计算所述灰度级的像素点个数与所述灰度级的所在区域的像素点个数的最大值的比值；
根据预设阈值划分两个灰度区间；
响应于所述比值小于或等于预设阈值时，所述灰度级内的数据划分为同一灰度区间，得到不同区域的灰度区间，其中，灰度区间个数至少为1个；
响应于所述灰度区间个数大于2，将最小灰度级的区域为同一灰度区间，其余为另一个灰度区间，得到两个灰度级的灰度区间；
计算两个所述灰度区间内所有灰度级的均值和方差，得到两个高斯函数模型，其中，一个灰度区间对应一个高斯函数；
计算每两个所述高斯函数模型的交点坐标，其中，所述交点坐标作为灰度变换的转折点；
将所述直方图的灰度区间进行线性的权重分配，得到每个灰度区间内各个灰度级在整个灰度区间内暗部的权重；
根据所述权重，计算所述灰度区间内各个灰度级的均值和方差，根据所述均值和方差得到修正后的高斯函数模型；
计算每个所述修正后的高斯函数模型之间的散度值；
根据所述灰度变换的转折点和所述散度值计算每个所述灰度区间的增强差异值，根据增强差异值的最小值的灰度映射关系，完成灰度映射，得到杯底图像的增强图像；
预设卷积神经网络模型，将增强图像输入到预设卷积神经网络模型中进行训练，得到待预测卷积神经网络模型；
获取待检测的增强图像，根据待预测卷积神经网络模型，生成奶茶杯的缺陷识别结果；
所述每个灰度区间内各个灰度级在整个灰度区间内的暗部的权重值满足下述关系式：
其中，表示像素点对应的第/>个灰度级的权重值，/>表示第/>个灰度级与灰度区间内灰度级的均值之间的差值的绝对值，/>表示高斯函数对曲线对应灰度级部分在第/>个灰度级处的拟合差值的绝对值，/>表示第/>个灰度级的暗部区域；
将每个灰度区间内所有灰度级的权重进行归一化处理；
每个所述灰度区间的增强差异值满足下述关系式：
其中，表示两个灰度区间的灰度级的增强差异值，/>为预设的固定参数，/>表示两个灰度区间之间分割点的相似度，/>表示两个高斯函数的散度值。
2.一种基于人工智能的奶茶杯劣品筛选系统，其特征在于，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据权利要求1所述的基于人工智能的奶茶杯劣品筛选方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311798617.8A CN117455920B (zh) | 2023-12-26 | 2023-12-26 | 一种基于人工智能的奶茶杯劣品筛选方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311798617.8A CN117455920B (zh) | 2023-12-26 | 2023-12-26 | 一种基于人工智能的奶茶杯劣品筛选方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117455920A CN117455920A (zh) | 2024-01-26 |
| CN117455920B true CN117455920B (zh) | 2024-03-22 |
Family
ID=89580396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311798617.8A Active CN117455920B (zh) | 2023-12-26 | 2023-12-26 | 一种基于人工智能的奶茶杯劣品筛选方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117455920B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117788570B (zh) * | 2024-02-26 | 2024-05-07 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种基于机器视觉的斗轮机定位方法及系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002086416A2 (en) * | 2001-04-25 | 2002-10-31 | Amnis Corporation | Method and apparatus for correcting crosstalk and spatial resolution for multichannel imaging |
| JP2010055604A (ja) * | 2008-08-01 | 2010-03-11 | Nikon Corp | 画像処理方法 |
| US7840066B1 (en) * | 2005-11-15 | 2010-11-23 | University Of Tennessee Research Foundation | Method of enhancing a digital image by gray-level grouping |
| CN102436647A (zh) * | 2011-11-14 | 2012-05-02 | 江苏技术师范学院 | 一种自适应灰度映射的图像增强方法 |
| US10062154B1 (en) * | 2015-02-11 | 2018-08-28 | Synaptics Incorporated | System and method for adaptive contrast enhancement |
| CN109003249A (zh) * | 2017-06-07 | 2018-12-14 | 展讯通信(天津)有限公司 | 增强图像细节的方法、装置及终端 |
| WO2021000524A1 (zh) * | 2019-07-03 | 2021-01-07 | 研祥智能科技股份有限公司 | 孔位保护门检测方法、装置、计算机设备和存储介质 |
| CN114581345A (zh) * | 2022-05-07 | 2022-06-03 | 广州骏天科技有限公司 | 一种基于自适应线性灰度化的图像增强方法及系统 |
| CN114937030A (zh) * | 2022-06-15 | 2022-08-23 | 浙大城市学院 | 一种用于智慧农业种植生菜的表型参数计算方法 |
| CN115018828A (zh) * | 2022-08-03 | 2022-09-06 | 深圳市尹泰明电子有限公司 | 一种电子元器件的缺陷检测方法 |
| CN115423723A (zh) * | 2022-10-14 | 2022-12-02 | 哈尔滨市科佳通用机电股份有限公司 | 自适应铁路货车异常检测训练集图像增强方法 |
| CN116109644A (zh) * | 2023-04-14 | 2023-05-12 | 东莞市佳超五金科技有限公司 | 用于铜铝转接排的表面缺陷检测方法 |
| CN116310845A (zh) * | 2023-05-19 | 2023-06-23 | 青岛国源中创电气自动化工程有限公司 | 一种用于污水处理的智能监测系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100393071B1 (ko) * | 2001-08-18 | 2003-07-31 | 삼성전자주식회사 | 영상의 히스토그램 평활화 장치 및 방법 |
| WO2016165076A1 (en) * | 2015-04-14 | 2016-10-20 | Chongqing University Of Posts And Telecommunications | Method and system for image enhancement |
-
2023
- 2023-12-26 CN CN202311798617.8A patent/CN117455920B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002086416A2 (en) * | 2001-04-25 | 2002-10-31 | Amnis Corporation | Method and apparatus for correcting crosstalk and spatial resolution for multichannel imaging |
| US7840066B1 (en) * | 2005-11-15 | 2010-11-23 | University Of Tennessee Research Foundation | Method of enhancing a digital image by gray-level grouping |
| JP2010055604A (ja) * | 2008-08-01 | 2010-03-11 | Nikon Corp | 画像処理方法 |
| CN102436647A (zh) * | 2011-11-14 | 2012-05-02 | 江苏技术师范学院 | 一种自适应灰度映射的图像增强方法 |
| US10062154B1 (en) * | 2015-02-11 | 2018-08-28 | Synaptics Incorporated | System and method for adaptive contrast enhancement |
| CN109003249A (zh) * | 2017-06-07 | 2018-12-14 | 展讯通信(天津)有限公司 | 增强图像细节的方法、装置及终端 |
| WO2021000524A1 (zh) * | 2019-07-03 | 2021-01-07 | 研祥智能科技股份有限公司 | 孔位保护门检测方法、装置、计算机设备和存储介质 |
| CN114581345A (zh) * | 2022-05-07 | 2022-06-03 | 广州骏天科技有限公司 | 一种基于自适应线性灰度化的图像增强方法及系统 |
| CN114937030A (zh) * | 2022-06-15 | 2022-08-23 | 浙大城市学院 | 一种用于智慧农业种植生菜的表型参数计算方法 |
| CN115018828A (zh) * | 2022-08-03 | 2022-09-06 | 深圳市尹泰明电子有限公司 | 一种电子元器件的缺陷检测方法 |
| CN115423723A (zh) * | 2022-10-14 | 2022-12-02 | 哈尔滨市科佳通用机电股份有限公司 | 自适应铁路货车异常检测训练集图像增强方法 |
| CN116109644A (zh) * | 2023-04-14 | 2023-05-12 | 东莞市佳超五金科技有限公司 | 用于铜铝转接排的表面缺陷检测方法 |
| CN116310845A (zh) * | 2023-05-19 | 2023-06-23 | 青岛国源中创电气自动化工程有限公司 | 一种用于污水处理的智能监测系统 |
Non-Patent Citations (3)
| Title |
|---|
| Pseudo-Divergence and Bidimensional Histogram of Spectral Differences for Hyperspectral Image Processing;Noël Richard 等;《Journal of Imaging Science and Technology》;20161231;全文 * |
| 基于HOG与改进的SVM的手掌静脉识别算法;徐笑宇 等;《计算机工程与应用》;20161231;全文 * |
| 基于多尺度Reti nex 的数字X光图像增强方法研究;王彦臣 等;《光学精密工程》;20060228;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117455920A (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117455920B (zh) | 一种基于人工智能的奶茶杯劣品筛选方法及系统 | |
| CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
| CN110110646B (zh) | 一种基于深度学习的手势图像关键帧提取方法 | |
| CN115439481B (zh) | 基于图像处理的除氧器焊接质量检测方法 | |
| CN107292310A (zh) | 一种圆形指针式表盘视觉定位及自动读数方法 | |
| CN109490306B (zh) | 一种基于色泽和气味数据融合的猪肉新鲜度检测方法 | |
| CN106228161A (zh) | 一种指针式表盘自动读数方法 | |
| CN113971670B (zh) | 基于计算机视觉的螺纹缺陷分析方法及系统 | |
| CN110766011A (zh) | 一种基于深度多级优化的接触网螺母异常识别方法 | |
| CN113724231A (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
| CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
| CN115018844A (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
| CN111553348A (zh) | 一种基于centernet的anchor-based目标检测方法 | |
| JP7416136B2 (ja) | コロニー検出装置 | |
| CN115272234A (zh) | 瓶盖质量检测方法、装置、计算机设备及存储介质 | |
| CN115619708A (zh) | 基于图像识别主轴轴承润滑油油质变化判断故障的方法 | |
| CN113192037A (zh) | 一种皮带机监测方法、系统、介质及电子终端 | |
| CN116363127A (zh) | 基于图像处理的全降解塑料制品质量检测方法 | |
| CN116071363A (zh) | 一种自动化型钢智能生产监测系统 | |
| CN116228678A (zh) | 芯片封装缺陷自动识别和处理方法 | |
| CN111783885A (zh) | 一种基于局部增强的毫米波图像的质量分类模型构建方法 | |
| CN115294009A (zh) | 一种基于机器学习检测电池极耳焊接缺陷的方法、设备及存储介质 | |
| CN116189194A (zh) | 一种用于工程建模的图纸增强分割方法 | |
| CN114723728A (zh) | 一种手机摄像头玻璃盖板丝印cd纹缺陷检测方法及系统 | |
| CN112750119A (zh) | 一种面向白玻璃盖板表面微弱缺陷的检测与测量方法 |
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 |