一种基于VIT的羽毛球头软木图像识别方法及其分拣方法技术

本发明专利技术属于羽毛球质量检测技术领域，具体涉及一种基于VIT的羽毛球头软木图像识别方法及其分拣方法，为了解决目前羽毛球头软木人工分拣效率低的问题，本方案通过步骤一：采集羽毛球头软木图像，人工标注得到标签；步骤二：对存在软木圆片进行图像采集，构建负例样本集，同时从良品中抽取部分进行图像采集，构建正例样本集；步骤三：对负例样本进行增强，缓解不良品不足的限制，达到正负例样本的平衡；步骤四：对样本进行扩容；步骤五：依据扩容后的样品数量进行离线训练，进而得到深度学习模型的参数；步骤六：根据深度学习模型结果，按照软木圆片质量的判断逻辑，判定四种质量等级，完成羽毛球头软木的自动识别与分拣，提高分拣效率和分拣精度。分拣精度。

【技术实现步骤摘要】
一种基于VIT的羽毛球头软木图像识别方法及其分拣方法


[0001]本专利技术属于羽毛球质量检测
，具体涉及一种基于VIT的羽毛球头软木图像识别方法及其分拣方法。

技术介绍

[0002]家庭中常用的羽毛球，一般多为室外用球，此种球的底托是用硬木做的。比赛用球则为白头羽毛球，也叫室内羽毛球，其底托的用料为软木。
[0003]因为底托的用料为软木的羽毛球为比赛用球，所述羽毛球头软木筛选较为苛刻，目前，大多数采用人工筛选的方式进行筛选，然而，因为人不能长时间工作，所以通常分拣的效率较低，而且可能出现工作失误产生羽毛球头软木错分、漏分的情况，如人工多次筛选同一批次的羽毛球头尽可能保证羽毛球头软木的合格率，则要使用大量的时间，这会使分拣的效率再打折扣，随着科技的发展与进步，好多行业已经采用图像采集的方式采集产品图像，并根据程序和算法达到分拣产品的目的，羽毛球头软木作为一种量大且容易采集图像的产品，如通过图像采集的方式采集图像，并通过程序进行分拣，将可大大提高羽毛球头软木的分拣效率，目前，对于羽毛球头软木人工分拣效率低的问题，尚缺少对羽毛球头软木进行图像采集并将羽毛球头软木直接分拣的方法，。

技术实现思路

[0004]本专利技术为了解决目前羽毛球头软木人工分拣效率低的问题，进而提供一种基于VIT的羽毛球头软木图像识别方法及其分拣方法；
[0005]一种基于VIT的羽毛球头软木图像识别方法及其分拣方法，它包括以下步骤：
[0006]步骤一：采集羽毛球头软木图像，人工标注得到标签；
>[0007]步骤二：对存在软木圆片进行图像采集，构建负例样本集，同时从良品中抽取部分进行图像采集，构建正例样本集；
[0008]步骤三：对负例样本进行增强，缓解不良品不足的限制，达到正负例样本的平衡；
[0009]步骤四：对样本进行扩容；
[0010]步骤五：依据扩容后的样品数量进行离线训练，进而得到深度学习模型的参数；
[0011]步骤六：根据深度学习模型结果，按照软木圆片质量的判断逻辑，判定四种质量等级。
[0012]进一步地，所述步骤一中采集羽毛球头软木图像的过程中：每个羽毛球头软木采集两张图像。
[0013]再进一步地，所述步骤一中人工标注得到标签过程中，将每个羽毛球头软木采集两张图像分别标注为标签A和标签B。
[0014]进一步地，所述步骤四中扩容的方式为：
[0015]在采样所得到的所有图像碎片中，以50％的概率不做任何变换直接当作训练数据进行训练，以50％的概率进行一下随机变换。在这50％之中，以80％的概率抽取采样数据对
其添加随机噪声，以70％的概率抽取采样数据对其进行随机灰度变换，以70％的概率抽取采样数据将其转换成HSI颜色空间后对其及进行数据扰动，以40％的概率抽取采样数据对其进行随机旋转变换，以40％的概率抽取采样数据对其进行镜像变换。
[0016]再进一步地，所述步骤六中的判断逻辑为：
[0017]If labelA＝＝good&&labelB＝＝good
[0018]Label＝good
[0019]Else If labelA＝＝good&&labelB＝＝bad
[0020]Label＝goodA
[0021]Else If labelA＝＝bad&&labelB＝＝good
[0022]Label＝goodB
[0023]Else If labelA＝＝bad&&labelB＝＝bad
[0024]Label＝bad
[0025]所述labelA表示标签A，所述labelB表示标签B，Label表示标签，good表示合格品，bad表示次品。
[0026]一种基于VIT的羽毛球头软木图像识别方法的分拣方法，它包括以下步骤：
[0027]步骤一：采用两台摄像器材采集羽毛球头软木图像，得到羽毛球头软木的标签A图像和标签B图像；
[0028]步骤二：将两台摄像器材通过网络或信息传输线实施传输到信息处理装置；
[0029]步骤三：信息处理装置实施处理标签A图像和标签B图像；根据标签A图像和标签B图像识别方法断定羽毛球头软木的合格品和次品；
[0030]步骤四：在两台摄像器材旁边安装机械手，并将机械手与信息处理装置信号连接，使其接收信息处理装置的处理指令，进而分拣羽毛球头软木的合格品和次品。
[0031]有益效果：
[0032]本申请提出的一种基于VIT的羽毛球头软木图像识别方法的分拣方法，研发了球头软木自动质量分级技术通过图像采集装置设计和视觉识别模型的搭建、训练和验证。图像采集实现单帧图像或多帧多角度图像的采集，根据检测目标的不同设计不同的分类模型、训练数据集、训练方法和部署方案。实现了球头软木数据的采集、基于球头图像的深度学习模型训练、基于预训练的模型的在线图像质量检测，有效解决了软木的质量等级的自动识别与分类；通过结合信息处理器和分拣机械手，可以完成羽毛球头软木的自动识别与分拣，代替人工后，可以提高分拣效率和分拣精度。
具体实施方式
[0033]具体实施方式一：一种基于VIT的羽毛球头软木图像识别方法及其分拣方法，它包括以下步骤：
[0034]步骤一：采集羽毛球头软木图像，人工标注得到标签；
[0035]步骤二：对存在软木圆片进行图像采集，构建负例样本集，同时从良品中抽取部分进行图像采集，构建正例样本集；
[0036]步骤三：对负例样本进行增强，缓解不良品不足的限制，达到正负例样本的平衡；
[0037]步骤四：对样本进行扩容；
[0038]步骤五：依据扩容后的样品数量进行离线训练，进而得到深度学习模型的参数；
[0039]步骤六：根据深度学习模型结果，按照软木圆片质量的判断逻辑，判定四种质量等级。
[0040]本实施方式中：本项目采用基于Transformer的深度学习模型ViT来构建特征表示和分类模型。Transformer模型与传统卷积神经网络和循环神经网络不同，整个网络完全是由自注意力机制所组成。由于其优异性能以及对下游任务的友好性，良好适配性，从而广泛应用于各个领域。ViT是Transformer用于图像领域的典型模型，ViT直接将图像分割成固定大小的分割块，然后通过线性变换获得分块嵌入，类似于NLP中单词和词向量嵌入，并将其用于计算自注意力的输入。由于Transformer的输入是一系列单词/单词向量组合，因此将图像的分块嵌入输入并提取相应分类特征。其中ViT模型只使用Transformer的编码器Encoder部分来提取并解析所需图像特征。
[0041]因为自注意力机制是无法记录空间位置关系，ViT除输入的分块嵌入，模型还需要表示相对位置信息编码的位置嵌入。与CNN不同的是，需要位置编码来对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于VIT的羽毛球头软木图像识别方法及其分拣方法，其特征在于：它包括以下步骤：步骤一：采集羽毛球头软木图像，人工标注得到标签；步骤二：对存在软木圆片进行图像采集，构建负例样本集，同时从良品中抽取部分进行图像采集，构建正例样本集；步骤三：对负例样本进行增强，缓解不良品不足的限制，达到正负例样本的平衡；步骤四：对样本进行扩容；步骤五：依据扩容后的样品数量进行离线训练，进而得到深度学习模型的参数；步骤六：根据深度学习模型结果，按照软木圆片质量的判断逻辑，判定四种质量等级。2.根据权利要求1所述的一种基于VIT的羽毛球头软木图像识别方法及其分拣方法，其特征在于：所述步骤一中采集羽毛球头软木图像的过程中：每个羽毛球头软木采集两张图像。3.根据权利要求2所述的一种基于VIT的羽毛球头软木图像识别方法及其分拣方法，其特征在于：所述步骤一中人工标注得到标签过程中，将每个羽毛球头软木采集两张图像分别标注为标签A和标签B。4.根据权利要求1所述的一种基于VIT的羽毛球头软木图像识别方法及其分拣方法，其特征在于：所述步骤四中扩容的方式为：在采样所得到的所有图像碎片中，以50％的概率不做任何变换直接当作训练数据进行训练，以50％的概率进行一下随机变换。在这50％之中，以80％的概率抽取采样数据对其添加随机噪声，以70％的概率抽取采样数据对其进行随机灰度变换，以70％的概率抽取采样数据将其转换成HSI颜色空间后对其及进行数据扰动，以40％的概率抽取采样数据对其进行随机...

【专利技术属性】
技术研发人员：赵玲玲，温乃峰，刘秋阳，庄金雷，强桂燕，王春宇，
申请(专利权)人：哈尔滨工业大学芜湖机器人产业技术研究院，
类型：发明
国别省市：