一种基于One-Class SVM的贴片LED瑕疵标注方法技术

本发明专利技术涉及一种基于One‑Class SVM的贴片LED瑕疵标注方法，步骤1：获取贴片LED图像；步骤2：建立分类器模型；步骤3：使用分类器模型中的One‑Class SVM分别对测试图像的像素点进行检测，对测试图像进行分类，分类器模型判断图像是否为瑕疵类图像，若是，则执行步骤4，否则，将图像直接输出为非瑕疵类图像；步骤4：分别对瑕疵类像素点和非瑕疵类像素点进行标注；步骤5：对标注后的瑕疵类图像进行去噪处理，获得经过精细化标注的瑕疵类图像。与现有技术相比，本发明专利技术具有复杂度低、处理速度快、标注更加精细、实用性强等优点。

【技术实现步骤摘要】
一种基于One-ClassSVM的贴片LED瑕疵标注方法
本专利技术涉及图像标注
，尤其是涉及一种基于One-ClassSVM的贴片LED瑕疵标注方法。
技术介绍
目前在分割，分类，检测识别等计算机视觉任务中，基于深度学习等方法的检测精度已经超越了许多传统方法。深度学习如果采用监督学习方法，往往需要较多标注精细的图像作为训练集，而在工业缺陷检测，特别是工业视觉检测领域，获取大量精细标注的数据成本较高，而获得一些标注粗放的图像较为容易。因此要有一种标注方法，使得粗标注图像优化成较为精细的标注图像，再给后续深度学习模型作为数据集训练使用。现有技术中对图像进行标注的方法都比较复杂，例如中国专利CN102854193A中公开了一种用于图像瑕疵检测的检测方法和检测系统，通过设置一检测系统，检测系统包括方法处理模块和工作模块，方法处理模块和工作模块都包括图像分区模块，方法处理模块包括多线程处理模块和图像分区模块，工作模块包括高斯平滑处理模块、边框寻找模块、图像分区模块、瑕疵检出模块、形状约束过滤模块、瑕疵标注模块和亮度判断模块，工作模块在检测系统工作过程中按照高斯平滑处理模块、亮度判断模块、边框寻找模块、图像分区模块、瑕疵检出模块、形状约束过滤模块和瑕疵标注模块的顺序运行。该检测方法的复杂度较高，处理时间长，处理速度慢。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种复杂度低、处理速度快、标注更加精细、实用性强的基于One-ClassSVM的贴片LED瑕疵标注方法。本专利技术的目的可以通过以下技术方案来实现：一种基于One-ClassSVM的贴片LED瑕疵标注方法，包括：步骤1：获取贴片LED图像；步骤2：建立分类器模型；步骤3：使用分类器模型中的One-ClassSVM分别对测试图像的像素点进行检测，对测试图像进行分类，分类器模型判断图像是否为瑕疵类图像，若是，则执行步骤4，否则，将图像直接输出为非瑕疵类图像；步骤4：分别对瑕疵类像素点和非瑕疵类像素点进行标注；步骤5：对标注后的瑕疵类图像进行去噪处理，获得经过精细化标注的瑕疵类图像。优选地，所述步骤1中的贴片LED图像包括训练图像、测试图像和经过粗标注的瑕疵类图像；所述的训练图像包括非瑕疵图像；所述的测试图像包括非瑕疵图像和瑕疵类图像。优选地，所述的步骤2具体为：分别使用所有训练图像中每个处于相同位置处的像素点训练一个One-ClassSVM分类器，最终获得分类器模型，然后通过测试图像和经过标注的瑕疵类图像对分类器模型进行测试。优选地，所述的分类器模型包括若干个One-ClassSVM分类器，若干个One-ClassSVM分类器通过投票法获得图像分类结果。更加优选地，所述的One-ClassSVM分类器采用支持向量数据描述SVDD作为单分类SVM方法；所述的支持向量数据描述SVDD具体为：步骤2-1：建立SVDD模型；步骤2-2：求解SVDD模型获得超球体半径和超球体中心。更加优选地，所述的SVDD的目标函数为：其中，V(r)为超球体的体积；C为惩罚系数；为松弛变量；xi为第i个训练样本；o为超球体的中心点；r为超球体的半径。更加优选地，所述的步骤2-2使用拉格朗日乘子法求解超球体的中心点o和超球体的半径r，具体为：首先构造优化问题的拉格朗日公式：其中，αi和γi均为拉格朗日乘子，并且都大于0；然后对参数求导并令导数等于0得到：将结果代入到拉格朗日公式，得到：则原问题的拉格朗日对偶问题为：其中K(xi,xj)为特征空间中样本的内积；之后对上式进行求解，得到球心和半径分别为：其中，xv属于支持向量样本集合，拉格朗日系数满足0<αi＜C的样本称为支持向量。优选地，所述的步骤3具体为：将测试图像输入分类器模型，分类器模型中每个One-ClassSVM分类器分别判断图像每个像素点是否为瑕疵点，即判断新的像素点到超球体中心的距离是否大于超球体半径，然后通过投票法确定图像的分类结果。更加优选地，所述的像素点到超球体中心距离的计算方法为：其中，xtest为新的像素点，xi为第i个训练样本，xj为第j个训练样本，K(·)为特征空间样本的内积。优选地，所述的步骤5具体为：将经过One-ClassSVM处理后的瑕疵类图像和与之对应的粗标注图像进行取交处理，最终获得经过精细化标注的瑕疵类图像。与现有技术相比，本专利技术具有以下优点：一、复杂度低，处理速度快：本专利技术中的贴片LED瑕疵标注方法通过最基础的One-ClassSVM分类器构建分类器模型，通过对图像的像素点进行分类，从而判断图像的类别，并且在One-ClassSVM分类器对像素点进行分类后，可以通过分类器直接标注瑕疵类像素点，算法的复杂度低，处理速度快。二、标注更加精细：本专利技术中的贴片LED瑕疵标注方法通过One-ClassSVM分类器对图像的像素点进行分类，在获得经过标注的瑕疵类图像后，再与粗标注图像进行取交处理，对瑕疵标注图像进行去噪处理。三、实用性强：本专利技术中的贴片LED瑕疵标注方法为避免粗标注瑕疵图像的误判，设置了对图像类别的判断步骤，通过投票法来判断图像是否为瑕疵类图像，设置一定的阈值来提高投票法的准确度，提高算法的实用性。附图说明图1为本专利技术中贴片LED瑕疵标注方法的流程示意图；图2为本专利技术实施例中带有丝状杂物的贴片LED示意图；图3为本专利技术实施例中带有丝状杂物贴片LED进行粗标注后的示意图；图4为本专利技术实施例中经分类器模型分类标注后的瑕疵类图像；图5为本专利技术实施例中经过去噪处理后带有精细标注的瑕疵类图像。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本专利技术保护的范围。一种基于One-ClassSVM的贴片LED瑕疵标注方法，其流程如图1所示，包括以下步骤：步骤1：获取贴片LED图像，包括训练图像、测试图像和经过粗标注的瑕疵类图像，训练图像包括非瑕疵图像，测试图像包括非瑕疵图像和瑕疵类图像。步骤2：分别使用所有训练图像中每个处于相同位置处的像素点训练一个One-ClassSVM分类器，最终获得分类器模型，然后通过测试图像和经过标注的瑕疵类图像对分类器模型进行测试。本实施例中的One-ClassSVM分类器采用支持向量数据描述SVDD作为单分类SVM方法。SVDD具体为：步骤2-1：建立SVDD模本文档来自技高网...

【技术保护点】
1.一种基于One-Class SVM的贴片LED瑕疵标注方法，其特征在于，包括：/n步骤1：获取贴片LED图像；/n步骤2：建立分类器模型；/n步骤3：使用分类器模型中的One-Class SVM分别对图像的像素点进行检测，对图像进行分类，分类器模型判断图像是否为瑕疵类图像，若是，则执行步骤4，否则，将图像直接输出为非瑕疵类图像；/n步骤4：分别对瑕疵类像素点和非瑕疵类像素点进行标注；/n步骤5：对标注后的瑕疵类图像进行去噪处理，获得经过精细化标注的瑕疵类图像。/n

【技术特征摘要】
1.一种基于One-ClassSVM的贴片LED瑕疵标注方法，其特征在于，包括：
步骤1：获取贴片LED图像；
步骤2：建立分类器模型；
步骤3：使用分类器模型中的One-ClassSVM分别对图像的像素点进行检测，对图像进行分类，分类器模型判断图像是否为瑕疵类图像，若是，则执行步骤4，否则，将图像直接输出为非瑕疵类图像；
步骤4：分别对瑕疵类像素点和非瑕疵类像素点进行标注；
步骤5：对标注后的瑕疵类图像进行去噪处理，获得经过精细化标注的瑕疵类图像。


2.根据权利要求1所述的一种基于One-ClassSVM的贴片LED瑕疵标注方法，其特征在于，所述步骤1中的贴片LED图像包括训练图像、测试图像和经过粗标注的瑕疵类图像；所述的训练图像包括非瑕疵图像；所述的测试图像包括非瑕疵图像和瑕疵类图像。


3.根据权利要求2所述的一种基于One-ClassSVM的贴片LED瑕疵标注方法，其特征在于，所述的步骤2具体为：
分别使用所有训练图像中每个处于相同位置处的像素点训练一个One-ClassSVM分类器，最终获得分类器模型，然后通过测试图像和经过标注的瑕疵类图像对分类器模型进行测试。


4.根据权利要求3所述的一种基于One-ClassSVM的贴片LED瑕疵标注方法，其特征在于，所述的分类器模型包括若干个One-ClassSVM分类器，若干个One-ClassSVM分类器通过投票法获得图像分类结果。


5.根据权利要求3所述的一种基于One-ClassSVM的贴片LED瑕疵标注方法，其特征在于，所述的One-ClassSVM分类器采用支持向量数据描述SVDD作为单分类SVM方法；所述的支持向量数据描述SVDD具体为：
步骤2-1：建立SVDD模型；
步骤2-2：求解SVDD模型获得超球体半径和超球体中心。


6.根据权利要求5所述的一种基于One-ClassSVM的贴片LED瑕疵标注方法，其特征在于，所述的SVDD的目标函数为：




<...

【专利技术属性】
技术研发人员：董延超，宁少淳，王浩天，冀玲玲，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31