CN112884700B - 基于决策树的激光清洗图像分类方法及设备 - Google Patents
基于决策树的激光清洗图像分类方法及设备 Download PDFInfo
- Publication number
- CN112884700B CN112884700B CN202011439872.XA CN202011439872A CN112884700B CN 112884700 B CN112884700 B CN 112884700B CN 202011439872 A CN202011439872 A CN 202011439872A CN 112884700 B CN112884700 B CN 112884700B
- Authority
- CN
- China
- Prior art keywords
- decision tree
- image
- sample image
- laser cleaning
- training set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003066 decision tree Methods 0.000 title claims abstract description 108
- 238000004140 cleaning Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 238000013138 pruning Methods 0.000 claims abstract description 8
- 238000012797 qualification Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 16
- 238000010586 diagram Methods 0.000 description 12
- 229910000838 Al alloy Inorganic materials 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 239000010935 stainless steel Substances 0.000 description 4
- 229910001220 stainless steel Inorganic materials 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000956 alloy Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种基于决策树的激光清洗图像分类方法及设备。所述方法包括:获取第一样本图像中合格区域的全部特征值,将第一样本图像分为训练集与测试集,根据训练集的特征值得到训练集的信息熵,根据所述信息熵得到每个特征值对应子空间的信息增益;遍历全部特征值,对每个子节点进行递归得到第一决策树,对第一决策树进行剪枝得到第二决策树,并采用测试集对第二决策树进行测试优化,得到第三决策树,采用第三决策树对第二样本图像进行分类。本发明实施例提供的基于决策树的激光清洗图像分类方法及设备,图像检测结果精度较高,具有较好的鲁棒性,通过定量描述合格区域占比,可对指定占比未清洗进行报警提醒,迅速定位到未清洗区域。
Description
技术领域
本发明实施例涉及图像分类技术领域,尤其涉及一种基于决策树的激光清洗图像分类方法及设备。
背景技术
激光清洗因具有环保、非直接接触、可控性好等优点而被广泛应用于轨道交通、汽车、船舶制造等领域。传统对于激光清洗效果检测主要采用肉眼观察,这种方式效率较低且无法进行数据在线融合,进而与自动化设备进行集成。因此,开发一种基于决策树的激光清洗图像分类方法及设备,可以有效克服上述相关技术中的缺陷,就成为业界亟待解决的技术问题。
发明内容
针对现有技术存在的上述问题,本发明实施例提供了一种基于决策树的激光清洗图像分类方法及设备。
第一方面,本发明的实施例提供了一种基于决策树的激光清洗图像分类方法,包括:获取第一样本图像中合格区域的全部特征值,将第一样本图像分为训练集与测试集,根据训练集的特征值得到训练集的信息熵,根据所述信息熵得到每个特征值对应子空间的信息增益;遍历全部特征值,对每个子节点进行递归得到第一决策树,对第一决策树进行剪枝得到第二决策树,并采用测试集对第二决策树进行测试优化,得到第三决策树,采用第三决策树对第二样本图像进行分类。
在上述方法实施例内容的基础上,本发明实施例中提供的基于决策树的激光清洗图像分类方法,在所述获取第一样本图像中合格区域的全部特征值之前,还包括:对激光清洗图像进行滤波得到第一样本图像,所述滤波为剔除激光清洗图像中的噪声,得到第一样本图像。
在上述方法实施例内容的基础上,本发明实施例中提供的基于决策树的激光清洗图像分类方法,所述获取第一样本图像中合格区域的全部特征值,包括:获取第一样本图像中合格区域的全部像素的空间特征。
在上述方法实施例内容的基础上,本发明实施例中提供的基于决策树的激光清洗图像分类方法,所述信息熵包括:
其中,Entropy为信息熵;x为训练集的特征值;p为训练集中不同类别所占的比例。
在上述方法实施例内容的基础上,本发明实施例中提供的基于决策树的激光清洗图像分类方法,所述信息增益包括:
其中,Gain为信息增益;x(i)为训练集K中的第i个特征值;K为训练集;Ki为第i个训练集;m为离散属性个数。
在上述方法实施例内容的基础上,本发明实施例中提供的基于决策树的激光清洗图像分类方法,所述第二样本图像为剔除噪声后的激光清洗图像,若第二样本图像大于图像采集视场,则对第二样本图像进行分割得到工件掩模图像,采用第三决策树对所述工件掩模图像进行分类,确定全部像素的空间特征的合格率。
在上述方法实施例内容的基础上,本发明实施例中提供的基于决策树的激光清洗图像分类方法,所述合格率包括:
其中,ξ为合格率;p0为合格像素数;p为工件掩模图像的全部像素数。
第二方面,本发明的实施例提供了一种基于决策树的激光清洗图像分类装置,包括:
标定模块,用于获取第一样本图像中合格区域的全部特征值,将第一样本图像分为训练集与测试集,根据训练集的特征值得到训练集的信息熵,根据所述信息熵得到每个特征值对应子空间的信息增益;分类模块,用于遍历全部特征值,对每个子节点进行递归得到第一决策树,对第一决策树进行剪枝得到第二决策树,并采用测试集对第二决策树进行测试优化,得到第三决策树,采用第三决策树对第二样本图像进行分类。
第三方面,本发明的实施例提供了一种电子设备,包括:
至少一个处理器;以及
与处理器通信连接的至少一个存储器,其中:
存储器存储有可被处理器执行的程序指令,处理器调用程序指令能够执行第一方面的各种实现方式中任一种实现方式所提供的基于决策树的激光清洗图像分类方法。
第四方面,本发明的实施例提供了一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行第一方面的各种实现方式中任一种实现方式所提供的基于决策树的激光清洗图像分类方法。
本发明实施例提供的基于决策树的激光清洗图像分类方法及设备,通过将决策树分类器应用于激光清洗检测领域,弥补了当前激光清洗质量定量检测的技术空白,图像检测结果精度较高,具有较好的鲁棒性,通过定量描述合格区域占比,可对指定占比未清洗进行报警提醒,并迅速定位到未清洗区域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单的介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于决策树的激光清洗图像分类方法流程图;
图2为本发明实施例提供的基于决策树的激光清洗图像分类装置结构示意图;
图3为本发明实施例提供的电子设备的实体结构示意图;
图4为本发明实施例提供的一最终决策树结构示意图;
图5a为本发明实施例提供的小幅面待检测激光清洗铝合金氧化膜工件效果示意图;
图5b为本发明实施例提供的小幅面激光清洗铝合金氧化膜检测结果示意图;
图6为本发明实施例提供的另一最终决策树结构示意图;
图7a为本发明实施例提供的大幅面待检测不锈钢焊缝工件效果示意图;
图7b为本发明实施例提供的大幅面不锈钢焊缝检测结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。另外,本发明提供的各个实施例或单个实施例中的技术特征可以相互任意结合,以形成可行的技术方案,这种结合不受步骤先后次序和/或结构组成模式的约束,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时,应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
决策树是一种监督性学习算法,其具有较好的灵活性和较强的鲁棒性,因此常用于解决分类和回归问题。决策树是一种树状的预测模型,其包括根节点、内部节点和叶节点。根节点代表树的顶部,内部节点代表属性上的测试,叶节点代表类或类分布。决策树分类器分类的思想是:从已知分类的数据集中随机分为互斥的训练集与测试集,然后从根节点开始,选取某一特征属性对训练样本进行测试,并将该根节点划分为两个或者多个子节点,然后再对这每个子节点计算信息熵值确定最优属性,再利用递归算法形成一颗决策树,然后对构造的决策树进行剪枝等处理,之后将测试集放到决策树种进行性能测试,最终学习优化得到泛化能力较好的决策树,最后对待分类的数据直接采用该决策树进行分类。随着激光清洗应用多样化与场景复杂化,传统的图像检测方法已经难以满足人们的需求。随着人工智能时代的到来,采用传统图像处理并提取图像典型特征与人工智能中常用的机器学习算法(如决策树)相结合的方法来对图像进行分类、识别和管理是新的发展方向。基于这种思想,本发明实施例提供了一种基于决策树的激光清洗图像分类方法,参见图1,该方法包括:获取第一样本图像中合格区域的全部特征值,将第一样本图像分为训练集与测试集,根据训练集的特征值得到训练集的信息熵,根据所述信息熵得到每个特征值对应子空间的信息增益;遍历全部特征值,对每个子节点进行递归得到第一决策树,对第一决策树进行剪枝得到第二决策树,并采用测试集对第二决策树进行测试优化,得到第三决策树,采用第三决策树对第二样本图像进行分类。
基于上述方法实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于决策树的激光清洗图像分类方法,在所述获取第一样本图像中合格区域的全部特征值之前,还包括:对激光清洗图像进行滤波得到第一样本图像,所述滤波为剔除激光清洗图像中的噪声,得到第一样本图像。
基于上述方法实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于决策树的激光清洗图像分类方法,所述获取第一样本图像中合格区域的全部特征值,包括:获取第一样本图像中合格区域的全部像素的空间特征。
基于上述方法实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于决策树的激光清洗图像分类方法,所述信息熵包括:
其中,Entropy为信息熵;x为训练集的特征值;p为训练集中不同类别所占的比例。
基于上述方法实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于决策树的激光清洗图像分类方法,所述信息增益包括:
其中,Gain为信息增益;x(i)为训练集K中的第i个特征值;K为训练集;Ki为第i个训练集;m为离散属性个数。
基于上述方法实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于决策树的激光清洗图像分类方法,所述第二样本图像为剔除噪声后的激光清洗图像,若第二样本图像大于图像采集视场,则对第二样本图像进行分割得到工件掩模图像,采用第三决策树对所述工件掩模图像进行分类,确定全部像素的空间特征的合格率。
基于上述方法实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于决策树的激光清洗图像分类方法,所述合格率包括:
其中,ξ为合格率;p0为合格像素数;p为工件掩模图像的全部像素数。
本发明实施例提供的基于决策树的激光清洗图像分类方法,通过将决策树分类器应用于激光清洗检测领域,弥补了当前激光清洗质量定量检测的技术空白,图像检测结果精度较高,具有较好的鲁棒性,通过定量描述合格区域占比,可对指定占比未清洗进行报警提醒,并迅速定位到未清洗区域。
为了使本发明实施例提供的基于决策树的激光清洗图像分类方法的技术方案更加清楚明白,以下结合附图及实际例子进一步详细说明。
实际例子1:本实例的待检测清洗工件为尺寸为3cm*5cm的长方体铝合金如图5a),表面污染物为氧化膜,中间为激光清洗后合格区域,实际合格占比为30.113%;图像采集***视场大小为8cm*6cm,工件在图像采集***视场范围内,属于小幅面清洗工件;
先收集铝合金材料合格样件图像,按照前述方法实施例中的滤波方式对铝合金材料合格样件图像进行预处理,然后对清洗合格区域提取空间特征,将该样本随机划分为训练样本与测试样本,然后构建决策树;最终形成的决策树如图4所示,x(1)~x(5)分别表示图像不同像素点RGB空间的R、G、B和CIE Lab空间的a和b,T1~T7表示不同特征属性的范围划分临界值,其中0表示不合格,1表示合格;
对待检测的清洗工件先进行图像预处理,然后采用最大类间方差自动分割出工件,再提取工件的特征,最后通过决策树分类器对图像进行合格/不合格分类;将每个像素分类结果按照不同颜色显示:不合格区域501,合格区域502,检测结果如图5b;图5a中显示了小幅面待检测激光清洗铝合金氧化膜工件。计算合格占比为29.912%,误差为0.199%。
实际例子2:本实例的待检测清洗工件为尺寸为20.2cm*20.2的不锈钢焊缝如图7a,表面污染物为氧化膜与焊缝,中间两块为激光清洗后合格区域,实际合格占比为40.024%;图像采集***视场大小为7cm*6cm,工件大小大于图像采集***视场,属于大幅面清洗工件,因此需要分别对每个小视场图像分别进行检测,最终进行图像拼接;
先收集不锈钢材料合格样件图像,按照前述方法实施例中的滤波方式对图像进行预处理,然后对清洗合格区域提取空间特征,将该样本随机划分为训练样本与测试样本,然后构建决策树;通过决策树如图6所示,x(1)~x(2)分别表示图像不同像素点CIE Lab空间的a和b,T1~T4表示不同特征属性的范围划分临界值,其中0表示不合格,1表示合格;
对待检测的每个小视场的包含清洗工件图像进行图像预处理,再采用阈值分割,全部都大于阈值,得到分割后仍为整幅图像,再提取工件的特征,最后通过决策树分类器对图像进行合格/不合格分类;将每个像素分类结果按照不同颜色显示:不合格区域702,合格区域701,检测结果如图7b;计算合格占比为39.652%,误差为0.372%。
本发明各个实施例的实现基础是通过具有处理器功能的设备进行程序化的处理实现的。因此在工程实际中,可以将本发明各个实施例的技术方案及其功能封装成各种模块。基于这种现实情况,在上述各实施例的基础上,本发明的实施例提供了一种基于决策树的激光清洗图像分类装置,该装置用于执行上述方法实施例中的基于决策树的激光清洗图像分类方法。参见图2,该装置包括:标定模块,用于获取第一样本图像中合格区域的全部特征值,将第一样本图像分为训练集与测试集,根据训练集的特征值得到训练集的信息熵,根据所述信息熵得到每个特征值对应子空间的信息增益;分类模块,用于遍历全部特征值,对每个子节点进行递归得到第一决策树,对第一决策树进行剪枝得到第二决策树,并采用测试集对第二决策树进行测试优化,得到第三决策树,采用第三决策树对第二样本图像进行分类。
本发明实施例提供的基于决策树的激光清洗图像分类装置,采用图2中的各种模块,通过将决策树分类器应用于激光清洗检测领域,弥补了当前激光清洗质量定量检测的技术空白,图像检测结果精度较高,具有较好的鲁棒性,通过定量描述合格区域占比,可对指定占比未清洗进行报警提醒,并迅速定位到未清洗区域。
需要说明的是,本发明提供的装置实施例中的装置,除了可以用于实现上述方法实施例中的方法外,还可以用于实现本发明提供的其他方法实施例中的方法,区别仅仅在于设置相应的功能模块,其原理与本发明提供的上述装置实施例的原理基本相同,只要本领域技术人员在上述装置实施例的基础上,参考其他方法实施例中的具体技术方案,通过组合技术特征获得相应的技术手段,以及由这些技术手段构成的技术方案,在保证技术方案具备实用性的前提下,就可以对上述装置实施例中的装置进行改进,从而得到相应的装置类实施例,用于实现其他方法类实施例中的方法。例如:
基于上述装置实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于决策树的激光清洗图像分类装置,还包括:第二模块,用于对激光清洗图像进行滤波得到第一样本图像,所述滤波为剔除激光清洗图像中的噪声,得到第一样本图像。
基于上述装置实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于决策树的激光清洗图像分类装置,还包括:第三模块,用于获取第一样本图像中合格区域的全部像素的空间特征。
基于上述装置实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于决策树的激光清洗图像分类装置,还包括:第四模块,用于所述第二样本图像为剔除噪声后的激光清洗图像,若第二样本图像大于图像采集视场,则对第二样本图像进行分割得到工件掩模图像,采用第三决策树对所述工件掩模图像进行分类,确定全部像素的空间特征的合格率。
本发明实施例的方法是依托电子设备实现的,因此对相关的电子设备有必要做一下介绍。基于此目的,本发明的实施例提供了一种电子设备,如图3所示,该电子设备包括:至少一个处理器(processor)301、通信接口(Communications Interface)304、至少一个存储器(memory)302和通信总线303,其中,至少一个处理器301,通信接口304,至少一个存储器302通过通信总线303完成相互间的通信。至少一个处理器301可以调用至少一个存储器302中的逻辑指令,以执行前述各个方法实施例提供的方法的全部或部分步骤。
此外,上述的至少一个存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个方法实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
附图中的流程图和框图显示了根据本发明的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。基于这种认识,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
在本专利中,术语"包括"、"包含"或者其任何其它变体意在涵盖非排它性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句"包括……"限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于决策树的激光清洗图像分类方法,其特征在于,包括:获取第一样本图像中合格区域的全部特征值,将第一样本图像分为训练集与测试集,根据训练集的特征值得到训练集的信息熵,根据所述信息熵得到每个特征值对应子空间的信息增益;遍历全部特征值,对每个子节点进行递归得到第一决策树,对第一决策树进行剪枝得到第二决策树,并采用测试集对第二决策树进行测试优化,得到第三决策树,采用第三决策树对第二样本图像进行分类;
所述获取第一样本图像中合格区域的全部特征值,包括:获取第一样本图像中合格区域的全部像素的空间特征;所述第二样本图像为剔除噪声后的激光清洗图像,若第二样本图像大于图像采集视场,则对第二样本图像进行分割得到工件掩模图像,采用第三决策树对所述工件掩模图像进行分类,确定全部像素的空间特征的合格率。
2.根据权利要求1所述的基于决策树的激光清洗图像分类方法,其特征在于,在所述获取第一样本图像中合格区域的全部特征值之前,还包括:对激光清洗图像进行滤波得到第一样本图像,所述滤波为剔除激光清洗图像中的噪声,得到第一样本图像。
3.根据权利要求1所述的基于决策树的激光清洗图像分类方法,其特征在于,所述信息熵包括:
其中,Entropy为信息熵;x为训练集的特征值;p为训练集中不同类别所占的比例。
4.根据权利要求3所述的基于决策树的激光清洗图像分类方法,其特征在于,所述信息增益包括:
其中,Gain为信息增益;x(i)为训练集K中的第i个特征值;K为训练集;Ki为第i个训练集;m为离散属性个数。
5.根据权利要求1所述的基于决策树的激光清洗图像分类方法,其特征在于,所述合格率包括:
其中,ξ为合格率;p0为合格像素数;p为工件掩模图像的全部像素数。
6.一种基于决策树的激光清洗图像分类装置,其特征在于,包括:标定模块,用于获取第一样本图像中合格区域的全部特征值,将第一样本图像分为训练集与测试集,根据训练集的特征值得到训练集的信息熵,根据所述信息熵得到每个特征值对应子空间的信息增益;所述获取第一样本图像中合格区域的全部特征值,包括:获取第一样本图像中合格区域的全部像素的空间特征;第二样本图像为剔除噪声后的激光清洗图像,若第二样本图像大于图像采集视场,则对第二样本图像进行分割得到工件掩模图像,采用第三决策树对所述工件掩模图像进行分类,确定全部像素的空间特征的合格率;
分类模块,用于遍历全部特征值,对每个子节点进行递归得到第一决策树,对第一决策树进行剪枝得到第二决策树,并采用测试集对第二决策树进行测试优化,得到第三决策树,采用第三决策树对第二样本图像进行分类。
7.一种电子设备,其特征在于,包括:
至少一个处理器、至少一个存储器和通信接口;其中,
所述处理器、存储器和通信接口相互间进行通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以执行权利要求1至5任一项权利要求所述的方法。
8.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行权利要求1至5中任一项权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011439872.XA CN112884700B (zh) | 2020-12-11 | 2020-12-11 | 基于决策树的激光清洗图像分类方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011439872.XA CN112884700B (zh) | 2020-12-11 | 2020-12-11 | 基于决策树的激光清洗图像分类方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112884700A CN112884700A (zh) | 2021-06-01 |
CN112884700B true CN112884700B (zh) | 2023-08-22 |
Family
ID=76043168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011439872.XA Active CN112884700B (zh) | 2020-12-11 | 2020-12-11 | 基于决策树的激光清洗图像分类方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884700B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096748A (zh) * | 2016-04-28 | 2016-11-09 | 武汉宝钢华中贸易有限公司 | 基于聚类分析和决策树算法的装车工时预测模型 |
CN108197225A (zh) * | 2017-12-28 | 2018-06-22 | 广东欧珀移动通信有限公司 | 图像的分类方法、装置、存储介质及电子设备 |
CN108989075A (zh) * | 2017-06-05 | 2018-12-11 | ***通信集团广东有限公司 | 一种网络故障定位方法及*** |
CN110766272A (zh) * | 2019-09-11 | 2020-02-07 | 国网浙江省电力有限公司杭州供电公司 | 基于id3决策树算法的电力业务协同分类方法及*** |
CN110836896A (zh) * | 2019-10-14 | 2020-02-25 | 深圳信息职业技术学院 | 一种激光清洗检测设备及激光清洗检测方法 |
-
2020
- 2020-12-11 CN CN202011439872.XA patent/CN112884700B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096748A (zh) * | 2016-04-28 | 2016-11-09 | 武汉宝钢华中贸易有限公司 | 基于聚类分析和决策树算法的装车工时预测模型 |
CN108989075A (zh) * | 2017-06-05 | 2018-12-11 | ***通信集团广东有限公司 | 一种网络故障定位方法及*** |
CN108197225A (zh) * | 2017-12-28 | 2018-06-22 | 广东欧珀移动通信有限公司 | 图像的分类方法、装置、存储介质及电子设备 |
CN110766272A (zh) * | 2019-09-11 | 2020-02-07 | 国网浙江省电力有限公司杭州供电公司 | 基于id3决策树算法的电力业务协同分类方法及*** |
CN110836896A (zh) * | 2019-10-14 | 2020-02-25 | 深圳信息职业技术学院 | 一种激光清洗检测设备及激光清洗检测方法 |
Non-Patent Citations (1)
Title |
---|
Data Mining for Improving a Cleaning Process in the Semiconductor Industry;Dan Braha,Armin Shmilovici;《IEEE TRANSACTIONS ON SEMICONDUCTOR MANUFACTURING》;20020228;第15卷(第1期);第91-101页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112884700A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3477553B1 (en) | Method for detecting an anomalous image among a first dataset of images using an adversarial autoencoder | |
CN108960266B (zh) | 图像目标检测方法及装置 | |
CN110210475B (zh) | 一种非二值化和边缘检测的车牌字符图像分割方法 | |
CN108305260B (zh) | 一种图像中角点的检测方法、装置及设备 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN111814753A (zh) | 针对雾天条件下的目标检测方法和装置 | |
JP7139749B2 (ja) | 画像認識学習装置、画像認識装置、方法、及びプログラム | |
CN114419029B (zh) | 表面缺陷检测模型的训练方法、表面缺陷检测方法及装置 | |
CN110276295A (zh) | 车辆识别号码检测识别方法及设备 | |
CN113870254B (zh) | 目标对象的检测方法、装置、电子设备及存储介质 | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN111179263A (zh) | 一种工业图像表面缺陷检测模型、方法、***及装置 | |
CN110119736B (zh) | 车牌位置识别方法、装置及电子设备 | |
CN112417955A (zh) | 巡检视频流处理方法及装置 | |
CN112232368A (zh) | 目标识别模型训练方法、目标识别方法及其相关装置 | |
CN113673618A (zh) | 一种融合注意力模型的烟虫目标检测方法 | |
CN115100489A (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
CN111310757A (zh) | 视频弹幕检测识别方法及装置 | |
CN112884700B (zh) | 基于决策树的激光清洗图像分类方法及设备 | |
CN113570549A (zh) | 反光表面的缺陷检测方法及装置 | |
CN117475253A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN113012088A (zh) | 一种电路板故障检测及孪生网络的训练方法、装置和设备 | |
CN116778182A (zh) | 一种基于多尺度特征融合的素描作品评级方法及模型 | |
CN116580232A (zh) | 一种图像自动标注方法、***及电子设备 | |
CN116189214A (zh) | 版面分析方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |