【技术实现步骤摘要】
本专利技术属于图像质量评价，尤其涉及一种基于无参图像质量评价的终端摄像头拍照检测方法。
技术介绍
1、现代工业制造中，智能终端设备摄像头的检测仍然大量使用人工检测，工厂急需一种智能检测方案替代人工以增大生产力。图像质量评价iqa(image qualityassessment)是现代图像处理中重要的一环，能够对输入的图片质量自动评价，在智能终端摄像头检测中应用该技术将大大减少人工的使用量。现代iqa方法基于有无参考图像分为全参考(fr)、减少参考(rr)和无参考(nr)。全参考为了减少从图片提取的特征，利用了原始图像的参考信息。而在大多数场景下，我们面临的是没有原始图像的环境。相比之下，无参考指标不需要任何参考信息，能很好适应没有原始图像的环境。但同时参考信息的稀缺也给nr方法带来了巨大的挑战。
2、与人类视觉相比，机器缺陷检测有着明显的优势，它精确度高，速度快，可“看”清人眼无法看清的快速运动的目标，具有较高的稳定性，提升质量的可控性，同时可以进行信息的集成与留存，方便人员追溯。因此，机器视觉在多个领域都有着频繁的应用，帮助人工进行缺陷的检测识别并标记。经过深度学习领域20余年的发展，缺陷检测应用深度学习的方法呈现出巨大的技术优势并具有广阔的市场发展前景。总结国内外研究现状可知该方法最显著的特点有三：成本低、效率快、正确率高。同时摄像头缺陷检测系统可以被广泛应用于工业生产中的各种图像采集部件的检测环节中。
3、近年来有人提出了使用累计模糊概念的评估方法。这种方法将图像分块后计算含有边缘的块数作为特征计算
4、经典的基于机器学习的方法一般采取手动提取目标特征，不需要大体量的数据集来训练特征提取功能，能够较好的适配这种小型数据集。
技术实现思路
1、本专利技术的目的在于提供一种基于无参图像质量评价的终端摄像头拍照检测方法，旨在解决的问题。
2、本专利技术是这样实现的，一种基于无参图像质量评价的终端摄像头拍照检测方法，所述方法包括以下步骤：
3、步骤s1：获取图像质量评价数据集，对所述数据集进行分组预处理，将每一组失真图像进行灰度转换得到灰度图，得到失真图像组和对应的评价数据标签；
4、步骤s2：将所述灰度图像输入梯度特征提取模块提取梯度特征，同时将所述灰度图像输入奇异值特征提取模块提取奇异值特征；
5、步骤s3：将步骤s1和步骤s2中得到的特征值输入到svr模型中，该模型的损失函数可以表述为：其中xi表示特征值，yi表示图像的dmos值，ω表示权值向量，c1表示正则化超参数，l∈表示不敏感损失函数；
6、步骤s4：将需要检测的图像输入训练好的步骤s1和步骤s2的模型提取特征，随后将特征传入步骤s3训练好的模型进行图像质量检测，根据得出的分值是否大于设置的阈值判断摄像头的好坏。
7、本专利技术的进一步技术方案是：所述步骤s1中的预处理过程为：从公开的iqa数据集中获取模糊图像质量评价的数据集，并将其按照8:1:1的比例划分为训练集、验证集和测试集，并采用dmos平均主观得分差异以及mos平均主观得分作为数据标签，对原始数据集进行灰度转换，将所有图片转换成灰度图，图像大小分辨率从512×512像素到512×384像素。
8、本专利技术的进一步技术方案是：步骤s1中，将待测终端摄像头固定于测试仓内，启动终端摄像头，使用程序拍摄一组特定数量的照片，终端摄像头的数据输出端与计算机的输入端连接，计算机通过图像采集模块将智能终端拍摄到的图像提取特征信息数值，得到用于判断终端摄像头是否有缺陷的测试图像。
9、本专利技术的进一步技术方案是：所述步骤s2包括：
10、步骤s21：将失真图像切分成64×64的特征图块，对所述特征图块使用solbel滤波器筛选出图像的边缘，使用marziliano方法计算图像的边缘长度，将边缘长度大于阈值的边缘视为图像边缘e，将含有边缘e数量大于阈值的块视为边缘块，将所有边缘块中边缘的长度值作为边缘特征，通过计算，其中mid表示计算中位数，x表示边缘，n表示边缘的总数，如果n是偶数则按mid(x)＝xn/2计算。
11、本专利技术的进一步技术方案是：所述步骤s2还包括：
12、步骤s22：进行边缘均值的计算，计算公式为其中n表示边缘的总数，xi表示第i个边缘；
13、步骤s23：计算边缘长度值组的极差，计算公式为
14、e(x)＝|max(x)-min(x)|n，其中max(x)和min(x)分别表示该边缘长度值组的极大值和极小值，n表示边缘的总数，接着使用极大值和极小值计算边缘长度值组对比度c，计算公式为
15、步骤s24：将步骤s21-步骤s23计算出的特征值组放入svr模型中拟合表述为其中，a1到an表示使用边缘长度提取出的几个梯度特征值，a表示dmos值，k表示该svr模型使用的核函数，b表示该模型的偏差值，其中核函数表示为
16、其中x与x'表示输入样本的值，γ表示单个训练实例的影响程度，γ越大，其他例子受到影响的距离就越近，b表示核函数的偏差，将svr模型拟合的值输入到步骤s3中。
17、本专利技术的进一步技术方案是：步骤s2还包括：
18、步骤s25：将灰度图像进行奇异值分解，分解公式为a＝uσvt，其中a为分解出的奇异值矩阵，u和v是正交矩阵，σ是对角矩阵，t表示对v矩阵进行转置，使用分解出的奇异值矩阵提取奇异值做出奇异值曲线，使用曲线提取出一个特征值，计算公式为其中r为分解出的奇异值的总数，将q输入到步骤s3中。
19、本专利技术的进一步技术方案是：步骤s3中通过调整l∈的值来控制svr模型的宽容度。
20、本专利技术的进一步技术方案是：步骤s4包括以下步骤：
21、步骤s41：使用机器学习框架sklearn搭建svr模型的网络机构，每一轮的训练保存最佳模型；
22、步骤s42：采用了plcc和srocc两种判断指标，线性皮尔森系数(plcc)的公式为斯皮尔曼系数(srocc)的公式为其中plcc和srocc的值都表示预测分数和实际分数的相关性，分数越接近1说明预测分数和实际分数的相关性越高，模型效果越好；
23、步骤s42：从数据集中获取到的数据输入至步骤s1中所构建的遥感图像阴影检测的网络模型中，然后再利用反向传播算法，对模型进行训练。
24、本专利技术的进一步技术方案是：还包括步骤s5：将数据增强后的数据集输入到训练好的遥感图像阴影检测的网络模本文档来自技高网...
【技术保护点】
1.一种基于无参图像质量评价的终端摄像头拍照检测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于无参图像质量评价的终端摄像头拍照检测方法，其特征在于，所述步骤S1中的预处理过程为：从公开的IQA数据集中获取模糊图像质量评价的数据集，并将其按照8:1:1的比例划分为训练集、验证集和测试集，并采用DMOS平均主观得分差异以及MOS平均主观得分作为数据标签，对原始数据集进行灰度转换，将所有图片转换成灰度图，图像大小分辨率从512×512像素到512×384像素。
3.根据权利要求1所述的基于无参图像质量评价的终端摄像头拍照检测方法，其特征在于，步骤S1中，将待测终端摄像头固定于测试仓内，启动终端摄像头，使用程序拍摄一组特定数量的照片，终端摄像头的数据输出端与计算机的输入端连接，计算机通过图像采集模块将智能终端拍摄到的图像提取特征信息数值，得到用于判断终端摄像头是否有缺陷的测试图像。
4.根据权利要求1所述的基于无参图像质量评价的终端摄像头拍照检测方法，其特征在于，所述步骤S2包括：
5.根据权利要求4所述的基于无参图
6.根据权利要求5所述的基于无参图像质量评价的终端摄像头拍照检测方法，其特征在于，步骤S2还包括：
7.根据权利要求1所述的基于无参图像质量评价的终端摄像头拍照检测方法，其特征在于，步骤S3中通过调整l∈的值来控制SVR模型的宽容度。
8.根据权利要求1所述的基于无参图像质量评价的终端摄像头拍照检测方法，其特征在于，步骤S4包括以下步骤：
9.根据权利要求1所述的基于无参图像质量评价的终端摄像头拍照检测方法，其特征在于，还包括步骤S5：将数据增强后的数据集输入到训练好的遥感图像阴影检测的网络模型，使用测试图片进行预测，对遥感图像进行阴影检测，得到mask图。
...【技术特征摘要】
1.一种基于无参图像质量评价的终端摄像头拍照检测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于无参图像质量评价的终端摄像头拍照检测方法，其特征在于，所述步骤s1中的预处理过程为：从公开的iqa数据集中获取模糊图像质量评价的数据集，并将其按照8:1:1的比例划分为训练集、验证集和测试集，并采用dmos平均主观得分差异以及mos平均主观得分作为数据标签，对原始数据集进行灰度转换，将所有图片转换成灰度图，图像大小分辨率从512×512像素到512×384像素。
3.根据权利要求1所述的基于无参图像质量评价的终端摄像头拍照检测方法，其特征在于，步骤s1中，将待测终端摄像头固定于测试仓内，启动终端摄像头，使用程序拍摄一组特定数量的照片，终端摄像头的数据输出端与计算机的输入端连接，计算机通过图像采集模块将智能终端拍摄到的图像提取特征信息数值，得到用于判断终端摄像头是否有缺陷的测试图像。
【专利技术属性】
技术研发人员：周磊，刘传林，周昌灯，
申请(专利权)人：四川朵唯智能云谷有限公司，
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。