CN118072301A - 一种仿真叶仿真效果智能评估系统 - Google Patents
一种仿真叶仿真效果智能评估系统 Download PDFInfo
- Publication number
- CN118072301A CN118072301A CN202410472676.4A CN202410472676A CN118072301A CN 118072301 A CN118072301 A CN 118072301A CN 202410472676 A CN202410472676 A CN 202410472676A CN 118072301 A CN118072301 A CN 118072301A
- Authority
- CN
- China
- Prior art keywords
- simulation
- leaf
- image
- simulated
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 324
- 238000011156 evaluation Methods 0.000 title claims abstract description 53
- 230000000694 effects Effects 0.000 title claims abstract description 47
- 238000004519 manufacturing process Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000012797 qualification Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims description 28
- 238000012216 screening Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000013441 quality evaluation Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 238000001303 quality assessment method Methods 0.000 claims description 4
- 238000009877 rendering Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000011111 cardboard Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000005038 ethylene vinyl acetate Substances 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000002649 leather substitute Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 229920001200 poly(ethylene-vinyl acetate) Polymers 0.000 description 1
- 239000000741 silica gel Substances 0.000 description 1
- 229910002027 silica gel Inorganic materials 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/66—Trinkets, e.g. shirt buttons or jewellery items
-
- A—HUMAN NECESSITIES
- A41—WEARING APPAREL
- A41G—ARTIFICIAL FLOWERS; WIGS; MASKS; FEATHERS
- A41G1/00—Artificial flowers, fruit, leaves, or trees; Garlands
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Textile Engineering (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及装饰品技术领域，具体涉及一种仿真叶仿真效果智能评估系统，包括：控制终端、采集层、分析层及评估层；控制终端，是系统的主控端，用于发出执行命令；仿真叶生产线上产出的仿真叶通过采集层进行图像采集，采集层同步对采集到的仿真叶图像数据进行仿真叶轮廓提取，本发明通过仿真叶生产线上产出仿真叶图像数据的采集，结合仿真叶仿制目标叶群图像的相似性分析，对仿真叶的仿真效果、合格性进行分析评估，并且基于仿真叶仿真效果、合格性分析评估的过程，对仿真叶生产线的运行安全进行进一步判定，有效维护了仿真叶生产线运行稳定，确保仿真叶生产线产出的仿真叶质量更佳，仿真效果更加逼真。
Description
技术领域
本发明涉及装饰品技术领域，具体涉及一种仿真叶仿真效果智能评估系统。
背景技术
仿真树叶是人们模拟真实树叶的自然形态，用特殊的环保材料制作而成的装饰品假树叶，它具有耐摩擦、耐潮湿、耐光、防水、防污染和抗化学腐蚀等特性，被广泛应用于酒店、广场、娱乐场所和公园等。
随着科技的发展，仿真树叶的材料也在不断更新，如硅胶、PEVA塑料、纸板和人造革等材料都可以用于制作仿真树叶。
仿真叶的质量好坏，往往着重于仿真叶的仿真效果，能够以假乱真的仿真叶，往往销量更佳，更易被消费者选购，但目前仿真叶产线生产的仿真叶，往往不具备特定的生产仿真叶仿真效果、质量评估工序，基本依靠人工对生产出的仿真叶做大致的仿真效果、质量检查，其检查精度、效率均较差。
发明内容
针对现有技术所存在的上述缺点，本发明提供了一种仿真叶仿真效果智能评估系统，解决了上述背景技术中提出的技术问题。
为实现以上目的，本发明通过以下技术方案予以实现：
一种仿真叶仿真效果智能评估系统，包括：控制终端、采集层、分析层及评估层；
控制终端，是系统的主控端，用于发出执行命令；
仿真叶生产线上产出的仿真叶通过采集层进行图像采集，采集层同步对采集到的仿真叶图像数据进行仿真叶轮廓提取，基于提取到的仿真叶轮廓确定仿真叶图像数据中仿真叶区域图像，分析层同步接收仿真叶区域图像，并上传仿真叶仿制目标叶群图像，进一步将仿真叶区域图像放置于仿制目标叶群图像中，基于放置有仿真叶区域图像的仿真叶仿制目标叶群图像，与仿真叶仿制目标叶群图像的比对，获取两组图像的相似度，相似度比对结果实时向评估层发送，评估层基于相似度比对结果评估仿真叶仿真效果及是否合格；
所述分析层包括接收模块、上传模块及比对模块，接收模块用于接收仿真叶区域图像，上传模块用于上传仿真叶仿制目标叶群图像，获取接收模块中接收的仿真叶区域图像，将仿真叶区域图像放置于仿真叶仿制目标叶群图像中，比对模块用于接收上传模块中放置有仿真叶区域图像的仿真叶仿制目标叶群图像，比对放置有仿真叶区域图像的仿真叶仿制目标叶群图像，与仿真叶仿制目标叶群图像的相似度；
所述放置有仿真叶区域图像的仿真叶仿制目标叶群图像，与仿真叶仿制目标叶群图像的相似度比对逻辑表示为：
；
式中：为放置有仿真叶区域图像的仿真叶仿制目标叶群图像A与仿真叶仿制目标叶群图像B的相似度；/>为放置有仿真叶区域图像的仿真叶仿制目标叶群图像A中像素的集合；/>为A中第v组像素的灰度值；/>为仿真叶仿制目标叶群图像B中像素的集合；/>为B中第v组像素的灰度值；/>为图像中像素的总量；/>为A中第q组像素基于RGB通道的颜色分量；/>为B中第q组像素基于RGB通道的颜色分量；/>为A的明暗程度；/>为B的明暗程度；
其中，基于上式对各组放置有仿真叶区域图像的仿真叶仿制目标叶群图像，与仿真叶仿制目标叶群图像进行相似度比对，各组比对结果实时向评估层反馈。
更进一步地，所述采集层包括相机模组、筛选模块及提取模块，相机模组用于采集仿真叶生产线上产出仿真叶的图像数据，筛选模块用于接收相机模组中采集的仿真叶图像数据，对仿真叶图像数据进行筛选，提取模块用于获取筛选模块中筛选剩余仿真叶图像数据，对仿真叶图像数据进行轮廓识别，基于识别到的仿真叶图像数据中仿真叶轮廓，提取仿真叶图像数据中仿真叶区域图像；
其中，相机模组运行采集仿真叶图像数据时，采集频率与仿真叶生产线上产出仿真叶的频率一致，使每组仿真叶图像数据中仅包含一组仿真叶图像数据，且仿真叶图像数据中仿真叶区域图像，于仿真叶图像数据边界不相切或相交，所述筛选模块对仿真叶图像数据进行筛选时，对各组接收的仿真叶图像数据进行图像质量评估，基于图像质量评估结果选择质量佳的仿真叶图像数据，并向提取模块反馈。
更进一步地，所述筛选模块中仿真叶图像数据的质量评估逻辑为：
；
式中：为以仿真叶图像数据y为参考图像时，仿真叶图像数据x的视觉质量表现值；/>为像素点的最大灰度值；/>为图像分辨率；/>为仿真叶图像数据x中处于（i，j）处像素点的灰度值；/>为仿真叶图像数据y中处于（i，j）处像素点的灰度值；
其中，基于上式对各组仿真叶图像数据的视觉质量表现值进行求取，并基于视觉质量表现值求取结果的大小，对各组求取结果对应的仿真叶图像数据进行降序排列，以排列结果中前半部分仿真叶图像数据作为反馈目标，向提取模块反馈。
更进一步地，所述提取模块中仿真叶区域图像提取逻辑表示为：
；
式中：为像素块/>的判定值；/>为像素块/>的颜色特征向量；/>为像素块A的颜色特征向量；/>为像素块/>的灰度级；/>为像素块A的灰度级；
其中，仿真叶图像数据在提取仿真叶区域图像数据，以图像分辨率对仿真叶图像数据进行分割，依次获取分割的仿真叶图像数据中范围内，最外围像素块作为一组像素块集合，以每组像素块集合中包含的像素块依次代替上式中/>参与公式运算，像素块A为仿真叶图像数据中中心像素块，仿真叶图像数据中中心像素块不为一组时，以中心像素块中任意一组像素块作为像素块A。
更进一步地，基于仿真叶区域图像提取逻辑及中每组范围对应的像素块集合，依次求取各组像素块集合中各组像素块的判定值，获取判定值不大于0.01的像素块，并对获取到的像素块于仿真叶图像数据中标记，在仿真叶图像数据中标记的像素块于仿真叶图像数据中连成封闭图形，仿真叶图像数据中标记的像素块及仿真叶轮廓像素块，仿真叶轮廓像素块连成封闭图形于仿真叶图像数据中区域，记作仿真叶区域图像；
其中，对仿真叶图像数据中像素块进行标记时，以任意一种区别于仿真叶图像数据中包含色彩的颜色进行渲染标记。
更进一步地，所述上传模块中上传的仿真叶仿制目标叶群图像，由若干组仿真叶仿真目标叶图像组成，且仿真叶仿真目标叶图像于仿真叶仿制目标叶群图像中均匀分布，仿真叶仿制目标叶群图像在放置仿真叶区域图像时，对仿真叶仿制目标叶群图像进行分割，使仿真叶仿制目标叶群图像被等分为2*2、3*3或4*4组图像块，仿真叶区域图像放置于各组图像块的中心位置，结合剩余来源于同一仿真叶仿制目标叶群图像中像素块，得到4、9或16组放置有仿真叶区域图像的仿真叶仿制目标叶群图像，记作放置有仿真叶区域图像的仿真叶仿制目标叶群图像集合，图像集合应用于：放置有仿真叶区域图像的仿真叶仿制目标叶群图像，与仿真叶仿制目标叶群图像的相似度比对逻辑。
更进一步地，与仿真叶仿制目标叶群图像进行相似度比对的放置有仿真叶区域图像的仿真叶仿制目标叶群图像为：放置有仿真叶区域图像的仿真叶仿制目标叶群图像集合中，每一组图像；
其中，所述图像明暗程度通过下式进行求取，公式为：
；
式中：为图像中坐标为（x，y）的像素的灰度值；/>为图像中像素的总量，表示对图像中所有像素的灰度值进行求和。
更进一步地，所述评估层包括归一化模块、设定模块及评估模块，归一化模块用于接收比对模块运行得到的，放置有仿真叶区域图像的仿真叶仿制目标叶群图像，与仿真叶仿制目标叶群图像的相似度，对每组相似度比对结果进行归一化处理，设定模块用于设定合格判定阈值，评估模块用于将相似度比对结果与合格判定阈值进行比对，基于比对结果，判定相似度来源仿真叶是否合格；
其中，归一化模块中归一化处理后的得到的相似度比对结果，即仿真叶仿真效果，相似度比对结果归一化处理所得值越大，表示仿真叶仿真越逼真，反之，表示仿真叶与仿真目标叶的差异性越大。
更进一步地，所述归一化模块中对于相似度比对结果的归一化处理逻辑表示为：
；
式中：为归一化处理得到的相似度比对结果；/>为相似度比对结果来源仿真叶区域图像于仿真叶仿制目标叶群图像中，遮挡仿真叶仿真目标叶图像的面积与仿真叶仿制目标叶群图像面积的比值；
其中，各组基于对应仿真叶于仿真叶生产线上产出顺序进行排列，排列的各组/>的值呈降序队列时，表示仿真叶生产线存在故障，反之，表示仿真叶生产线运行稳定。
更进一步地，所述相机模组通过局域网络交互连接有筛选模块及提取模块，所述提取模块通过局域网络交互连接有接收模块，所述接收模块通过局域网络交互连接有上传模块及比对模块，所述比对模块通过局域网络交互连接有归一化模块，所述归一化模块通过局域网络交互连接有设定模块及评估模块。
采用本发明提供的技术方案，与已知的公有技术相比，具有如下有益效果：
本发明提供一种仿真叶仿真效果智能评估系统，该系统在运行过程中，通过仿真叶生产线上产出仿真叶图像数据的采集，结合仿真叶仿制目标叶群图像的相似性分析，对仿真叶的仿真效果、合格性进行分析评估，并且基于仿真叶仿真效果、合格性分析评估的过程，对仿真叶生产线的运行安全进行进一步判定，有效维护了仿真叶生产线运行稳定，确保仿真叶生产线产出的仿真叶质量更佳，仿真效果更加逼真；
且由该系统的运行，适应性的以抽查的方式，对仿真叶生产线批量生产的仿真叶带来了总体品质的精准评估效果。
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的前提下，还可以根据这些附图获得其他的附图。
图1为一种仿真叶仿真效果智能评估系统的结构示意图；
图2为本发明中仿真叶图像分割以求取像素块集合的逻辑示意图；
图3为本发明中仿真叶区域图像放置于仿真叶仿制目标叶群图像中过程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，本领域普通技术人员在没有作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。
下面结合实施例对本发明作进一步的描述。
实施例一：
本实施例的一种仿真叶仿真效果智能评估系统，如图1所示，包括：控制终端、采集层、分析层及评估层；
控制终端，是系统的主控端，用于发出执行命令；
仿真叶生产线上产出的仿真叶通过采集层进行图像采集，采集层同步对采集到的仿真叶图像数据进行仿真叶轮廓提取，基于提取到的仿真叶轮廓确定仿真叶图像数据中仿真叶区域图像，分析层同步接收仿真叶区域图像，并上传仿真叶仿制目标叶群图像，进一步将仿真叶区域图像放置于仿制目标叶群图像中，基于放置有仿真叶区域图像的仿真叶仿制目标叶群图像，与仿真叶仿制目标叶群图像的比对，获取两组图像的相似度，相似度比对结果实时向评估层发送，评估层基于相似度比对结果评估仿真叶仿真效果及是否合格；
采集层包括相机模组、筛选模块及提取模块，相机模组用于采集仿真叶生产线上产出仿真叶的图像数据，筛选模块用于接收相机模组中采集的仿真叶图像数据，对仿真叶图像数据进行筛选，提取模块用于获取筛选模块中筛选剩余仿真叶图像数据，对仿真叶图像数据进行轮廓识别，基于识别到的仿真叶图像数据中仿真叶轮廓，提取仿真叶图像数据中仿真叶区域图像；
其中，相机模组运行采集仿真叶图像数据时，采集频率与仿真叶生产线上产出仿真叶的频率一致，使每组仿真叶图像数据中仅包含一组仿真叶图像数据，且仿真叶图像数据中仿真叶区域图像，于仿真叶图像数据边界不相切或相交，筛选模块对仿真叶图像数据进行筛选时，对各组接收的仿真叶图像数据进行图像质量评估，基于图像质量评估结果选择质量佳的仿真叶图像数据，并向提取模块反馈；
分析层包括接收模块、上传模块及比对模块，接收模块用于接收仿真叶区域图像，上传模块用于上传仿真叶仿制目标叶群图像，获取接收模块中接收的仿真叶区域图像，将仿真叶区域图像放置于仿真叶仿制目标叶群图像中，比对模块用于接收上传模块中放置有仿真叶区域图像的仿真叶仿制目标叶群图像，比对放置有仿真叶区域图像的仿真叶仿制目标叶群图像，与仿真叶仿制目标叶群图像的相似度；
放置有仿真叶区域图像的仿真叶仿制目标叶群图像，与仿真叶仿制目标叶群图像的相似度比对逻辑表示为：
；
式中：为放置有仿真叶区域图像的仿真叶仿制目标叶群图像A与仿真叶仿制目标叶群图像B的相似度；/>为放置有仿真叶区域图像的仿真叶仿制目标叶群图像A中像素的集合；/>为A中第v组像素的灰度值；/>为仿真叶仿制目标叶群图像B中像素的集合；/>为B中第v组像素的灰度值；/>为图像中像素的总量；/>为A中第q组像素基于RGB通道的颜色分量；/>为B中第q组像素基于RGB通道的颜色分量；/>为A的明暗程度；/>为B的明暗程度；
其中，基于上式对各组放置有仿真叶区域图像的仿真叶仿制目标叶群图像，与仿真叶仿制目标叶群图像进行相似度比对，各组比对结果实时向评估层反馈；
评估层包括归一化模块、设定模块及评估模块，归一化模块用于接收比对模块运行得到的，放置有仿真叶区域图像的仿真叶仿制目标叶群图像，与仿真叶仿制目标叶群图像的相似度，对每组相似度比对结果进行归一化处理，设定模块用于设定合格判定阈值，评估模块用于将相似度比对结果与合格判定阈值进行比对，基于比对结果，判定相似度来源仿真叶是否合格；
其中，归一化模块中归一化处理后的得到的相似度比对结果，即仿真叶仿真效果，相似度比对结果归一化处理所得值越大，表示仿真叶仿真越逼真，反之，表示仿真叶与仿真目标叶的差异性越大；
相机模组通过局域网络交互连接有筛选模块及提取模块，提取模块通过局域网络交互连接有接收模块，接收模块通过局域网络交互连接有上传模块及比对模块，比对模块通过局域网络交互连接有归一化模块，归一化模块通过局域网络交互连接有设定模块及评估模块。
在本实施例中，控制终端控制相机模组运行采集仿真叶生产线上产出仿真叶的图像数据，筛选模块同步接收相机模组中采集的仿真叶图像数据，对仿真叶图像数据进行筛选，提取模块进一步获取筛选模块中筛选剩余仿真叶图像数据，对仿真叶图像数据进行轮廓识别，基于识别到的仿真叶图像数据中仿真叶轮廓，提取仿真叶图像数据中仿真叶区域图像，接收模块后置运行接收仿真叶区域图像，上传模块同步上传仿真叶仿制目标叶群图像，获取接收模块中接收的仿真叶区域图像，将仿真叶区域图像放置于仿真叶仿制目标叶群图像中，再由比对模块接收上传模块中放置有仿真叶区域图像的仿真叶仿制目标叶群图像，比对放置有仿真叶区域图像的仿真叶仿制目标叶群图像，与仿真叶仿制目标叶群图像的相似度，最后通过归一化模块接收比对模块运行得到的，放置有仿真叶区域图像的仿真叶仿制目标叶群图像，与仿真叶仿制目标叶群图像的相似度，对每组相似度比对结果进行归一化处理，设定模块同步设定合格判定阈值，评估模块运行将相似度比对结果与合格判定阈值进行比对，基于比对结果，判定相似度来源仿真叶是否合格；
基于上述系统运行为仿真叶生产线上产出的仿真叶带来了仿真效果评估，并进一步评估结果对产出的仿真叶带来了合格判定效果，确保仿真叶生产线稳定运行产出仿真叶；
参见图2所示，该图进一步示出了仿真叶图像数据进行分割，依次获取分割的仿真叶图像数据中范围内，最外围像素块所构成的像素块集合，为系统的进一步运行提供了必要的运行数据支持；
参见图3所示，基于该图中标记及箭头指示，进一步展示了仿真叶区域图像放置于仿真叶仿制目标叶群图像中时，仿真叶区域图像仿真叶仿制目标叶群图像的位置关系，为分析层中相似度比对逻辑提供了限定的运行参数，确保系统中分析层稳定运行。
实施例二：
在具体实施层面，在实施例1的基础上，本实施例参照图1对实施例1中一种仿真叶仿真效果智能评估系统做进一步具体说明：
筛选模块中仿真叶图像数据的质量评估逻辑为：
；
式中：为以仿真叶图像数据y为参考图像时，仿真叶图像数据x的视觉质量表现值；/>为像素点的最大灰度值；/>为图像分辨率；/>为仿真叶图像数据x中处于（i，j）处像素点的灰度值；/>为仿真叶图像数据y中处于（i，j）处像素点的灰度值；
其中，基于上式对各组仿真叶图像数据的视觉质量表现值进行求取，并基于视觉质量表现值求取结果的大小，对各组求取结果对应的仿真叶图像数据进行降序排列，以排列结果中前半部分仿真叶图像数据作为反馈目标，向提取模块反馈。
通过上述设置的仿真叶图像数据质量评估逻辑，为筛选模块提供了指定的运行逻辑，确保系统运行能够以精细化的仿真叶图像数据进一步运行，从而保证系统运行最终输出结果的精准，及系统运行可用算力的均衡、高效。
如图1所示，提取模块中仿真叶区域图像提取逻辑表示为：
；
式中：为像素块/>的判定值；/>为像素块/>的颜色特征向量；/>为像素块A的颜色特征向量；/>为像素块/>的灰度级；/>为像素块A的灰度级；
其中，仿真叶图像数据在提取仿真叶区域图像数据，以图像分辨率对仿真叶图像数据进行分割，依次获取分割的仿真叶图像数据中范围内，最外围像素块作为一组像素块集合，以每组像素块集合中包含的像素块依次代替上式中/>参与公式运算，像素块A为仿真叶图像数据中中心像素块，仿真叶图像数据中中心像素块不为一组时，以中心像素块中任意一组像素块作为像素块A；
基于仿真叶区域图像提取逻辑及中每组范围对应的像素块集合，依次求取各组像素块集合中各组像素块的判定值，获取判定值不大于0.01的像素块，并对获取到的像素块于仿真叶图像数据中标记，在仿真叶图像数据中标记的像素块于仿真叶图像数据中连成封闭图形，仿真叶图像数据中标记的像素块及仿真叶轮廓像素块，仿真叶轮廓像素块连成封闭图形于仿真叶图像数据中区域，记作仿真叶区域图像；
其中，对仿真叶图像数据中像素块进行标记时，以任意一种区别于仿真叶图像数据中包含色彩的颜色进行渲染标记。
通过上述仿真叶区域图像提取逻辑的设定，为提取模块带来了一种指定的仿真叶图像数据中仿真叶区域图像提取方式。
如图1所示，上传模块中上传的仿真叶仿制目标叶群图像，由若干组仿真叶仿真目标叶图像组成，且仿真叶仿真目标叶图像于仿真叶仿制目标叶群图像中均匀分布，仿真叶仿制目标叶群图像在放置仿真叶区域图像时，对仿真叶仿制目标叶群图像进行分割，使仿真叶仿制目标叶群图像被等分为2*2、3*3或4*4组图像块，仿真叶区域图像放置于各组图像块的中心位置，结合剩余来源于同一仿真叶仿制目标叶群图像中像素块，得到4、9或16组放置有仿真叶区域图像的仿真叶仿制目标叶群图像，记作放置有仿真叶区域图像的仿真叶仿制目标叶群图像集合，图像集合应用于：放置有仿真叶区域图像的仿真叶仿制目标叶群图像，与仿真叶仿制目标叶群图像的相似度比对逻辑。
通过上述设置，进一步限定了放置有仿真叶区域图像的仿真叶仿制目标叶群图像集合的具体内容，为仿真叶仿制目标叶群图像的相似度比对逻辑提供逻辑运行数据支持。
实施例三：
在具体实施层面，在实施例1的基础上，本实施例参照图1对实施例1中一种仿真叶仿真效果智能评估系统做进一步具体说明：
与仿真叶仿制目标叶群图像进行相似度比对的放置有仿真叶区域图像的仿真叶仿制目标叶群图像为：放置有仿真叶区域图像的仿真叶仿制目标叶群图像集合中，每一组图像；
其中，图像明暗程度通过下式进行求取，公式为：
；
式中：为图像中坐标为（x，y）的像素的灰度值；/>为图像中像素的总量，表示对图像中所有像素的灰度值进行求和。
通过上述设置，限定了仿真叶区域图像的仿真叶仿制目标叶群图像与仿真叶仿制目标叶群图像的明暗程度的求取逻辑。
如图1所示，归一化模块中对于相似度比对结果的归一化处理逻辑表示为：
；
式中：为归一化处理得到的相似度比对结果；/>为相似度比对结果来源仿真叶区域图像于仿真叶仿制目标叶群图像中，遮挡仿真叶仿真目标叶图像的面积与仿真叶仿制目标叶群图像面积的比值；
其中，各组基于对应仿真叶于仿真叶生产线上产出顺序进行排列，排列的各组/>的值呈降序队列时，表示仿真叶生产线存在故障，反之，表示仿真叶生产线运行稳定。
通过上述设置，对放置有仿真叶区域图像的仿真叶仿制目标叶群图像与仿真叶仿制目标叶群图像的相似度，带来了进一步的归一化处理，确保系统运行求取的相似的比对结果更加精准，且具备更佳的比对性，确保系统对仿真叶的仿真效果作出更加可靠的评估判定。
综上而言，上述实施例中系统在运行过程中，通过仿真叶生产线上产出仿真叶图像数据的采集，结合仿真叶仿制目标叶群图像的相似性分析，对仿真叶的仿真效果、合格性进行分析评估，并且基于仿真叶仿真效果、合格性分析评估的过程，对仿真叶生产线的运行安全进行进一步判定，有效维护了仿真叶生产线运行稳定，确保仿真叶生产线产出的仿真叶质量更佳，仿真效果更加逼真，且由该系统的运行，适应性的以抽查的方式，对仿真叶生产线批量生产的仿真叶带来了总体品质的精准评估效果。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种仿真叶仿真效果智能评估系统，其特征在于，包括：控制终端、采集层、分析层及评估层；
控制终端，是系统的主控端，用于发出执行命令；
仿真叶生产线上产出的仿真叶通过采集层进行图像采集，采集层同步对采集到的仿真叶图像数据进行仿真叶轮廓提取，基于提取到的仿真叶轮廓确定仿真叶图像数据中仿真叶区域图像，分析层同步接收仿真叶区域图像，并上传仿真叶仿制目标叶群图像，进一步将仿真叶区域图像放置于仿制目标叶群图像中，基于放置有仿真叶区域图像的仿真叶仿制目标叶群图像，与仿真叶仿制目标叶群图像的比对，获取两组图像的相似度，相似度比对结果实时向评估层发送，评估层基于相似度比对结果评估仿真叶仿真效果及是否合格；
所述分析层包括接收模块、上传模块及比对模块，接收模块用于接收仿真叶区域图像，上传模块用于上传仿真叶仿制目标叶群图像，获取接收模块中接收的仿真叶区域图像，将仿真叶区域图像放置于仿真叶仿制目标叶群图像中，比对模块用于接收上传模块中放置有仿真叶区域图像的仿真叶仿制目标叶群图像，比对放置有仿真叶区域图像的仿真叶仿制目标叶群图像，与仿真叶仿制目标叶群图像的相似度；
所述放置有仿真叶区域图像的仿真叶仿制目标叶群图像，与仿真叶仿制目标叶群图像的相似度比对逻辑表示为：
；
式中：为放置有仿真叶区域图像的仿真叶仿制目标叶群图像A与仿真叶仿制目标叶群图像B的相似度；/>为放置有仿真叶区域图像的仿真叶仿制目标叶群图像A中像素的集合；/>为A中第v组像素的灰度值；/>为仿真叶仿制目标叶群图像B中像素的集合；为B中第v组像素的灰度值；/>为图像中像素的总量；/>为A中第q组像素基于RGB通道的颜色分量；/>为B中第q组像素基于RGB通道的颜色分量；/>为A的明暗程度；/>为B的明暗程度；
其中，基于上式对各组放置有仿真叶区域图像的仿真叶仿制目标叶群图像，与仿真叶仿制目标叶群图像进行相似度比对，各组比对结果实时向评估层反馈。
2.根据权利要求1所述的一种仿真叶仿真效果智能评估系统，其特征在于，所述采集层包括相机模组、筛选模块及提取模块，相机模组用于采集仿真叶生产线上产出仿真叶的图像数据，筛选模块用于接收相机模组中采集的仿真叶图像数据，对仿真叶图像数据进行筛选，提取模块用于获取筛选模块中筛选剩余仿真叶图像数据，对仿真叶图像数据进行轮廓识别，基于识别到的仿真叶图像数据中仿真叶轮廓，提取仿真叶图像数据中仿真叶区域图像；
其中，相机模组运行采集仿真叶图像数据时，采集频率与仿真叶生产线上产出仿真叶的频率一致，使每组仿真叶图像数据中仅包含一组仿真叶图像数据，且仿真叶图像数据中仿真叶区域图像，于仿真叶图像数据边界不相切或相交，所述筛选模块对仿真叶图像数据进行筛选时，对各组接收的仿真叶图像数据进行图像质量评估，基于图像质量评估结果选择质量佳的仿真叶图像数据，并向提取模块反馈。
3.根据权利要求2所述的一种仿真叶仿真效果智能评估系统，其特征在于，所述筛选模块中仿真叶图像数据的质量评估逻辑为：
；
式中：为以仿真叶图像数据y为参考图像时，仿真叶图像数据x的视觉质量表现值；/>为像素点的最大灰度值；/>为图像分辨率；/>为仿真叶图像数据x中处于（i，j）处像素点的灰度值；/>为仿真叶图像数据y中处于（i，j）处像素点的灰度值；
其中，基于上式对各组仿真叶图像数据的视觉质量表现值进行求取，并基于视觉质量表现值求取结果的大小，对各组求取结果对应的仿真叶图像数据进行降序排列，以排列结果中前半部分仿真叶图像数据作为反馈目标，向提取模块反馈。
4.根据权利要求2所述的一种仿真叶仿真效果智能评估系统，其特征在于，所述提取模块中仿真叶区域图像提取逻辑表示为：
；
式中：为像素块/>的判定值；/>为像素块/>的颜色特征向量；/>为像素块A的颜色特征向量；/>为像素块/>的灰度级；/>为像素块A的灰度级；
其中，仿真叶图像数据在提取仿真叶区域图像数据，以图像分辨率对仿真叶图像数据进行分割，依次获取分割的仿真叶图像数据中范围内，最外围像素块作为一组像素块集合，以每组像素块集合中包含的像素块依次代替上式中/>参与公式运算，像素块A为仿真叶图像数据中中心像素块，仿真叶图像数据中中心像素块不为一组时，以中心像素块中任意一组像素块作为像素块A。
5.根据权利要求4所述的一种仿真叶仿真效果智能评估系统，其特征在于，基于仿真叶区域图像提取逻辑及中每组范围对应的像素块集合，依次求取各组像素块集合中各组像素块的判定值，获取判定值不大于0.01的像素块，并对获取到的像素块于仿真叶图像数据中标记，在仿真叶图像数据中标记的像素块于仿真叶图像数据中连成封闭图形，仿真叶图像数据中标记的像素块及仿真叶轮廓像素块，仿真叶轮廓像素块连成封闭图形于仿真叶图像数据中区域，记作仿真叶区域图像；
其中，对仿真叶图像数据中像素块进行标记时，以任意一种区别于仿真叶图像数据中包含色彩的颜色进行渲染标记。
6.根据权利要求1所述的一种仿真叶仿真效果智能评估系统，其特征在于，所述上传模块中上传的仿真叶仿制目标叶群图像，由若干组仿真叶仿真目标叶图像组成，且仿真叶仿真目标叶图像于仿真叶仿制目标叶群图像中均匀分布，仿真叶仿制目标叶群图像在放置仿真叶区域图像时，对仿真叶仿制目标叶群图像进行分割，使仿真叶仿制目标叶群图像被等分为2*2、3*3或4*4组图像块，仿真叶区域图像放置于各组图像块的中心位置，结合剩余来源于同一仿真叶仿制目标叶群图像中像素块，得到4、9或16组放置有仿真叶区域图像的仿真叶仿制目标叶群图像，记作放置有仿真叶区域图像的仿真叶仿制目标叶群图像集合，图像集合应用于：放置有仿真叶区域图像的仿真叶仿制目标叶群图像，与仿真叶仿制目标叶群图像的相似度比对逻辑。
7.根据权利要求1或6所述的一种仿真叶仿真效果智能评估系统，其特征在于，与仿真叶仿制目标叶群图像进行相似度比对的放置有仿真叶区域图像的仿真叶仿制目标叶群图像为：放置有仿真叶区域图像的仿真叶仿制目标叶群图像集合中，每一组图像；
其中，所述图像明暗程度通过下式进行求取，公式为：
；
式中：为图像中坐标为（x，y）的像素的灰度值；/>为图像中像素的总量，/>表示对图像中所有像素的灰度值进行求和。
8.根据权利要求1所述的一种仿真叶仿真效果智能评估系统，其特征在于，所述评估层包括归一化模块、设定模块及评估模块，归一化模块用于接收比对模块运行得到的，放置有仿真叶区域图像的仿真叶仿制目标叶群图像，与仿真叶仿制目标叶群图像的相似度，对每组相似度比对结果进行归一化处理，设定模块用于设定合格判定阈值，评估模块用于将相似度比对结果与合格判定阈值进行比对，基于比对结果，判定相似度来源仿真叶是否合格；
其中，归一化模块中归一化处理后的得到的相似度比对结果，即仿真叶仿真效果，相似度比对结果归一化处理所得值越大，表示仿真叶仿真越逼真，反之，表示仿真叶与仿真目标叶的差异性越大。
9.根据权利要求8所述的一种仿真叶仿真效果智能评估系统，其特征在于，所述归一化模块中对于相似度比对结果的归一化处理逻辑表示为：
；
式中：为归一化处理得到的相似度比对结果；/>为相似度比对结果来源仿真叶区域图像于仿真叶仿制目标叶群图像中，遮挡仿真叶仿真目标叶图像的面积与仿真叶仿制目标叶群图像面积的比值；
其中，各组基于对应仿真叶于仿真叶生产线上产出顺序进行排列，排列的各组/>的值呈降序队列时，表示仿真叶生产线存在故障，反之，表示仿真叶生产线运行稳定。
10.根据权利要求2所述的一种仿真叶仿真效果智能评估系统，其特征在于，所述相机模组通过局域网络交互连接有筛选模块及提取模块，所述提取模块通过局域网络交互连接有接收模块，所述接收模块通过局域网络交互连接有上传模块及比对模块，所述比对模块通过局域网络交互连接有归一化模块，所述归一化模块通过局域网络交互连接有设定模块及评估模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410472676.4A CN118072301B (zh) | 2024-04-19 | 2024-04-19 | 一种仿真叶仿真效果智能评估系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410472676.4A CN118072301B (zh) | 2024-04-19 | 2024-04-19 | 一种仿真叶仿真效果智能评估系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118072301A true CN118072301A (zh) | 2024-05-24 |
| CN118072301B CN118072301B (zh) | 2024-07-23 |
Family
ID=91095743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410472676.4A Active CN118072301B (zh) | 2024-04-19 | 2024-04-19 | 一种仿真叶仿真效果智能评估系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118072301B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100295977A1 (en) * | 2009-05-20 | 2010-11-25 | Casio Computer Co., Ltd. | Image processor and recording medium |
| CN102360503A (zh) * | 2011-10-09 | 2012-02-22 | 西安电子科技大学 | 基于空间贴近度和像素相似性的sar图像变化检测方法 |
| CN108257141A (zh) * | 2018-01-30 | 2018-07-06 | 深圳市鑫汇达机械设计有限公司 | 一种高水平农业图像云服务系统 |
| CN113269706A (zh) * | 2020-02-14 | 2021-08-17 | 中国科学院国家空间科学中心 | 激光雷达图像质量评价方法、装置、设备及存储介质 |
| CN117808841A (zh) * | 2023-11-27 | 2024-04-02 | 厦门农芯数字科技有限公司 | 一种基于机器视觉检测的牲畜活性评估系统 |
| CN117893550A (zh) * | 2024-01-09 | 2024-04-16 | 北京航天长征飞行器研究所 | 一种基于场景仿真的复杂背景下运动目标分割方法 |
-
2024
- 2024-04-19 CN CN202410472676.4A patent/CN118072301B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100295977A1 (en) * | 2009-05-20 | 2010-11-25 | Casio Computer Co., Ltd. | Image processor and recording medium |
| CN102360503A (zh) * | 2011-10-09 | 2012-02-22 | 西安电子科技大学 | 基于空间贴近度和像素相似性的sar图像变化检测方法 |
| CN108257141A (zh) * | 2018-01-30 | 2018-07-06 | 深圳市鑫汇达机械设计有限公司 | 一种高水平农业图像云服务系统 |
| CN113269706A (zh) * | 2020-02-14 | 2021-08-17 | 中国科学院国家空间科学中心 | 激光雷达图像质量评价方法、装置、设备及存储介质 |
| CN117808841A (zh) * | 2023-11-27 | 2024-04-02 | 厦门农芯数字科技有限公司 | 一种基于机器视觉检测的牲畜活性评估系统 |
| CN117893550A (zh) * | 2024-01-09 | 2024-04-16 | 北京航天长征飞行器研究所 | 一种基于场景仿真的复杂背景下运动目标分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨康叶 等: "基于RGB模型颜色相似性的彩色图像分割", 计算机系统应用, vol. 22, no. 3, 31 December 2013 (2013-12-31) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118072301B (zh) | 2024-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
| CN104992223B (zh) | 基于深度学习的密集人数估计方法 | |
| CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
| CN106875381A (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
| CN108021938A (zh) | 一种冷轧带钢表面缺陷在线检测方法以及检测系统 | |
| CN108596038B (zh) | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 | |
| CN107808358A (zh) | 图像水印自动检测方法 | |
| CN109684922A (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
| CN116188475A (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
| CN110956212A (zh) | 一种基于视觉特征融合的打叶质量检测方法 | |
| CN111914902B (zh) | 一种基于深度神经网络的中药识别与表面缺陷检测方法 | |
| CN114066848A (zh) | 一种fpca外观缺陷视觉检测系统 | |
| CN112241679A (zh) | 一种垃圾自动分类的方法 | |
| CN112560896A (zh) | 一种基于图像处理的水果品质筛选分类系统 | |
| CN111222545A (zh) | 基于线性规划增量学习的图像分类方法 | |
| CN116843650A (zh) | 融合aoi检测与深度学习的smt焊接缺陷检测方法及系统 | |
| CN113158969A (zh) | 一种苹果外观缺陷识别系统及方法 | |
| CN115601747A (zh) | 一种贴壁细胞汇合度的计算方法和系统 | |
| CN107944453A (zh) | 基于Hu不变矩和支持向量机SVM的高压套管检测方法 | |
| CN117078670B (zh) | 一种云相框的生产控制系统 | |
| CN118072301B (zh) | 一种仿真叶仿真效果智能评估系统 | |
| CN113011506A (zh) | 一种基于深度重分形频谱网络的纹理图像分类方法 | |
| CN116645351A (zh) | 一种复杂场景的缺陷在线检测方法及系统 | |
| CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
| JP3344766B2 (ja) | 画像処理装置およびこの装置を用いた牛枝肉格付システム |
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 |