CN117893537B - 托盘表面材质的脱色检测方法及系统 - Google Patents
托盘表面材质的脱色检测方法及系统 Download PDFInfo
- Publication number
- CN117893537B CN117893537B CN202410292910.5A CN202410292910A CN117893537B CN 117893537 B CN117893537 B CN 117893537B CN 202410292910 A CN202410292910 A CN 202410292910A CN 117893537 B CN117893537 B CN 117893537B
- Authority
- CN
- China
- Prior art keywords
- image data
- feature
- spectrum
- decoloring
- model
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 122
- 239000000463 material Substances 0.000 title claims abstract description 45
- 238000001228 spectrum Methods 0.000 claims abstract description 173
- 230000003595 spectral effect Effects 0.000 claims abstract description 114
- 230000004927 fusion Effects 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000005457 optimization Methods 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000013508 migration Methods 0.000 claims abstract description 43
- 230000005012 migration Effects 0.000 claims abstract description 43
- 239000002245 particle Substances 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000004042 decolorization Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 230000007246 mechanism Effects 0.000 claims abstract description 19
- 230000009466 transformation Effects 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000003287 optical effect Effects 0.000 claims description 96
- 230000006870 function Effects 0.000 claims description 60
- 239000013598 vector Substances 0.000 claims description 32
- 238000011176 pooling Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 17
- 238000005516 engineering process Methods 0.000 claims description 16
- 238000002329 infrared spectrum Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 238000002845 discoloration Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims 2
- 230000008569 process Effects 0.000 description 26
- 238000009826 distribution Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000002023 wood Substances 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Immunology (AREA)
- Multimedia (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请涉及脱色检测技术领域,公开了一种托盘表面材质的脱色检测方法及系统。所述方法包括:采集原始光谱图像数据并进行预处理和标准正态变换,得到标准光谱图像数据;进行特征提取,得到初始光谱特征图像数据并进行多模态融合,得到光谱融合特征图像数据;获取表面材质风格信息并进行表面材质风格迁移和特征增强,得到光谱特征增强图像数据;进行图滤波处理和注意力机制加权,得到目标光谱特征图像数据;通过初始脱色检测模型进行脱色区域识别,得到脱色区域识别结果;定义模型优化目标并采用粒子群算法对初始脱色检测模型进行模型参数优化,得到目标脱色检测模型,本申请提高了托盘表面材质的脱色检测准确率。
Description
技术领域
本申请涉及脱色检测技术领域,尤其涉及一种托盘表面材质的脱色检测方法及系统。
背景技术
在当今的制造业和物流领域,托盘作为一种标准的装载和运输工具,其使用的广泛性和重要性不言而喻。然而,托盘在长期的使用过程中,其表面材质会因环境因素或化学物质的作用发生脱色现象。这种脱色不仅影响托盘的外观品质,还影响到托盘材质的强度和耐用性,进而对货物的安全运输造成潜在的风险。因此,对托盘表面材质的脱色进行有效检测,是保证物流安全、提升托盘使用效率的重要环节。
传统的托盘表面材质脱色检测方法多依赖于人工视觉,即由操作员对托盘进行目视检查。这种方法不仅效率低下,而且检测结果受到操作员疲劳、主观判断等因素的影响,准确性和可靠性难以保证。随着工业自动化和智能化水平的提升,迫切需要一种更高效、更准确的自动化脱色检测方法,以适应现代工业的高效率和高质量要求。
发明内容
本申请提供了一种托盘表面材质的脱色检测方法及系统,用于提高了托盘表面材质的脱色检测准确率。
第一方面,本申请提供了一种托盘表面材质的脱色检测方法,所述托盘表面材质的脱色检测方法包括:
基于近红外光谱技术采用多个不同的光程长度分别对待检测的目标托盘进行光谱图像数据采集,得到每个光程长度的原始光谱图像数据,并对每个光程长度的原始光谱图像数据进行预处理和标准正态变换,得到每个光程长度的标准光谱图像数据;
通过移动窗口-k最近邻算法和诺里斯导数滤波器对每个光程长度的标准光谱图像数据进行特征提取,得到每个光程长度的初始光谱特征图像数据,并采用二类优先补偿三模型投票策略对每个光程长度的初始光谱特征图像数据进行多模态融合,得到光谱融合特征图像数据;
获取所述目标托盘的表面材质风格信息,并根据所述表面材质风格信息对所述光谱融合特征图像数据进行表面材质风格迁移和特征增强,得到光谱特征增强图像数据;
对所述光谱特征增强图像数据进行图滤波处理,得到第一光谱特征图像数据,并对所述光谱特征增强图像数据进行注意力机制加权,得到第二光谱特征图像数据,以及对所述第一光谱特征图像数据和所述第二光谱特征图像数据进行特征融合,得到目标光谱特征图像数据;
将所述目标光谱特征图像数据输入预置的初始脱色检测模型进行脱色区域识别,得到脱色区域识别结果;
根据所述脱色区域识别结果定义所述初始脱色检测模型的模型优化目标,并采用粒子群算法对所述初始脱色检测模型进行模型参数优化,得到目标脱色检测模型。
第二方面,本申请提供了一种托盘表面材质的脱色检测系统,所述托盘表面材质的脱色检测系统包括:
采集模块,用于基于近红外光谱技术采用多个不同的光程长度分别对待检测的目标托盘进行光谱图像数据采集,得到每个光程长度的原始光谱图像数据,并对每个光程长度的原始光谱图像数据进行预处理和标准正态变换,得到每个光程长度的标准光谱图像数据;
提取模块,用于通过移动窗口-k最近邻算法和诺里斯导数滤波器对每个光程长度的标准光谱图像数据进行特征提取,得到每个光程长度的初始光谱特征图像数据,并采用二类优先补偿三模型投票策略对每个光程长度的初始光谱特征图像数据进行多模态融合,得到光谱融合特征图像数据;
增强模块,用于获取所述目标托盘的表面材质风格信息,并根据所述表面材质风格信息对所述光谱融合特征图像数据进行表面材质风格迁移和特征增强,得到光谱特征增强图像数据;
融合模块,用于对所述光谱特征增强图像数据进行图滤波处理,得到第一光谱特征图像数据,并对所述光谱特征增强图像数据进行注意力机制加权,得到第二光谱特征图像数据,以及对所述第一光谱特征图像数据和所述第二光谱特征图像数据进行特征融合,得到目标光谱特征图像数据;
识别模块,用于将所述目标光谱特征图像数据输入预置的初始脱色检测模型进行脱色区域识别,得到脱色区域识别结果;
优化模块,用于根据所述脱色区域识别结果定义所述初始脱色检测模型的模型优化目标,并采用粒子群算法对所述初始脱色检测模型进行模型参数优化,得到目标脱色检测模型。
本申请第三方面提供了一种托盘表面材质的脱色检测设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述托盘表面材质的脱色检测设备执行上述的托盘表面材质的脱色检测方法。
本申请的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中存储有指令,当其在计算机上运行时,使得计算机执行上述的托盘表面材质的脱色检测方法。
本申请提供的技术方案中,采用近红外光谱技术,能够在不同光程长度下获得高质量的光谱图像数据,确保了检测的全面性和深度。利用多项式拟合和标准正态变换进行数据预处理,有效去除了噪声和环境干扰,提高了数据的准确性和一致性。通过移动窗口-k最近邻算法和诺里斯导数滤波器进行特征提取,精确识别光谱数据中的关键模式和特征。二类优先补偿三模型投票策略进行多模态融合,结合不同光程长度的数据,提高了特征提取的准确性和模型的预测能力。利用表面材质风格信息进行风格迁移,增强了光谱特征的可区分性,使得脱色区域在后续的分类和识别中更加明显易辨。特征增强步骤进一步突出重要的光谱特征,为准确识别脱色区域提供了强有力的特征支持。图滤波处理过滤掉特征中的高频噪声,得到平滑且有利于聚类的特征表示,提高了特征的质量和稳定性。注意力机制加权特征融合能够突出最有信息量的特征,增强模型对脱色区域的识别能力。利用粒子群算法对初始脱色检测模型进行参数优化,找到最佳的模型参数,提高了模型的准确率和泛化能力,进而提高了托盘表面材质的脱色检测准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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,还可以基于这些附图获得其他的附图。
图1为本申请实施例中托盘表面材质的脱色检测方法的一个实施例示意图;
图2为本申请实施例中托盘表面材质的脱色检测系统的一个实施例示意图。
具体实施方式
本申请实施例提供了一种托盘表面材质的脱色检测方法及系统。本申请的说明书和权利要求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,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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。
为便于理解,下面对本申请实施例的具体流程进行描述,请参阅图1,本申请实施例中托盘表面材质的脱色检测方法的一个实施例包括:
步骤S101、基于近红外光谱技术采用多个不同的光程长度分别对待检测的目标托盘进行光谱图像数据采集,得到每个光程长度的原始光谱图像数据,并对每个光程长度的原始光谱图像数据进行预处理和标准正态变换,得到每个光程长度的标准光谱图像数据;
可以理解的是,本申请的执行主体可以为托盘表面材质的脱色检测系统,还可以是终端或者服务器,具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的,基于近红外光谱仪对待检测的目标托盘进行光谱图像数据采集,采用多个不同的光程长度,具体为1mm、4mm和10mm,以适应不同深度的材质脱色检测需求,从而捕获从表面到一定深度内部的脱色信息,不同深度的材质脱色对光谱反射的影响不同,通过设置不同的光程长度,更全面地获取托盘表面及其一定深度内的脱色情况。通过多项式拟合方法对每个光程长度的原始光谱图像数据进行基线校正,消除光谱数据中的背景信号和系统噪声,使得光谱数据更加集中于脱色信号。对每个光程长度的校正光谱图像数据进行标准正态变换,使得来自不同光程长度的光谱图像数据具有可比性,同时降低不同批次、不同仪器间的系统误差对脱色检测结果的影响,得到每个光程长度的标准光谱图像数据。标准正态变换通过调整数据的均值和标准差,确保了处理后的数据符合标准正态分布,这不仅提高了数据的统计性质,还增强了不同光程长度数据间的一致性和整合性。
步骤S102、通过移动窗口-k最近邻算法和诺里斯导数滤波器对每个光程长度的标准光谱图像数据进行特征提取,得到每个光程长度的初始光谱特征图像数据,并采用二类优先补偿三模型投票策略对每个光程长度的初始光谱特征图像数据进行多模态融合,得到光谱融合特征图像数据;
具体的,通过移动窗口-k最近邻算法和诺里斯导数滤波器对每个光程长度的标准光谱图像数据进行特征提取。移动窗口-k最近邻算法通过计算每个点的k个最近邻的平均值来预测该点的值,能够有效地捕捉到光谱数据中的局部信息,比如脱色区域的辨识。同时,诺里斯导数滤波器通过计算函数在每一点的导数估计来识别光谱数据的变化趋势,这有助于识别光谱曲线中的微小变化。对每个光程长度的初始光谱特征图像数据进行特征选择和特征降维处理,去除冗余信息,减少后续计算的复杂度,从而提高整个检测流程的效率和准确性。在特征选择和降维的基础上,采用二类优先补偿三模型投票策略对降维后的光谱特征图像数据进行多模态融合。通过综合考虑不同模型对同一脱色现象的识别结果,并赋予每个结果一定的权重,从而得出最终的脱色区域判定。
步骤S103、获取目标托盘的表面材质风格信息,并根据表面材质风格信息对光谱融合特征图像数据进行表面材质风格迁移和特征增强,得到光谱特征增强图像数据;
具体的,通过对托盘表面的高分辨率图像进行深度学习模型分析,获取表面材质风格信息,模型能够识别并提取出托盘表面材质的特征,如纹理、颜色分布和光泽度等。根据表面材质风格信息对光谱融合特征图像数据进行风格迁移,计算风格迁移损失函数,该函数用于评估风格迁移前后图像数据的差异。风格迁移损失函数的设计基于深度学习中的特征重构技术,通过计算生成图像的风格特征与目标风格特征之间的差异来实现风格的迁移。损失函数考虑了多个卷积层的输出,通过比较这些层中的格拉姆矩阵来评估风格的相似度。格拉姆矩阵是一种表征特征相互关系的矩阵,能够捕捉到图像风格的本质特征。风格迁移损失数据的计算为风格特征的优化提供了量化基础,根据损失数据对光谱融合特征图像数据进行优化,以减少风格迁移过程中产生的误差。这一优化过程不仅关注于风格的准确迁移,还努力保留原始光谱数据中对脱色检测有价值的信息。优化后得到的光谱优化特征图像数据将更加接近于目标托盘的真实表面材质风格,为脱色检测提供了更加准确的数据基础。对优化后的光谱特征图像数据进行特征增强处理,进一步提升检测效果。特征增强旨在突出脱色区域的光谱特征,使得脱色区域与未脱色区域之间的差异更加明显,从而提高脱色检测的准确性和可靠性。
步骤S104、对光谱特征增强图像数据进行图滤波处理,得到第一光谱特征图像数据,并对光谱特征增强图像数据进行注意力机制加权,得到第二光谱特征图像数据,以及对第一光谱特征图像数据和第二光谱特征图像数据进行特征融合,得到目标光谱特征图像数据;
具体的,进行图滤波处理,得到第一光谱特征图像数据,在保留有用信息的同时,去除那些干扰脱色区域检测的噪声。通过构建图结构并应用图滤波算法,对光谱特征增强图像数据进行图滤波处理,平滑图像中的噪声,同时保留重要的边缘信息。图结构的构建基于节点之间的相似性,用高斯函数来计算节点间的边权重,其中,尺度参数σ起到控制相似性度量敏感度的作用。这种方法能够有效地表示图像中的像素或区域之间的相互关系,为后续的图滤波处理提供了一个稳固的基础。基于构建的目标图结构,通过计算注意力系数来实现对光谱特征增强图像数据的注意力机制加权。注意力系数的计算依赖于一个专门设计的函数,该函数结合了线性变换和非线性激活函数LeakyReLU,以及softmax函数来归一化,从而确保了每个节点对其邻居节点的注意力分配是合理的。这个过程通过考虑每个节点与其邻居节点之间的关系强度来更新节点的特征表示,使得模型能够聚焦于更为重要的区域,从而提高了脱色检测的精度和效率。将经过图滤波处理得到的第一光谱特征图像数据与经过注意力加权特征更新得到的第二光谱特征图像数据进行特征融合,整合两种特征处理技术的优势,得到更加丰富和准确的目标光谱特征图像数据。特征融合后的图像数据综合了图滤波处理的平滑效果和注意力机制加权的聚焦效果,使得最终的光谱特征图像数据在表示目标托盘的表面材质脱色特征方面更为有效和鲁棒。
步骤S105、将目标光谱特征图像数据输入预置的初始脱色检测模型进行脱色区域识别,得到脱色区域识别结果;
具体的,将目标光谱特征图像数据输入预置的初始脱色检测模型中,初始脱色检测模型包括:残差网络、多个卷积层、池化层、全连接层以及SoftMax函数。其中残差网络负责进行深层次的特征提取。残差网络通过引入残差学习框架来解决深度网络训练过程中出现的梯度消失问题,使得网络能够在不增加额外参数的情况下加深网络深度,从而更有效地提取图像数据中的高级特征。将光谱残差特征图输入多个卷积层中。在卷积层中,通过不同大小的卷积核对特征图进行滤波操作,提取出图像数据中的局部特征,如边缘、纹理等。卷积操作后得到的卷积特征向量包含了图像的空间特征信息,这些信息有助于识别脱色区域。将卷积特征向量输入池化层中进行下采样和特征压缩,池化操作旨在减少特征维度,同时保留重要的特征信息,这不仅可以降低模型的计算复杂度,还能提高模型对图像变形的鲁棒性。通过池化层处理后得到的池化特征向量,进一步压缩了图像数据中的空间信息,为后续的特征组合和分类提供了更为精炼的特征表示。将池化特征向量输入全连接层中进行特征组合,将前面层的特征向量映射到目标空间,通过学习特征之间的深层关系来实现特征的全局组合,从而得到能够代表图像整体特性的全连接特征向量。将全连接特征向量输入到SoftMax函数中进行脱色区域的特征分类,SoftMax函数作为分类器,将输入的特征向量转换为概率分布,即每个类别的概率值。模型最终输出目标光谱特征图像数据对应的脱色区域识别结果,实现了对托盘表面材质脱色区域的精确识别。
步骤S106、根据脱色区域识别结果定义初始脱色检测模型的模型优化目标,并采用粒子群算法对初始脱色检测模型进行模型参数优化,得到目标脱色检测模型。
具体的,根据分析脱色区域识别结果,明确初始脱色检测模型的优化目标,并据此设计适应度函数,确保优化过程的方向与实际需求紧密对应。适应度函数的设计侧重于评估模型在脱色区域识别任务上的表现,如准确率、召回率或其他相关性能指标,为模型优化提供了量化的评价标准。基于模型优化目标,对初始脱色检测模型进行参数的点预测,即预测模型参数的值,这些预测值作为粒子群算法优化的起点。对目标模型参数值进行范围预测,确定每个参数值变动的范围,为粒子群算法提供搜索空间,确保了算法能够在合理的参数范围内寻找最优解。采用粒子群算法进行模型参数优化,通过群体间的信息共享来指导搜索过程。算法初始化时,根据预测的模型参数范围生成对应的粒子种群,每个粒子代表一组模型参数组合。在迭代过程中,每个粒子根据自身的经验和群体中其他粒子的最佳位置更新自己的速度和位置,即模型参数组合。适应度函数为每个粒子(模型参数组合)的性能提供评分,确保算法能够向着提高脱色检测准确率的方向优化。通过不断迭代,粒子群算法根据适应度函数的反馈调整粒子的位置,逐步找到最优的模型参数组合,即第二模型参数组合。最终,优化后的模型参数组合被用于更新初始脱色检测模型,得到目标脱色检测模型。这个过程不仅提高了脱色检测的准确性和可靠性,还增强了模型对不同托盘表面材质和脱色情况的适应能力。
本申请实施例中,采用近红外光谱技术,能够在不同光程长度下获得高质量的光谱图像数据,确保了检测的全面性和深度。利用多项式拟合和标准正态变换进行数据预处理,有效去除了噪声和环境干扰,提高了数据的准确性和一致性。通过移动窗口-k最近邻算法和诺里斯导数滤波器进行特征提取,精确识别光谱数据中的关键模式和特征。二类优先补偿三模型投票策略进行多模态融合,结合不同光程长度的数据,提高了特征提取的准确性和模型的预测能力。利用表面材质风格信息进行风格迁移,增强了光谱特征的可区分性,使得脱色区域在后续的分类和识别中更加明显易辨。特征增强步骤进一步突出重要的光谱特征,为准确识别脱色区域提供了强有力的特征支持。图滤波处理过滤掉特征中的高频噪声,得到平滑且有利于聚类的特征表示,提高了特征的质量和稳定性。注意力机制加权特征融合能够突出最有信息量的特征,增强模型对脱色区域的识别能力。利用粒子群算法对初始脱色检测模型进行参数优化,找到最佳的模型参数,提高了模型的准确率和泛化能力,进而提高了托盘表面材质的脱色检测准确率。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)基于近红外光谱技术采用多个不同的光程长度分别对待检测的目标托盘进行光谱图像数据采集,得到每个光程长度的原始光谱图像数据,其中,所述多个不同的光程长度包括:1mm、4mm和10mm;
(2)通过多项式拟合,分别对每个光程长度的原始光谱图像数据进行基线校正,得到多个校正光谱图像数据;
(3)分别对多个校正光谱图像数据进行标准正态变换,得到每个光程长度的标准光谱图像数据。
具体的,采用多个不同的光程长度分别对待检测的目标托盘进行光谱图像数据采集。使用1mm、4mm和10mm这三个不同的光程长度能够有效捕捉到从表面到一定深度范围内的光谱信息,不同的物质和材料对近红外光的吸收和反射特性随深度而变化,通过设置不同的光程长度,可以更全面地理解托盘表面及其下方材质的脱色情况。为了提高数据质量,通过多项式拟合的方法,对原始光谱图像数据进行基线校正处理。多项式拟合是一种数学处理技术,通过计算最适合数据的多项式方程来预测或模拟数据的趋势,这在光谱分析中常用于去除背景噪声和光谱数据中的基线漂移,从而使得光谱信号更加准确地反映被测物质的真实情况。例如,假设在对某种材质的托盘表面进行检测时,得到了一系列原始光谱图像数据,这些数据在没有进行任何处理的情况下很会显示出不规则的波动,这些波动是由于仪器的自身噪声、环境变化或是样品表面的不均匀性引起的。通过对这些数据应用多项式拟合技术,得到一个平滑的基线,然后从原始数据中减去这个基线,得到校正后的光谱图像数据。对校正后的光谱图像数据进行标准正态变换,将不同光程长度的数据转化为具有相同标准差和均值的格式,消除不同批次、不同仪器之间的系统误差,使得数据之间可以公平比较,得到每个光程长度的标准光谱图像数据。标准正态变换是一种数据标准化的方法,通过调整数据的分布,使得转换后的数据符合标准正态分布,即均值为0,标准差为1。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)通过移动窗口-k最近邻算法和诺里斯导数滤波器对每个光程长度的标准光谱图像数据进行特征提取,得到每个光程长度的初始光谱特征图像数据,其中,移动窗口-k最近邻算法包括:,/>是点/>的预测值,/>是/>的k个最近邻,/>是邻居点的值;诺里斯导数滤波器包括:/>,/>是函数/>在点/>的导数估计,/>是步长;
(2)分别对每个光程长度的初始光谱特征图像数据进行特征选择和特征降维,得到每个光程长度的降维光谱特征图像数据;
(3)采用二类优先补偿三模型投票策略对每个光程长度的降维光谱特征图像数据进行多模态融合,得到光谱融合特征图像数据,二类优先补偿三模型投票策略包括:,/>是光谱融合特征图像数据,/>是类别集合,/>是第/>个模型对类别/>的投票,/>是第/>个降维光谱特征图像数据的融合权重,n是特征数据总量。
具体的,通过移动窗口-k最近邻算法对每个光程长度的光谱数对据进行特征提取。通过分析每个数据点的k个最近邻来预测该点的值,有效地平滑了光谱信号,并减少噪声的影响。通过诺里斯导数滤波器增强了光谱数据中脱色特征的识别能力。通过计算每个点的导数估计,该滤波器能够突出光谱曲线中的变化率,从而标识出脱色区域。例如,如果脱色导致某些波长的吸收率发生变化,诺里斯导数滤波器就能通过识别这些变化点来揭示脱色区域的存在。比如,使用步长来计算光谱曲线在每一点的导数估计,可以有效地揭示出光谱数据中吸收峰的位置和形状。分别对每个光程长度的初始光谱特征图像数据进行特征选择和降维处理,确保模型仅聚焦于最有助于脱色检测的特征,同时减少计算复杂度。通过统计分析和机器学习技术,从大量的光谱特征中筛选出最具代表性和区分能力的特征,然后通过降维技术如主成分分析(PCA)将这些特征转换为更为紧凑的形式。采用二类优先补偿三模型投票策略对每个光程长度的降维光谱特征图像数据进行多模态融合,使得模型从不同的角度综合考虑脱色检测的问题。在这个过程中,每个光程长度的数据被视为一个独立的模型输入,通过对不同模型的输出进行加权投票,最终决定脱色区域的识别结果。
在一具体实施例中,执行步骤S103的过程可以具体包括如下步骤:
(1)获取目标托盘的表面材质风格信息,并根据表面材质风格信息对光谱融合特征图像数据进行表面材质风格迁移,以及通过风格迁移损失函数计算光谱融合特征图像数据的风格迁移损失数据,其中,风格迁移损失函数包括:,/>是风格损失函数,/>是表面材质风格信息,/>是表面材质风格特征,/>是第/>层的权重,/>是第/>层的风格重构误差;风格重构误差包括:/>,/>和/>分别是生成特征和表面材质风格特征在第/>层的格拉姆矩阵元素,/>是第/>层的滤波器数量,/>是第/>层的特征大小;
(2)基于风格迁移损失数据对光谱融合特征图像数据进行风格特征优化,得到光谱优化特征图像数据;
(3)对光谱优化特征图像数据进行特征增强,得到光谱特征增强图像数据。
具体的,通过深度学习模型获取目标托盘的表面材质风格信息。通过图像识别技术,如卷积神经网络(CNN)或生成对抗网络(GAN),从托盘表面的图像中学习并提取出具有代表性的风格特征,例如纹理、颜色分布等。例如,如果目标托盘表面具有特定的木质纹理或是某种塑料材质的光泽,这些风格信息将被模型捕捉并用于后续的风格迁移过程。将表面材质风格信息应用于光谱融合特征图像数据的风格迁移过程中。风格迁移技术的核心在于将一种图像的风格特征应用到另一种图像上,而保持其原有的内容特征不变。本实施例中,将目标托盘的材质风格特征迁移到光谱融合特征图像数据上,以便更准确地反映出脱色区域的特征。风格迁移过程中,通过风格迁移损失函数评估风格迁移的效果,并指导风格特征的优化。该损失函数通过比较生成的图像特征与目标风格特征之间的差异,计算风格重构误差。通过计算特征图中不同层次的特征响应之间的内积得到格拉姆矩阵,捕捉图像中的风格信息。通过最小化风格迁移损失,使生成的光谱特征图像数据在风格上更接近于目标托盘的材质风格。基于风格迁移损失数据,对光谱融合特征图像数据进行风格特征优化,确保风格迁移的效果达到最佳。对风格迁移损失函数反复迭代优化,直到达到预设的阈值或是优化次数上限,从而确保了脱色区域的特征在风格上与目标托盘表面材质保持一致。最终,对优化后的光谱特征图像数据进行特征增强,进一步提升脱色区域检测的准确性。特征增强过程涉及到对图像对比度的调整、锐化处理或是采用更高级的图像处理算法来强化关键特征,确保脱色区域在光谱特征图像中更加突出,便于后续的识别和分析。
在一具体实施例中,执行步骤S104的过程可以具体包括如下步骤:
(1)对光谱特征增强图像数据进行图滤波处理,得到第一光谱特征图像数据;
(2)对光谱特征增强图像数据进行图结构构建,得到目标图结构,其中,图结构构建包括:,/>是节点/>和/>之间的边的权重,/>是第i个特征,/>是第j个特征,/>是尺度参数;
(3)基于目标图结构对光谱特征增强图像数据进行注意力系数计算,得到注意力系数,其中,注意力系数计算函数为:,/>是节点/>对节点/>的注意力系数,/>是权重矩阵,/>是注意力机制的参数,||表示连接,/>是/>的邻居节点,/>是第i个特征,/>是第j个特征,/>是指数,k是第k个特征;
(4)基于注意力系数对光谱特征增强图像数据进行注意力加权特征更新,得到第二光谱特征图像数据,其中,注意力加权特征更新为:,/>是节点/>更新后的特征,/>是注意力系数,/>是权重矩阵,/>是节点/>的特征,/>是非线性激活函数;
(5)对第一光谱特征图像数据和第二光谱特征图像数据进行特征融合,得到目标光谱特征图像数据。
具体的,进行图滤波处理,得到第一光谱特征图像数据,在保留有用信息的同时,去除那些干扰脱色区域检测的噪声。构建一个图结构,其中每个节点代表光谱图像中的一个特征点,而节点之间的连接(即边)则根据特征点之间的相似性来确定。相似性的计算采用高斯核函数,它根据两个特征点之间的欧氏距离来计算边的权重,这种方法不仅能够捕捉特征点之间的局部相似性,还能通过尺度参数σ调整相似性的敏感度。通过图结构构建,有效地表示光谱图像数据中的复杂关系。基于构建的图结构对光谱特征增强图像数据进行注意力系数计算,从而在特征更新过程中更加关注于那些对于脱色区域检测更为重要的特征点。注意力系数的计算包括对每个节点的特征进行线性变换(通过权重矩阵W),然后计算变换后的特征之间的相似性,并通过LeakyReLU非线性激活函数和softmax函数进行归一化处理。这不仅增强了模型对重要特征的关注度,还通过引入了注意力机制的参数a,进一步提高了模型的灵活性和适应性。通过基于注意力系数的加权特征更新,得到的第二光谱特征图像数据反映了经过注意力机制优化后的特征信息,这些信息在脱色区域的检测中具有更高的价值。特征更新的过程通过加权求和所有邻居节点的特征,并应用非线性激活函数σ来增加模型的表达能力,从而得到每个节点更新后的特征表示。将通过图滤波处理得到的第一光谱特征图像数据与经过注意力机制加权更新得到的第二光谱特征图像数据进行特征融合,整合两种特征处理技术的优势,从而得到能够全面反映脱色区域特性的目标光谱特征图像数据。特征融合过程涉及到简单的加权平均或更复杂的融合策略,以确保最终融合的特征既包含了图滤波处理中保留的有用信息,也融合了注意力机制更新中突出的关键特征。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)将目标光谱特征图像数据输入预置的初始脱色检测模型,初始脱色检测模型包括:残差网络、多个卷积层、池化层、全连接层以及SoftMax函数,残差网络用于进行特征提取,多个卷积层、池化层和全连接层中每一层的输入均来自前面所有层的输出,SoftMax函数用于进行特征分类,特征分类为目标光谱特征图像数据对应的脱色区域识别结果;
(2)将目标光谱特征图像数据输入初始脱色检测模型中残差网络进行残差特征提取,输出光谱残差特征图;
(3)将光谱残差特征图输入初始脱色检测模型中的卷积层进行卷积操作,得到卷积特征向量;
(4)将卷积特征向量输入初始脱色检测模型中的池化层进行下采样及特征压缩,得到池化特征向量;
(5)将池化特征向量输入初始脱色检测模型中的全连接层进行特征组合,得到全连接特征向量;
(6)将全连接特征向量输入初始脱色检测模型中SoftMax函数进行脱色区域特征识别,输出目标光谱特征图像数据对应的脱色区域识别结果。
具体的,将目标光谱特征图像数据输入初始脱色检测模型中,初始脱色检测模型包括:残差网络、多个卷积层、池化层、全连接层以及SoftMax函数。残差网络通过其独特的跳跃连接设计,允许信号直接从前面的层传递到后面的层,从而解决了深层网络中的梯度消失问题,使得模型能够学习到更深层次的特征而不损失信息。例如,当处理一个包含细微脱色特征的光谱图像时,残差网络能够有效地捕捉到这些细节,即便它们在深层次的网络结构中也不会丢失。将光谱残差特征图输入模型中的多个卷积层。在卷积层中,通过不同大小的滤波器对特征图进行卷积操作,有效地提取出图像数据中的局部特征,如边缘、纹理等。将卷积特征向量输入池化层进行下采样和特征压缩,减少特征的维度,同时保留最重要的信息,这不仅可以降低模型的计算复杂度,还能提高模型对于输入数据小变化的鲁棒性。将池化特征向量输入全连接层进行特征组合,将之前层的特征向量映射到一个新的空间,以便进行最终的分类决策。模型通过学习不同特征之间的深层关系,生成能够全面代表图像内容的全连接特征向量。将全连接特征向量输入SoftMax函数中进行脱色区域特征分类。SoftMax函数能够将输入的特征向量转换为概率分布,表明图像属于脱色区域的性。例如,如果模型在处理一个具有明显脱色特征的光谱图像数据时,SoftMax函数将输出一个高概率值,指示该区域高度是脱色区域。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)根据脱色区域识别结果定义初始脱色检测模型的模型优化目标和适应度函数;
(2)基于模型优化目标对初始脱色检测模型进行模型参数点预测,得到多个目标模型参数值;
(3)对多个目标模型参数值进行模型参数范围预测,得到每个目标模型参数值对应的模型参数范围;
(4)采用粒子群算法,根据模型参数范围对初始脱色检测模型进行模型参数初始化,生成对应的粒子种群,粒子种群包括多个第一模型参数组合;
(5)通过适应度函数分别计算每个第一模型参数组合的适应度值,并根据适应度值对多个第一模型参数组合进行最优化求解,得到第二模型参数组合;
(6)通过第二模型参数组合对初始脱色检测模型进行模型参数优化,得到目标脱色检测模型。
具体的,根据脱色区域识别结果定义初始脱色检测模型的优化目标和适应度函数。优化目标通常是提高脱色区域识别的准确率和减少误报率,而适应度函数则用于评估模型参数组合的性能。适应度函数可以基于准确率、召回率、F1分数等指标来定义,例如,适应度函数可以是准确率和召回率的加权和,其中权重反映了这两个指标相对于实际应用中的重要性。对初始脱色检测模型进行模型参数点预测,基于优化目标预测一系列模型参数值。这些预测值作为粒子群算法搜索空间的初始点。例如,如果模型参数包括学习率和正则化系数,基于先前的经验或预实验来预测它们的有效范围。对每个预测的模型参数值进行范围预测,确定每个参数的搜索范围,确保粒子群算法能够在有效的参数空间内搜索,避免了在不产生优化结果的区域浪费计算资源。例如,如果学习率的预测值是0.01,设置其搜索范围为0.001到0.1,为粒子提供足够的搜索空间。采用粒子群算法时,根据模型参数的预测范围对初始脱色检测模型进行参数初始化,并生成相应的粒子种群。每个粒子代表一组模型参数,粒子种群中包含了多个这样的参数组合。粒子群算法通过迭代更新粒子的位置来搜索最优解,其中每个粒子的位置更新依赖于其个体历史最佳位置、当前群体的最佳位置以及随机扰动。通过适应度函数计算每个粒子(即模型参数组合)的适应度值。适应度值越高,表示该参数组合下模型的性能越好。粒子群算法根据适应度值更新粒子的速度和位置,逐渐向最优解靠拢。例如,如果某个粒子的参数组合在验证集上达到了更高的准确率,那么这个组合的适应度值就会较高,粒子群算法会倾向于向这个方向搜索。最终,通过粒子群算法找到的最优模型参数组合,即第二模型参数组合,用于对初始脱色检测模型进行参数优化,确保模型在给定的数据集上能够达到最佳的性能。优化后的模型,即目标脱色检测模型,将具有更高的准确性和鲁棒性,能够更有效地识别出托盘表面的脱色区域。
上面对本申请实施例中托盘表面材质的脱色检测方法进行了描述,下面对本申请实施例中托盘表面材质的脱色检测系统进行描述,请参阅图2,本申请实施例中托盘表面材质的脱色检测系统一个实施例包括:
采集模块201,用于基于近红外光谱技术采用多个不同的光程长度分别对待检测的目标托盘进行光谱图像数据采集,得到每个光程长度的原始光谱图像数据,并对每个光程长度的原始光谱图像数据进行预处理和标准正态变换,得到每个光程长度的标准光谱图像数据;
提取模块202,用于通过移动窗口-k最近邻算法和诺里斯导数滤波器对每个光程长度的标准光谱图像数据进行特征提取,得到每个光程长度的初始光谱特征图像数据,并采用二类优先补偿三模型投票策略对每个光程长度的初始光谱特征图像数据进行多模态融合,得到光谱融合特征图像数据;
增强模块203,用于获取目标托盘的表面材质风格信息,并根据表面材质风格信息对光谱融合特征图像数据进行表面材质风格迁移和特征增强,得到光谱特征增强图像数据;
融合模块204,用于对光谱特征增强图像数据进行图滤波处理,得到第一光谱特征图像数据,并对光谱特征增强图像数据进行注意力机制加权,得到第二光谱特征图像数据,以及对第一光谱特征图像数据和第二光谱特征图像数据进行特征融合,得到目标光谱特征图像数据;
识别模块205,用于将目标光谱特征图像数据输入预置的初始脱色检测模型进行脱色区域识别,得到脱色区域识别结果;
优化模块206,用于根据脱色区域识别结果定义初始脱色检测模型的模型优化目标,并采用粒子群算法对初始脱色检测模型进行模型参数优化,得到目标脱色检测模型。
通过上述各个组成部分的协同合作,采用近红外光谱技术,能够在不同光程长度下获得高质量的光谱图像数据,确保了检测的全面性和深度。利用多项式拟合和标准正态变换进行数据预处理,有效去除了噪声和环境干扰,提高了数据的准确性和一致性。通过移动窗口-k最近邻算法和诺里斯导数滤波器进行特征提取,精确识别光谱数据中的关键模式和特征。二类优先补偿三模型投票策略进行多模态融合,结合不同光程长度的数据,提高了特征提取的准确性和模型的预测能力。利用表面材质风格信息进行风格迁移,增强了光谱特征的可区分性,使得脱色区域在后续的分类和识别中更加明显易辨。特征增强步骤进一步突出重要的光谱特征,为准确识别脱色区域提供了强有力的特征支持。图滤波处理过滤掉特征中的高频噪声,得到平滑且有利于聚类的特征表示,提高了特征的质量和稳定性。注意力机制加权特征融合能够突出最有信息量的特征,增强模型对脱色区域的识别能力。利用粒子群算法对初始脱色检测模型进行参数优化,找到最佳的模型参数,提高了模型的准确率和泛化能力,进而提高了托盘表面材质的脱色检测准确率。
本申请还提供一种托盘表面材质的脱色检测设备,所述托盘表面材质的脱色检测设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述托盘表面材质的脱色检测方法的步骤。
本申请还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述托盘表面材质的脱色检测方法的步骤。
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,上述描述的系统,系统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。
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,包括若干指令用以使得一台计算机设备(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(read-only memory,ROM)、随机存取存储器(random acceS memory,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 (8)
1.一种托盘表面材质的脱色检测方法,其特征在于,所述托盘表面材质的脱色检测方法包括:
基于近红外光谱技术采用多个不同的光程长度分别对待检测的目标托盘进行光谱图像数据采集,得到每个光程长度的原始光谱图像数据,并对每个光程长度的原始光谱图像数据进行预处理和标准正态变换,得到每个光程长度的标准光谱图像数据;
通过移动窗口-k最近邻算法和诺里斯导数滤波器对每个光程长度的标准光谱图像数据进行特征提取,得到每个光程长度的初始光谱特征图像数据,并采用二类优先补偿三模型投票策略对每个光程长度的初始光谱特征图像数据进行多模态融合,得到光谱融合特征图像数据;所述二类优先补偿三模型投票策略包括:,/>是光谱融合特征图像数据,/>是类别集合,/>是第/>个模型对类别/>的投票,/>是第/>个降维光谱特征图像数据的融合权重,n是特征数据总量;
获取所述目标托盘的表面材质风格信息,并根据所述表面材质风格信息对所述光谱融合特征图像数据进行表面材质风格迁移和特征增强,得到光谱特征增强图像数据;具体包括:获取所述目标托盘的表面材质风格信息,并根据所述表面材质风格信息对所述光谱融合特征图像数据进行表面材质风格迁移,以及通过风格迁移损失函数计算所述光谱融合特征图像数据的风格迁移损失数据,其中,所述风格迁移损失函数包括:,/>是风格损失函数,/>是表面材质风格信息,/>是表面材质风格特征,/>是第/>层的权重,/>是第/>层的风格重构误差;所述风格重构误差包括:,/>和/>分别是生成特征和表面材质风格特征在第/>层的格拉姆矩阵元素,/>是第/>层的滤波器数量,/>是第/>层的特征大小;基于所述风格迁移损失数据对所述光谱融合特征图像数据进行风格特征优化,得到光谱优化特征图像数据;对所述光谱优化特征图像数据进行特征增强,得到光谱特征增强图像数据;
对所述光谱特征增强图像数据进行图滤波处理,得到第一光谱特征图像数据,并对所述光谱特征增强图像数据进行注意力机制加权,得到第二光谱特征图像数据,以及对所述第一光谱特征图像数据和所述第二光谱特征图像数据进行特征融合,得到目标光谱特征图像数据;
将所述目标光谱特征图像数据输入预置的初始脱色检测模型进行脱色区域识别,得到脱色区域识别结果;具体包括:将所述目标光谱特征图像数据输入预置的初始脱色检测模型,所述初始脱色检测模型包括:残差网络、多个卷积层、池化层、全连接层以及SoftMax函数,所述残差网络用于进行特征提取,所述多个卷积层、所述池化层和所述全连接层中每一层的输入均来自前面所有层的输出,所述SoftMax函数用于进行特征分类,所述特征分类为所述目标光谱特征图像数据对应的脱色区域识别结果;将所述目标光谱特征图像数据输入所述初始脱色检测模型中残差网络进行残差特征提取,输出光谱残差特征图;将所述光谱残差特征图输入所述初始脱色检测模型中的卷积层进行卷积操作,得到卷积特征向量;将所述卷积特征向量输入所述初始脱色检测模型中的池化层进行下采样及特征压缩,得到池化特征向量;将所述池化特征向量输入所述初始脱色检测模型中的全连接层进行特征组合,得到全连接特征向量;将所述全连接特征向量输入所述初始脱色检测模型中SoftMax函数进行脱色区域特征识别,输出所述目标光谱特征图像数据对应的脱色区域识别结果;
根据所述脱色区域识别结果定义所述初始脱色检测模型的模型优化目标,并采用粒子群算法对所述初始脱色检测模型进行模型参数优化,得到目标脱色检测模型。
2.根据权利要求1所述的托盘表面材质的脱色检测方法,其特征在于,所述基于近红外光谱技术采用多个不同的光程长度分别对待检测的目标托盘进行光谱图像数据采集,得到每个光程长度的原始光谱图像数据,并对每个光程长度的原始光谱图像数据进行预处理和标准正态变换,得到每个光程长度的标准光谱图像数据,包括:
基于近红外光谱技术采用多个不同的光程长度分别对待检测的目标托盘进行光谱图像数据采集,得到每个光程长度的原始光谱图像数据,其中,所述多个不同的光程长度包括:1mm、4mm和10mm;
通过多项式拟合,分别对每个光程长度的原始光谱图像数据进行基线校正,得到多个校正光谱图像数据;
分别对所述多个校正光谱图像数据进行标准正态变换,得到每个光程长度的标准光谱图像数据。
3.根据权利要求1所述的托盘表面材质的脱色检测方法,其特征在于,所述通过移动窗口-k最近邻算法和诺里斯导数滤波器对每个光程长度的标准光谱图像数据进行特征提取,得到每个光程长度的初始光谱特征图像数据,并采用二类优先补偿三模型投票策略对每个光程长度的初始光谱特征图像数据进行多模态融合,得到光谱融合特征图像数据,包括:
通过移动窗口-k最近邻算法和诺里斯导数滤波器对每个光程长度的标准光谱图像数据进行特征提取,得到每个光程长度的初始光谱特征图像数据,其中,所述移动窗口-k最近邻算法包括:,/>是点/>的预测值,/>是/>的k个最近邻,/>是邻居点的值;所述诺里斯导数滤波器包括:/>,/>是函数/>在点/>的导数估计,/>是步长;
分别对每个光程长度的初始光谱特征图像数据进行特征选择和特征降维,得到每个光程长度的降维光谱特征图像数据;
采用二类优先补偿三模型投票策略对每个光程长度的降维光谱特征图像数据进行多模态融合,得到光谱融合特征图像数据。
4.根据权利要求1所述的托盘表面材质的脱色检测方法,其特征在于,所述对所述光谱特征增强图像数据进行图滤波处理,得到第一光谱特征图像数据,并对所述光谱特征增强图像数据进行注意力机制加权,得到第二光谱特征图像数据,以及对所述第一光谱特征图像数据和所述第二光谱特征图像数据进行特征融合,得到目标光谱特征图像数据,包括:
对所述光谱特征增强图像数据进行图滤波处理,得到第一光谱特征图像数据;
对所述光谱特征增强图像数据进行图结构构建,得到目标图结构,其中,图结构构建包括:,/>是节点/>和/>之间的边的权重,/>是第i个特征,/>是第j个特征,/>是尺度参数;
基于所述目标图结构对所述光谱特征增强图像数据进行注意力系数计算,得到注意力系数,其中,注意力系数计算函数为:,/>是节点/>对节点/>的注意力系数,/>是权重矩阵,/>是注意力机制的参数,||表示连接,/>是/>的邻居节点,/>是第i个特征,/>是第j个特征,/>是指数,/>是第k个特征;
基于所述注意力系数对所述光谱特征增强图像数据进行注意力加权特征更新,得到第二光谱特征图像数据,其中,注意力加权特征更新为:,/>是节点/>更新后的特征,/>是注意力系数,/>是权重矩阵,/>是节点/>的特征,/>是非线性激活函数;
对所述第一光谱特征图像数据和所述第二光谱特征图像数据进行特征融合,得到目标光谱特征图像数据。
5.根据权利要求1所述的托盘表面材质的脱色检测方法,其特征在于,所述根据所述脱色区域识别结果定义所述初始脱色检测模型的模型优化目标,并采用粒子群算法对所述初始脱色检测模型进行模型参数优化,得到目标脱色检测模型,包括:
根据所述脱色区域识别结果定义所述初始脱色检测模型的模型优化目标和适应度函数;
基于所述模型优化目标对所述初始脱色检测模型进行模型参数点预测,得到多个目标模型参数值;
对所述多个目标模型参数值进行模型参数范围预测,得到每个目标模型参数值对应的模型参数范围;
采用粒子群算法,根据所述模型参数范围对所述初始脱色检测模型进行模型参数初始化,生成对应的粒子种群,所述粒子种群包括多个第一模型参数组合;
通过所述适应度函数分别计算每个第一模型参数组合的适应度值,并根据所述适应度值对所述多个第一模型参数组合进行最优化求解,得到第二模型参数组合;
通过所述第二模型参数组合对所述初始脱色检测模型进行模型参数优化,得到目标脱色检测模型。
6.一种托盘表面材质的脱色检测系统,其特征在于,所述托盘表面材质的脱色检测系统包括:
采集模块,用于基于近红外光谱技术采用多个不同的光程长度分别对待检测的目标托盘进行光谱图像数据采集,得到每个光程长度的原始光谱图像数据,并对每个光程长度的原始光谱图像数据进行预处理和标准正态变换,得到每个光程长度的标准光谱图像数据;
提取模块,用于通过移动窗口-k最近邻算法和诺里斯导数滤波器对每个光程长度的标准光谱图像数据进行特征提取,得到每个光程长度的初始光谱特征图像数据,并采用二类优先补偿三模型投票策略对每个光程长度的初始光谱特征图像数据进行多模态融合,得到光谱融合特征图像数据;所述二类优先补偿三模型投票策略包括:,/>是光谱融合特征图像数据,/>是类别集合,/>是第/>个模型对类别/>的投票,/>是第/>个降维光谱特征图像数据的融合权重,n是特征数据总量;
增强模块,用于获取所述目标托盘的表面材质风格信息,并根据所述表面材质风格信息对所述光谱融合特征图像数据进行表面材质风格迁移和特征增强,得到光谱特征增强图像数据;具体包括:获取所述目标托盘的表面材质风格信息,并根据所述表面材质风格信息对所述光谱融合特征图像数据进行表面材质风格迁移,以及通过风格迁移损失函数计算所述光谱融合特征图像数据的风格迁移损失数据,其中,所述风格迁移损失函数包括:,/>是风格损失函数,/>是表面材质风格信息,/>是表面材质风格特征,/>是第/>层的权重,/>是第/>层的风格重构误差;所述风格重构误差包括:,/>和/>分别是生成特征和表面材质风格特征在第/>层的格拉姆矩阵元素,/>是第/>层的滤波器数量,/>是第/>层的特征大小;基于所述风格迁移损失数据对所述光谱融合特征图像数据进行风格特征优化,得到光谱优化特征图像数据;对所述光谱优化特征图像数据进行特征增强,得到光谱特征增强图像数据;
融合模块,用于对所述光谱特征增强图像数据进行图滤波处理,得到第一光谱特征图像数据,并对所述光谱特征增强图像数据进行注意力机制加权,得到第二光谱特征图像数据,以及对所述第一光谱特征图像数据和所述第二光谱特征图像数据进行特征融合,得到目标光谱特征图像数据;
识别模块,用于将所述目标光谱特征图像数据输入预置的初始脱色检测模型进行脱色区域识别,得到脱色区域识别结果;具体包括:将所述目标光谱特征图像数据输入预置的初始脱色检测模型,所述初始脱色检测模型包括:残差网络、多个卷积层、池化层、全连接层以及SoftMax函数,所述残差网络用于进行特征提取,所述多个卷积层、所述池化层和所述全连接层中每一层的输入均来自前面所有层的输出,所述SoftMax函数用于进行特征分类,所述特征分类为所述目标光谱特征图像数据对应的脱色区域识别结果;将所述目标光谱特征图像数据输入所述初始脱色检测模型中残差网络进行残差特征提取,输出光谱残差特征图;将所述光谱残差特征图输入所述初始脱色检测模型中的卷积层进行卷积操作,得到卷积特征向量;将所述卷积特征向量输入所述初始脱色检测模型中的池化层进行下采样及特征压缩,得到池化特征向量;将所述池化特征向量输入所述初始脱色检测模型中的全连接层进行特征组合,得到全连接特征向量;将所述全连接特征向量输入所述初始脱色检测模型中SoftMax函数进行脱色区域特征识别,输出所述目标光谱特征图像数据对应的脱色区域识别结果;
优化模块,用于根据所述脱色区域识别结果定义所述初始脱色检测模型的模型优化目标,并采用粒子群算法对所述初始脱色检测模型进行模型参数优化,得到目标脱色检测模型。
7.一种托盘表面材质的脱色检测设备,其特征在于,所述托盘表面材质的脱色检测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述托盘表面材质的脱色检测设备执行如权利要求1-5中任一项所述的托盘表面材质的脱色检测方法。
8.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-5中任一项所述的托盘表面材质的脱色检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410292910.5A CN117893537B (zh) | 2024-03-14 | 2024-03-14 | 托盘表面材质的脱色检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410292910.5A CN117893537B (zh) | 2024-03-14 | 2024-03-14 | 托盘表面材质的脱色检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117893537A CN117893537A (zh) | 2024-04-16 |
CN117893537B true CN117893537B (zh) | 2024-05-28 |
Family
ID=90650948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410292910.5A Active CN117893537B (zh) | 2024-03-14 | 2024-03-14 | 托盘表面材质的脱色检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117893537B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118204297A (zh) * | 2024-05-21 | 2024-06-18 | 上海国兴农智能科技股份有限公司 | 全自动自翻转苗床清洗设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102164219A (zh) * | 2010-02-19 | 2011-08-24 | 柯尼卡美能达商用科技株式会社 | 图像处理装置和图像读取装置 |
WO2018060967A1 (en) * | 2016-09-29 | 2018-04-05 | Inesc Tec - Instituto De Engenharia De Sistemas E Computadores, Tecnologia E Ciência | Big data self-learning methodology for the accurate quantification and classification of spectral information under complex varlability and multi-scale interference |
CN111985543A (zh) * | 2020-08-06 | 2020-11-24 | 西北大学 | 一种高光谱图像分类模型的构建方法、分类方法及系统 |
CN116452937A (zh) * | 2023-04-25 | 2023-07-18 | 重庆邮电大学 | 基于动态卷积与注意力机制的多模态特征目标检测方法 |
CN116595208A (zh) * | 2023-07-17 | 2023-08-15 | 云南大学 | 高光谱图像的分类方法、装置及电子设备 |
CN116664468A (zh) * | 2023-06-20 | 2023-08-29 | 华中师范大学 | 一种高分辨率高光谱图像融合方法 |
CN117557784A (zh) * | 2024-01-09 | 2024-02-13 | 腾讯科技(深圳)有限公司 | 目标检测方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220384043A1 (en) * | 2021-05-28 | 2022-12-01 | Lightsense Technology, Inc. | Systems and methods for enhanced photodetection spectroscopy using data fusion and machine learning |
-
2024
- 2024-03-14 CN CN202410292910.5A patent/CN117893537B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102164219A (zh) * | 2010-02-19 | 2011-08-24 | 柯尼卡美能达商用科技株式会社 | 图像处理装置和图像读取装置 |
WO2018060967A1 (en) * | 2016-09-29 | 2018-04-05 | Inesc Tec - Instituto De Engenharia De Sistemas E Computadores, Tecnologia E Ciência | Big data self-learning methodology for the accurate quantification and classification of spectral information under complex varlability and multi-scale interference |
CN111985543A (zh) * | 2020-08-06 | 2020-11-24 | 西北大学 | 一种高光谱图像分类模型的构建方法、分类方法及系统 |
CN116452937A (zh) * | 2023-04-25 | 2023-07-18 | 重庆邮电大学 | 基于动态卷积与注意力机制的多模态特征目标检测方法 |
CN116664468A (zh) * | 2023-06-20 | 2023-08-29 | 华中师范大学 | 一种高分辨率高光谱图像融合方法 |
CN116595208A (zh) * | 2023-07-17 | 2023-08-15 | 云南大学 | 高光谱图像的分类方法、装置及电子设备 |
CN117557784A (zh) * | 2024-01-09 | 2024-02-13 | 腾讯科技(深圳)有限公司 | 目标检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117893537A (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117893537B (zh) | 托盘表面材质的脱色检测方法及系统 | |
CN116935384B (zh) | 一种细胞异常样本智能化检测方法 | |
CN113392931A (zh) | 基于自监督学习及多任务学习的高光谱开放集分类方法 | |
CN113470036B (zh) | 基于知识蒸馏的高光谱图像无监督波段选择方法及系统 | |
CN116740728B (zh) | 一种用于晶圆读码器动态获取方法和系统 | |
CN113030001A (zh) | 一种水果糖度检测方法及系统 | |
CN115294033A (zh) | 一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法 | |
CN109509180B (zh) | 基于机器视觉的金属纽扣瑕疵检测方法 | |
US20230029474A1 (en) | Machine vision for characterization based on analytical data | |
CN117538287A (zh) | 一种无损检测黄冠梨果磷含量的方法及装置 | |
Wang et al. | SVM classification method of waxy corn seeds with different vitality levels based on hyperspectral imaging | |
CN116519661A (zh) | 一种基于卷积神经网络的大米识别检测方法 | |
Nie et al. | Machine vision-based apple external quality grading | |
CN118279912B (zh) | 基于图像分析的干细胞分化程度评估方法及系统 | |
CN118501098A (zh) | 基于图像处理和波长分析的光学胶性能检测方法及装置 | |
CN117274236B (zh) | 基于高光谱图像的尿液成分异常检测方法及系统 | |
CN118096774B (zh) | 结合深度特征的传感器封装过程缺陷检测装置及方法 | |
CN117689880B (zh) | 基于机器学习用于生物医学图像中目标识别的方法及系统 | |
CN117409011B (zh) | 一种基于目标识别的高压套管表面污秽监测方法及系统 | |
CN117593301B (zh) | 基于机器视觉的内存条损伤快速检测方法及系统 | |
CN117853817B (zh) | 一种基于图像识别的智慧社区垃圾分类报警管理方法 | |
Palmquist | Detecting defects on cheese using hyperspectral image analysis | |
RU2797495C1 (ru) | Способ использования спектроскопических данных для определения органолептических характеристик сигаретного дыма основного потока | |
CN117407666B (zh) | 基于人工智能的智能垃圾桶参数分析和控制方法及装置 | |
CN117406044B (zh) | 液晶显示屏的放电检测方法、装置、设备及存储介质 |
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 |