【技术实现步骤摘要】
本申请涉及图像识别领域，尤其涉及一种基于图像处理技术的pbat降解膜材料类型识别方法及系统。
技术介绍
1、pbat是一种生物降解塑料，具有可生物降解、环保、可回收等优点，在各个领域都有广泛的应用，例如，食品包装、农业领域、医疗器械等。
2、在实际生产中，往往需要对不同类型的pbat降解膜材料成品进行分类，以往通过人工分类的方式误差率较大，导致最终的成品受到性能不达标、易破损、降解性能差等影响。
技术实现思路
1、本申请旨在提供一种基于图像处理技术的pbat降解膜材料类型识别方法及系统，以解决pbat降解膜材料类型识别不准确的技术问题。
2、为了解决上述技术问题，本申请实施例提供了一种基于图像处理技术的pbat降解膜材料类型识别方法，包括：
3、对光学成像设备拍摄的目标降解膜材料的初始光学图像进行阴影补偿，得到所述目标降解膜材料的真实光学图像，其中，所述阴影补偿被设计为消除透明物体深度值缺失对所述目标降解膜材料图像识别准确度的影响；
4、通过基于图像内容的自适应算法对所述真实光学图像进行分块处理，得到多个图像块；
5、提取每个所述图像块中的每个像素点作为图节点，并根据任意两个所述像素点之间的邻接关系和特征相似度计算边的权重，根据所述图节点和所述边的权重构建图结构数据；
6、基于图注意力网络对所述图结构数据进行特征编码，得到编码后的特征向量，对所述特征向量进行解码，得到解码后的特征图；
7、基于降解膜
8、将所述特征图分别输入各个所述识别模型中，得到所述目标降解膜材料与各个降解膜材料类型的匹配度，根据所述匹配度识别所述目标降解膜材料的类型。
9、作为其中一种优选方案，所述对光学成像设备拍摄的目标降解膜材料的初始光学图像进行阴影补偿，得到所述目标降解膜材料的真实光学图像，包括：
10、将所述初始光学图像输入预训练的阴影检测模型中进行阴影检测，得到所述初始光学图像的阴影区域，其中所述阴影检测模型被设计为通过实时阴影误差检测对所述阴影检测模型的预测结果进行校正；
11、根据所述阴影区域和阴影去除算法对所述初始光学图像进行处理，得到无阴影图像；
12、对所述初始光学图像进行深度值提取，得到所述目标降解膜材料的深度信息；
13、基于立体匹配算法对所述无阴影图像和所述深度信息进行处理，得到所述目标降解膜材料的真实光学图像。
14、作为其中一种优选方案，所述根据所述阴影区域和阴影去除算法对所述初始光学图像进行处理，得到无阴影图像，包括：
15、将所述初始光学图像转换到hsv色彩空间，得到hsv图像；
16、通过hsv图像的亮度值区分所述阴影区域和非阴影区域；
17、基于所述非阴影区域的亮度值对所述阴影区域的亮度值进行校正，表示为：
18、；
19、其中，表示校正后的hsv图像，表示校正前的hsv图像，和是调整系数，是亮度阈值；
20、将校正后的hsv图像转换到rgb色彩空间，得到所述无阴影图像。
21、作为其中一种优选方案，所述对所述初始光学图像进行深度值提取，得到所述目标降解膜材料的深度信息，包括：
22、将所述初始光学图像所在空间划分为体素网格；
23、基于光线追踪算法模拟成像设备发出的射线，根据相交检测算法计算每条所述射线与所述体素网格的交点；
24、获取所述交点的特征信息，将所述特征信息输入预训练的深度预测模型中，以得到所述目标降解膜材料的深度信息。
25、作为其中一种优选方案，在将所述特征信息输入预训练的深度预测模型中之前，还包括：
26、收集所述降解膜材料的rgb-d图像数据集，所述rgb-d图像数据集包括所述降解膜材料的深度信息；
27、将所述rgb-d图像数据集所在空间划分为体素网格，从所述rgb-d图像数据集提取目标特征，将所述目标特征映射到体素空间中，为每个体素生成体素特征向量，得到体素特征向量集；
28、构建基于深度卷积神经网络的基础深度预测模型，基于所述体素特征向量集对所述基础深度预测模型进行训练，得到深度预测模型。
29、作为其中一种优选方案，所述通过基于图像内容的自适应算法对所述真实光学图像进行分块处理，得到多个图像块，包括：
30、对所述真实光学图像进行预处理，所述预处理包括去噪，增强对比度；
31、基于图像处理技术提取预处理后的所述真实光学图像的特征信息，所述特征信息至少包括空间特征、纹理特征和颜色特征；
32、根据所述特征信息，计算所述真实光学图像不同区域之间的相似度；
33、基于所述相似度的计算结果，将所述真实光学图像划分为多个图像块。
34、作为其中一种优选方案，所述提取每个所述图像块中的每个像素点作为图节点，并根据任意两个所述像素点之间的邻接关系和特征相似度计算边的权重，根据所述图节点和所述边的权重构建图结构数据，包括：
35、在每个图像块中，将所述每个像素点特为图节点，所述图节点至少包括该像素点的空间特征、纹理特征和颜色特征；
36、基于所述空间特征确定任意两个所述图节点之间的邻接关系，根据所述纹理特征和颜色特征计算任意两个所述像素点之间的特征相似度，根据所述邻接关系和所述特征相似度计算各个所述图节点对应的边权重；
37、根据所述图节点和所述边权重，构建图结构数据。
38、作为其中一种优选方案，所述基于图注意力网络对所述图结构数据进行特征编码，得到编码后的特征向量，对所述特征向量进行解码，得到解码后的特征图，包括：
39、将构建好的图结构数据输入图注意力网络中，通过所述图注意力网络的多层注意力机制对所述图结构数据中的节点进行迭代更新，得到每个节点的特征向量表示；
40、通过解码器对每个所述节点的所述特征向量进行转换处理，得到解码后的特征图。
41、作为其中一种优选方案，所述将所述特征图分别输入各个所述识别模型中，得到所述目标降解膜材料与各个降解膜材料类型的匹配度，根据所述匹配度识别所述目标降解膜材料的类型，包括：
42、将所述目标降解膜材料的特征图分别输入各个所述识别模型中，得到所述目标降解膜材料与对应降解模材料类型的匹配度，所述匹配度反映所述目标降解膜材料与对应降解模材料的相似程度；
43、比较各个所述识别模型输出的匹配度，选择匹配度最高的模型对应的降解模材料类型作为所述目标降解膜材料的类型。
44、本申请另一实施例提供了一种基于图像处理技术的pbat降解膜材料类型识别系统，包括：
45、补偿模块，用于对光学成像设备拍摄的目标降解膜材料的初始光学图像进行阴影补偿，得到所述目本文档来自技高网...
【技术保护点】
1.一种基于图像处理技术的PBAT降解膜材料类型识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于图像处理技术的PBAT降解膜材料类型识别方法，其特征在于，所述对光学成像设备拍摄的目标降解膜材料的初始光学图像进行阴影补偿，得到所述目标降解膜材料的真实光学图像，包括：
3.根据权利要求2所述的基于图像处理技术的PBAT降解膜材料类型识别方法，其特征在于，所述根据所述阴影区域和阴影去除算法对所述初始光学图像进行处理，得到无阴影图像，包括：
4.根据权利要求2所述的基于图像处理技术的PBAT降解膜材料类型识别方法，其特征在于，所述对所述初始光学图像进行深度值提取，得到所述目标降解膜材料的深度信息，包括：
5.根据权利要求3所述的基于图像处理技术的PBAT降解膜材料类型识别方法，其特征在于，在将所述特征信息输入预训练的深度预测模型中之前，还包括：
6.根据权利要求1所述的基于图像处理技术的PBAT降解膜材料类型识别方法，其特征在于，所述通过基于图像内容的自适应算法对所述真实光学图像进行分块处理，得到多个图像块，包
7.根据权利要求1所述的基于图像处理技术的PBAT降解膜材料类型识别方法，其特征在于，所述将每个所述图像块中提取的每个像素点作为图节点，并根据任意两个所述像素点之间的邻接关系和特征相似度计算边的权重，根据所述图节点和所述边的权重构建图结构数据，包括：
8.根据权利要求1所述的基于图像处理技术的PBAT降解膜材料类型识别方法，其特征在于，所述基于图注意力网络对所述图结构数据进行特征编码，得到编码后的特征向量，对所述特征向量进行解码，得到解码后的特征图，包括：
9.根据权利要求1所述的基于图像处理技术的PBAT降解膜材料类型识别方法，其特征在于，所述将所述特征图分别输入各个所述识别模型中，得到所述目标降解膜材料与各个降解膜材料类型的匹配度，根据所述匹配度识别所述目标降解膜材料的类型，包括：
10.一种基于图像处理技术的PBAT降解膜材料类型识别系统，其特征在于，包括以下模块：
...【技术特征摘要】
1.一种基于图像处理技术的pbat降解膜材料类型识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于图像处理技术的pbat降解膜材料类型识别方法，其特征在于，所述对光学成像设备拍摄的目标降解膜材料的初始光学图像进行阴影补偿，得到所述目标降解膜材料的真实光学图像，包括：
3.根据权利要求2所述的基于图像处理技术的pbat降解膜材料类型识别方法，其特征在于，所述根据所述阴影区域和阴影去除算法对所述初始光学图像进行处理，得到无阴影图像，包括：
4.根据权利要求2所述的基于图像处理技术的pbat降解膜材料类型识别方法，其特征在于，所述对所述初始光学图像进行深度值提取，得到所述目标降解膜材料的深度信息，包括：
5.根据权利要求3所述的基于图像处理技术的pbat降解膜材料类型识别方法，其特征在于，在将所述特征信息输入预训练的深度预测模型中之前，还包括：
6.根据权利要求1所述的基于图像处理技术的pbat降解膜材料类型识别方法，其特征在于，所述...
【专利技术属性】
技术研发人员：王洪琼，林李华，王洪琚，金娟，姚康森，梁剑萍，
申请(专利权)人：广东汇发塑业科技有限公司，
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。