本申请提供基于机器视觉的锌花评级方法、装置、终端及介质，包括：将多个锌花图像按照预设像素尺寸进行分割并对锌花形核点进行人工标注后得到对应的单元图像及标签；将单元图像及其标签输入神经网络模型中进行训练和验证，以输出每张单元图像的锌花形核点的密度图，据以得到每张单元图像的形核点数量；采用聚类算法对各单元图像的密度图进行拟合以得到单元图像中各锌花的形核点位置坐标，据以获得形核点最邻近距离并计算该单元图像所对应的形核点最邻近距离的平均值；将各单元图像的形核点数量及形核点最邻近距离的平均值作为锌花评级的特征向量，输入至分类器中进行训练后得到锌花分类模型，以实现锌花自动评级。以实现锌花自动评级。以实现锌花自动评级。
【技术实现步骤摘要】
基于机器视觉的锌花评级方法、装置、终端及介质
[0001]本申请涉及机器视觉
，特别是涉及基于机器视觉的锌花评级方法、装置、终端及介质。
技术介绍
[0002]镀锌表面质量的在线检测，尤其是镀锌板表面锌花尺寸一致性的实时监测对于镀锌板的质量至关重要。目前，产线上的锌花评级还只能依赖于现场质检员的目视视察，检测结果也依赖于质检员的经验，具有一定的主观性，容易导致误检和漏检，且检测效率低下。因此，如何能够在役实时检测到镀锌板的锌花的尺寸一致性和级别，对于镀锌工艺参数的优化，降低生产成本具有非常重要的意义。
[0003]此外，市场上也有一些利用计算机技术来进行纹理表面的缺陷检测，但主要还是针对工件表面图像纹理进行识别分类等，无法解决对锌花级别的自动识别。
技术实现思路
[0004]鉴于以上所述现有技术的缺点，本申请的目的在于提供基于机器视觉的锌花评级方法、装置、终端及介质，用于解决无法自动进行锌花评级的技术问题。
[0005]为实现上述目的及其他相关目的，本申请的第一方面提供一种基于机器视觉的锌花评级方法，包括：将多个锌花图像按照预设像素尺寸进行分割并对锌花形核点进行人工标注后得到对应的单元图像及标签；将单元图像及其标签输入神经网络模型中进行训练和验证，以输出每张单元图像的锌花形核点的密度图，据以得到每张单元图像的形核点数量；采用聚类算法对各单元图像的密度图进行拟合以得到单元图像中各锌花的形核点位置坐标，据以获得形核点最邻近距离并计算该单元图像所对应的形核点最邻近距离的平均值；将各单元图像的形核点数量及形核点最邻近距离的平均值作为锌花评级的特征向量，输入至分类器中进行训练后得到锌花分类模型，供将待评级的锌花图像输入所述锌花评级模型后输出对应的自动评级结果；所述评级模型包括卷积神经网络，高斯混合模型和分类模型。
[0006]于本申请的第一方面的一些实施例中，在对所述锌花图像进行分割前先采用图像增强算法及图像平滑算法对锌花图像进行预处理，以增强图像的对比度并消除图像的噪声干扰。
[0007]于本申请的第一方面的一些实施例中，采用聚类算法对各单元图像的密度图进行拟合以得到单元图像中各锌花的形核点位置坐标并计算形核点最邻近距离，包括：采用聚类算法对各单元图像的密度图进行拟合，提取拟合结果中簇团的中心点位置，据以得到锌花图像的形核点坐标；根据所述锌花图像的形核点坐标搜寻与之相距最近的近邻锌花的形核点，据以得到该锌花图像的形核点最邻近距离。
[0008]于本申请的第一方面的一些实施例中，所述将单元图像及其标签输入神经网络模型中进行训练和验证，包括将部分的单元图像及其标签作为训练集输入卷积神经网络或者注意力模型中进行训练；并将剩余的单元图像及其标签作为测试集对训练得到的神经网络
模型进行测试验证。
[0009]于本申请的第一方面的一些实施例中，所述聚类算法包括如下任一种：高斯混合模型的聚类算法、K
‑
means聚类算法、DBSCAN聚类算法、OPTICS聚类算法或BIRCH聚类算法。
[0010]于本申请的第一方面的一些实施例中，所述分类模型包括如下任一种：决策树分类模型、支持向量机分类模型、随机森林分类模型或贝叶斯分类模型。
[0011]于本申请的第一方面的一些实施例中，人工标注的锌花形核点的形成过程包括：任意标注一个锌花形核点后，以该锌花形核点位基础，标记其邻近的锌花形核点，直至完成对锌花图像上所有形核点的标注。
[0012]为实现上述目的及其他相关目的，本申请的第二方面提供一种基于机器视觉的锌花评级装置，包括：分割及标注模块，用于将多个锌花图像按照预设像素尺寸进行分割并对锌花形核点进行人工标注后得到对应的单元图像及标签；模型训练模块，用于将单元图像及其标签输入神经网络模型中进行训练和验证，以输出每张单元图像的锌花形核点的密度图，据以得到每张单元图像的形核点数量；图像拟合模块，用于采用聚类算法对各单元图像的密度图进行拟合以得到单元图像中各锌花的形核点位置坐标，据以获得形核点最邻近距离并计算该单元图像所对应的形核点最邻近距离的平均值；锌花评级模块，用于将各单元图像的形核点数量及形核点最邻近距离的平均值作为锌花评级的特征向量，输入至分类器中进行训练后得到锌花分类模型，供将待评级的锌花图像输入所述锌花评级模型后输出对应的自动评级结果；所述评级模型包括卷积神经网络，高斯混合模型和分类模型。
[0013]为实现上述目的及其他相关目的，本申请的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于机器视觉的锌花评级方法。
[0014]为实现上述目的及其他相关目的，本申请的第四方面提供一种电子终端，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行所述基于机器视觉的锌花评级方法。
[0015]如上所述，本申请的基于机器视觉的锌花评级方法、装置、终端及介质，具有以下有益效果：
[0016](1)本专利技术提出的锌花评级方法在对锌花板级别正确自动判断的同时，还刻画了锌花的本质特征，锌花形核点的数量及各锌花形核点的平均最邻近距离。
[0017](2)本专利技术实现在役的锌花质量检测，不需要人工检测，利用机器视觉和人工智能的技术手段实现对锌花的自动定级，不仅避免了人工检测带来的误检，还大大提升了锌花定级的检测效率和可追溯性。
附图说明
[0018]图1显示为本申请一实施例中的一种基于机器视觉的锌花评级方法的流程示意图。
[0019]图2A显示为本申请一实施例中的锌花图像的示意图。
[0020]图2B显示为本申请一实施例中的人工标注结果的密度图的示意图。
[0021]图2C显示为本申请一实施例中的神经网络模型识别结果的密度图的示意图。
[0022]图3显示为本申请一实施例中的基于卷积神经网络和决策树分类模型的算法流程
示意图。
[0023]图4显示为本申请一实施例中电子终端的结构示意图。
[0024]图5显示为本申请一实施例中的一种基于机器视觉的锌花评级装置的结构示意图。
具体实施方式
[0025]以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0026]如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于机器视觉的锌花评级方法，其特征在于，包括：将多个锌花图像按照预设像素尺寸进行分割并对锌花形核点进行人工标注后得到对应的单元图像及标签；将单元图像及其标签输入神经网络模型中进行训练和验证，以输出每张单元图像的锌花形核点的密度图，据以得到每张单元图像的形核点数量；采用聚类算法对各单元图像的密度图进行拟合以得到单元图像中各锌花的形核点位置坐标，据以获得形核点最邻近距离并计算该单元图像所对应的形核点最邻近距离的平均值；将各单元图像的形核点数量及形核点最邻近距离的平均值作为锌花评级的特征向量，输入至分类器中进行训练后得到锌花分类模型，供将待评级的锌花图像输入所述锌花评级模型后输出对应的自动评级结果；所述评级模型包括卷积神经网络，高斯混合模型和分类模型。2.根据权利要求1所述的基于机器视觉的锌花评级方法，其特征在于：在对所述锌花图像进行分割前先采用图像增强算法及图像平滑算法对锌花图像进行预处理，以增强图像的对比度并消除图像的噪声干扰。3.根据权利要求1所述的基于机器视觉的锌花评级方法，其特征在于，采用聚类算法对各单元图像的密度图进行拟合以得到单元图像中各锌花的形核点位置坐标并计算形核点最邻近距离，包括：采用聚类算法对各单元图像的密度图进行拟合，提取拟合结果中簇团的中心点位置，据以得到锌花图像的形核点坐标；根据所述锌花图像的形核点坐标搜寻与之相距最近的近邻锌花的形核点，据以得到该锌花图像的形核点最邻近距离。4.根据权利要求1所述的基于机器视觉的锌花评级方法，其特征在于，所述将单元图像及其标签输入神经网络模型中进行训练和验证，包括将部分的单元图像及其标签作为训练集输入卷积神经网络或者注意力模型中进行训练；并将剩余的单元图像及其标签作为测试集对训练得到的神经网络模型进行测试验证。5.根据权利要求1所述的基于机器视觉的锌花评级方法，其特征在于，所述聚类算法包括如下任一种：高斯混合模型的聚类算...
【专利技术属性】
技术研发人员：马海能，武颖娜，宗德祥，
申请(专利权)人：上海科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。