瓷砖图像的色差检测方法、系统、设备以及存储介质技术方案

本发明专利技术涉及图像检测领域，特别涉及一种瓷砖图像的色差检测方法、装置、系统以及存储介质，获得待测瓷砖图像以及标准瓷砖图像；将待测瓷砖图像以及标准瓷砖图像分别输入至孪生深度学习网络中，根据预设的若干种尺度，获得若干种尺度的待测瓷砖图像对应的第一卷积特征图以及标准瓷砖图像对应的第一卷积特征图；将若干种尺度的待测瓷砖图像对应的第一卷积特征图以及标准瓷砖图像对应的第一卷积特征图输入至特征融合网络中，获得融合差异特征图；将融合差异特征图输入至色差检测网络中进行色差检测，获得待测瓷砖图像的色差检测结果，提高了色差检测的精准性以及效率性，降低了色差检测的成本。了色差检测的成本。了色差检测的成本。

【技术实现步骤摘要】
瓷砖图像的色差检测方法、系统、设备以及存储介质


[0001]本专利技术涉及图像检测领域，特别涉及是一种瓷砖图像的色差检测方法、装置、系统以及存储介质。

技术介绍

[0002]瓷砖作为一种重要的建筑材料，在现代生活中得到了广泛的应用，产品质量的检验分级作为瓷砖生产环节的一个重要细节，直接影响到产品的质量。
[0003]目前的产品质量检验分级都是由人工完成的，在检测过程中，人员通过调节瓷砖与日光灯灯管的角度，由人眼对瓷砖表面进行观察，根据观察的结果来进行瓷砖的色差检测，色差检测的结果和效率主要依赖检验人员的经验，由于受主观因素、熟练程度等因素的影响，人工检测的精度低、效率差，成本高。

技术实现思路

[0004]基于此，本专利技术的目的在于，提供一种瓷砖图像的色差检测方法、装置、系统以及存储介质，通过预设的色差检测模型，使用孪生深度学习网络提取待测瓷砖图像以及标准瓷砖图像的不同层次的特征信息，进行特征融合，根据获得的融合特征信息，实现了对待测瓷砖图像的色差检测，提高了色差检测的精准性以及效率性，降低了色差检测的成本。
[0005]第一方面，本申请实施例提供了一种瓷砖图像的色差检测方法，包括以下步骤：
[0006]获得待测瓷砖图像、标准瓷砖图像以及预设的色差检测模型，其中，所述色差检测模型包括孪生深度学习网络、特征融合网络以及色差检测网络；
[0007]将所述待测瓷砖图像以及标准瓷砖图像分别输入至所述孪生深度学习网络中，根据预设的若干种尺度，获得若干种尺度的待测瓷砖图像对应的第一卷积特征图以及标准瓷砖图像对应的第一卷积特征图；
[0008]将所述若干种尺度的待测瓷砖图像对应的第一卷积特征图以及标准瓷砖图像对应的第一卷积特征图输入至所述特征融合网络中，获得融合差异特征图；
[0009]将所述融合差异特征图输入至所述色差检测网络中进行色差检测，获得所述待测瓷砖图像的色差检测结果。
[0010]第二方面，本申请实施例提供了一种瓷砖图像的色差检测装置，包括：
[0011]数据获取模块，用于获得待测瓷砖图像、标准瓷砖图像以及预设的色差检测模型，其中，所述色差检测模型包括孪生深度学习网络、特征融合网络以及色差检测网络；
[0012]特征提取模块，用于将所述待测瓷砖图像以及标准瓷砖图像分别输入至所述孪生深度学习网络中，根据预设的若干种尺度，获得若干种尺度的待测瓷砖图像对应的第一卷积特征图以及标准瓷砖图像对应的第一卷积特征图；
[0013]特征融合模块，用于将所述若干种尺度的待测瓷砖图像对应的第一卷积特征图以及标准瓷砖图像对应的第一卷积特征图输入至所述特征融合网络中进行特征差分，获得各个所述尺度的特征差分图，将各个所述尺度的特征差分图进行拼接，获得融合差异特征图；
[0014]色差检测模块，用于将所述融合差异特征图输入至所述色差检测网络中进行色差检测，获得所述待测瓷砖图像的色差检测结果。
[0015]第三方面，本申请实施例提供了一种计算机设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如第一方面所述的瓷砖图像的色差检测方法的步骤。
[0016]第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的瓷砖图像的色差检测方法的步骤。
[0017]在本申请实施例中，提供一种瓷砖图像的色差检测方法、装置、系统以及存储介质，通过预设的色差检测模型，使用孪生深度学习网络提取待测瓷砖图像以及标准瓷砖图像的不同层次的特征信息，进行特征融合，根据获得的融合特征信息，实现了对待测瓷砖图像的色差检测，提高了色差检测的精准性以及效率性，降低了色差检测的成本。
[0018]为了更好地理解和实施，下面结合附图详细说明本专利技术。
附图说明
[0019]图1为本申请一个实施例提供的瓷砖图像的色差检测方法的流程示意图；
[0020]图2为本申请一个实施例提供的瓷砖图像的色差检测方法中S2的流程示意图；
[0021]图3为本申请一个实施例提供的瓷砖图像的色差检测方法中S3的流程示意图；
[0022]图4为本申请一个实施例提供的瓷砖图像的色差检测方法中S32的流程示意图；
[0023]图5为本申请一个实施例提供的瓷砖图像的色差检测方法中S4的流程示意图；
[0024]图6为本申请一个实施例提供的瓷砖图像的色差检测装置的结构示意图；
[0025]图7为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
[0026]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0027]在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0028]应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
[0029]请参阅图1，图1为本申请一个实施例提供的瓷砖图像的色差检测方法的流程示意图，所述方法包括如下步骤：
[0030]S1：获得待测瓷砖图像、标准瓷砖图像以及预设的色差检测模型。
[0031]所述瓷砖图像的色差检测方法的执行主体为瓷砖图像的色差检测方法的检测设备(以下简称检测设备)。在一个可选的实施例中，所述检测设备可以是一台计算机设备可以是服务器，或是多台计算机设备联合而成的服务器机群。
[0032]在本实施例中，检测设备可以获得用户输入的获得待测瓷砖图像以及标准瓷砖图像，也可以通过预设的数据库中，获得获得待测瓷砖图像以及标准瓷砖图像。
[0033]检测设备获得预设的色差检测模型，其中，所述色差检测模型包括孪生深度学习网络、特征融合网络以及色差检测网络，所述孪生深度学习网络用于提取待测瓷砖图像以及标准瓷砖图像的特征，特征融合网络用于对提取的待测瓷砖图像以及标准瓷砖图像的特征进行融合，色差检测网络用于根据获得的融合特征进行色差检测。
[0034]S2：将所述待测瓷砖图像以及标准瓷砖图像分别输入至所述孪生深度学习网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种瓷砖图像的色差检测方法，其特征在于，包括以下步骤：获得待测瓷砖图像、标准瓷砖图像以及预设的色差检测模型，其中，所述色差检测模型包括孪生深度学习网络、特征融合网络以及色差检测网络；将所述待测瓷砖图像以及标准瓷砖图像分别输入至所述孪生深度学习网络中，根据预设的若干种尺度，获得若干种尺度的待测瓷砖图像对应的第一卷积特征图以及标准瓷砖图像对应的第一卷积特征图；将所述若干种尺度的待测瓷砖图像对应的第一卷积特征图以及标准瓷砖图像对应的第一卷积特征图输入至所述特征融合网络中，获得融合差异特征图；将所述融合差异特征图输入至所述色差检测网络中进行色差检测，获得所述待测瓷砖图像的色差检测结果。2.根据权利要求1所述的瓷砖图像的色差检测方法，其特征在于：所述孪生深度学习网络包括依次相连的中心差分卷积层以及若干个中心差分卷积模块，所述中心差分卷积模块包括若干个依次相连的中心差分子卷积层以及最大池化层；所述将所述待测瓷砖图像以及标准瓷砖图像输入至所述孪生深度学习网络中，根据预设的若干种尺度，获得若干种尺度的待测瓷砖图像对应的第一卷积特征图以及标准瓷砖图像对应的第一卷积特征图，包括步骤：将所述待测瓷砖图像以及标准瓷砖图像分别作为所述中心差分卷积层的输入特征图，根据预设的窗口，将所述输入特征图划分为若干个单元，根据各个所述单元在所述输入特征图的位置坐标以及预设的邻域范围，获得各个所述单元的邻域以及所述邻域对应的若干个相邻单元；根据各个所述单元的邻域、所述邻域对应的若干个相邻单元以及预设的中心差分卷积算法，获得所述输入特征图的各个单元的第一中心差分卷积特征图，构建所述输入特征图的第一中心差分卷积特征图，获得所述中心差分卷积层输出的第一中心差分卷积特征图，其中，所述中心差分卷积算法为：y(p0)＝∑
pn∈R
w(p
n
)
·
(x(p0+p
n
)
‑
θ
·
x(p0))式中，y(p0)为输入特征图的位置坐标为p0的单元的第一中心差分卷积特征图，p
n
为位置坐标为p0的单元的邻域中，位置坐标为p
n
的相邻单元，R为邻域，w(p
n
)为位置坐标为p
n
的相邻单元的权重值，x(p0+p
n
)为输入特征图的位置坐标为p0+p
n
的像素值，θ为中心差分梯度信息参数，x(p0)为输入特征图的位置坐标为p0的像素值；将所述中心差分卷积层输出的第一中心差分卷积特征图作为第一个所述中心差分子卷积模块的输入特征图，根据各个所述中心差分子卷积层中的中心差分卷积算法，获得最后一个中心差分子卷积层输出的第二中心差分卷积特征图；将所述第二中心差分卷积特征图输入至所述最大池化层进行池化处理，获得所述最大池化层输出的最大池化图，作为第一个所述中心差分子卷积模块输出的第一卷积特征图；将所述第一个所述中心差分子卷积模块输出的第一卷积特征图作为下一个所述中心差分子卷积模块的输入特征图，重复上述步骤，获得各个所述中心差分子卷积模块输出的第一卷积特征图，作为若干种尺度的第一卷积特征图，获得所述...

【专利技术属性】
技术研发人员：余松森，吴赟恒，杨欢，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：