【技术实现步骤摘要】
本专利技术涉及废钢识别分类，尤其涉及一种边角料废钢分类识别方法、系统、介质和设备。
技术介绍
1、通常，基于机器视觉的废钢识别分类是根据采集图像中的废钢主体目标进行相应的视觉图像识别。
2、常见的废钢主体有两类，一类是废旧设备，如废旧家电、车船发动机零部件等，它们具有具体的形状特征，很容易被当下热门的深度网络技术yolov、fasterrcnn、maskrcnn等检测模型识别出来；另外一类是指从废钢钢材切削、冲孔、剪切、焊接等工艺过程中产生的废弃金属边角料，这类废钢边角料通常包括各种类型的钢材，如钢板、钢筋、钢管、钢丝等，甚至有些废旧产品的破碎残块也作为边角料。但是，由于边角料废钢没有具体特征，几乎不能通过特征度量分类，常见深度网络技术也很难通过特征学习获得对应类别。
技术实现思路
1、为解决
技术介绍
中存在的技术问题，本专利技术提出一种边角料废钢分类识别方法、系统、介质和设备。
2、本专利技术提出的一种基于机器视觉的边角料废钢分类识别方法，包括：
3、获取待识别边角料废钢图像；
4、对待识别边角料废钢图像进行纹理滤波预处理；
5、对预处理后的待识别边角料废钢图像进行颜色空间转换；
6、采用超像素算法对转换后的待识别边角料废钢图像进行超像素分割，得到超像素块集合；
7、利用线性聚类算法对超像素块集合进行图像分割，得到图像聚类分割块；
8、将图像聚类分割块输入训练好的蛛网型的轻量化残差网络中
9、优选地，对待识别边角料废钢图像进行纹理滤波预处理，具体包括：
10、采用相关全微分滤波算法对待识别边角料废钢图像进行纹理滤波预处理。
11、优选地，对预处理后的待识别边角料废钢图像进行颜色空间转换，具体包括：
12、将预处理后的待识别边角料废钢图像从rgb颜色空间转换到ycbcr空间。
13、优选地，利用线性聚类算法对超像素块集合进行图像聚类分割，得到图像聚类分割块，具体包括：
14、在ycbcr空间中，按照设定的超像素个数在处理后的图像内均匀分配种子点，并初始化种子点；
15、计算该种子点的邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方；其中，当种子点落在梯度较大的轮廓边界上时，在种子点的邻域内重新选择种子点；
16、在每个种子点周围的邻域内为每个像素点分配聚类中心；
17、建立颜色距离和空间距离度量；其中，颜色距离和空间距离度量如下：
18、
19、式中，dc代表颜色距离，ds代表空间距离，ns是类内最大空间距离，nc为最大的颜色距离，(li,ai,bi)、(xi,yi)表示第i点的颜色像素值和空间位置；
20、取最大迭代次数为第一预设值进行迭代优化；
21、新建一张标记表，表内元素均为-1，按照“z”型走向将不连续的超像素、尺寸过小的超像素重新分配给邻近的超像素，遍历过的像素点分配给相应的标签，直到所有点遍历完毕为止；
22、经超像素分割之后，得到k个分割区域，对k个标记区域进行均值化处理，设定聚类数等于第二预设值，并进行谱聚类分割，获得分割蒙版；
23、设置一阈值λ，若某区域面积即像素点个数ni＜λ，则对该区域进行近邻相似特征区域合并，执行所有分割区域终止，获得更高精度的图像聚类分割块。
24、优选地，在将超像素块集合输入训练好的蛛网型的轻量化残差网络中进行分类，得到废钢边角料类型识别结果之前，还包括：
25、获取带有边角料类型标注的训练集；
26、构建蛛网型的轻量化残差网络；
27、利用带有边角料类型标注的训练集对蛛网型的轻量化残差网络进行训练，得到训练好的蛛网型的轻量化残差网络。
28、本专利技术还提出了一种基于机器视觉的边角料废钢分类识别系统，包括：
29、获取模块，用于获取待识别边角料废钢图像；
30、预处理模块，用于对待识别边角料废钢图像进行纹理滤波预处理；
31、颜色空间转换模块，用于对预处理后的待识别边角料废钢图像进行颜色空间转换；
32、超像素处理模块，用于采用超像素算法对转换后的待识别边角料废钢图像进行超像素分割，得到超像素块集合；
33、超像素分割模块，用于利用线性聚类算法对超像素块集合进行图像分割，得到图像聚类分割块；
34、分类模块，用于将图像聚类分割块输入训练好的蛛网型的轻量化残差网络中进行废钢类型识别，得到废钢边角料类型识别结果。
35、优选地，还包括：
36、训练集获取模块，用于获取带有边角料类型标注的训练集；
37、模型构建模块，用于构建蛛网型的轻量化残差网络；
38、训练模块，用于利用带有边角料类型标注的训练集对蛛网型的轻量化残差网络进行训练，得到训练好的蛛网型的轻量化残差网络。
39、本专利技术还提出了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如上述中任意一项所述的基于机器视觉的边角料废钢分类识别方法。
40、具体实施时，先对待识别边角料废钢图像进行纹理滤波预处理，以消去细小纹理干扰，改进相似类别特征的统一性，有利于提高后续的局部像素块划分精度；再对预处理后的待识别边角料废钢图像进行颜色空间转换，以便于提高颜色识别的敏感度；然后，从同属性产品外观的纹理、颜色和亮度角度的相似性进行分析，采用超像素算法对待识别边角料废钢图像进行物体颜色和纹理的局部统一化，减少图像像素，提升图像识别精度，同时运用线性聚类算法slic对这些局部相近色彩进行图像分割，将具有相似色彩的局部块识别为同一物体；然后，运用蛛网型的轻量化残差网络对不同纹理、颜色和亮度对应的待识别边角料废钢进行分类，得到废钢边角料类型识别结果。
41、本专利技术还提出了一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现如上述中任意一项所述的基于机器视觉的边角料废钢分类识别方法。
42、本专利技术中，所提出的边角料废钢分类识别方法、系统、介质和设备，采用了无监督的聚类和有监督的轻量化残差网络相结合策略，有效弥补了单一轻量化残差网络对模糊特征分类难的缺陷，同时又解决了无监督算法不能解决目标具体类别的识别难点，两者改进相结合的方法极大地提高了废钢边角料的识别精度。
本文档来自技高网...【技术保护点】
1.一种基于机器视觉的边角料废钢分类识别方法，其特征在于，包括：
2.根据权利要求1所述的基于机器视觉的边角料废钢分类识别方法，其特征在于，对待识别边角料废钢图像进行纹理滤波预处理，具体包括：
3.根据权利要求1所述的基于机器视觉的边角料废钢分类识别方法，其特征在于，对预处理后的待识别边角料废钢图像进行颜色空间转换，具体包括：
4.根据权利要求1所述的基于机器视觉的边角料废钢分类识别方法，其特征在于，利用线性聚类算法对超像素块集合进行图像聚类分割，得到图像聚类分割块，具体包括：
5.根据权利要求1所述的基于机器视觉的边角料废钢分类识别方法，其特征在于，在将超像素块集合输入训练好的蛛网型的轻量化残差网络中进行分类，得到废钢边角料类型识别结果之前，还包括：
6.一种基于机器视觉的边角料废钢分类识别系统，其特征在于，包括：
7.根据权利要求6所述的基于机器视觉的边角料废钢分类识别系统，其特征在于，还包括：
8.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时实现如权利要求1-5中
9.一种设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现如权利要求1-5中任意一项所述的基于机器视觉的边角料废钢分类识别方法。
...【技术特征摘要】
1.一种基于机器视觉的边角料废钢分类识别方法，其特征在于，包括：
2.根据权利要求1所述的基于机器视觉的边角料废钢分类识别方法，其特征在于，对待识别边角料废钢图像进行纹理滤波预处理，具体包括：
3.根据权利要求1所述的基于机器视觉的边角料废钢分类识别方法，其特征在于，对预处理后的待识别边角料废钢图像进行颜色空间转换，具体包括：
4.根据权利要求1所述的基于机器视觉的边角料废钢分类识别方法，其特征在于，利用线性聚类算法对超像素块集合进行图像聚类分割，得到图像聚类分割块，具体包括：
5.根据权利要求1所述的基于机器视觉的边角料废钢分类识别方法，其特征在于，在将超像素块...
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。