CN114863424A - 一种用于方便面瑕疵检测的分类数据集构建方法 - Google Patents
一种用于方便面瑕疵检测的分类数据集构建方法 Download PDFInfo
- Publication number
- CN114863424A CN114863424A CN202210490290.7A CN202210490290A CN114863424A CN 114863424 A CN114863424 A CN 114863424A CN 202210490290 A CN202210490290 A CN 202210490290A CN 114863424 A CN114863424 A CN 114863424A
- Authority
- CN
- China
- Prior art keywords
- image
- algorithm
- data set
- instant noodle
- classification data
- 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.)
- Pending
Links
- 235000008446 instant noodles Nutrition 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 238000010276 construction Methods 0.000 title claims abstract description 9
- 238000013135 deep learning Methods 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 9
- 230000007547 defect Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 15
- 230000003190 augmentative effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000003416 augmentation Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种用于方便面瑕疵检测的分类数据集构建方法,包括以下步骤:1)在方便面生产环境中,配合拍摄触发装置与光源,使用工业相机搭建拍摄清晰方便面图像的图像采集***,该图像采集环境应与实际生产环境基本一致;2)拍摄方便面样本图像,并构建用于深度学习的原始分类数据集,包括正常图像和瑕疵图像,该部分需拍摄足量数据,且瑕疵图像覆盖方便面可能出现的所有瑕疵;3)使用图像处理算法构建增广分类数据集,增加样本多样性,提升深度学习检测算法的鲁棒性。本发明中提供的方便面瑕疵检测分类数据集构建方法,快速有效构建用于提升深度学习分类效果的数据集,节省数据集构建人工成本,提升基于深度学习的瑕疵检测算法的准确率。
Description
技术领域
本发明涉及机器视觉工业检测技术领域,尤其涉及一种用于方便面瑕疵检测的分类数据集构建方法。
背景技术
方便面瑕疵检测的深度学习算法需要大量的现场方便面数据构建分类数据集进行训练,才可以保证瑕疵分类的准确率。构建分类数据集的工作对于深度学习算法的性能提升具有重要意义,为此,我们提出一种用于方便面瑕疵检测的分类数据集构建方法。
发明内容
鉴于现有技术中的上述缺陷或不足,期望提供一种用于方便面瑕疵检测的分类数据集构建方法。
本发明提供的一种用于方便面瑕疵检测的分类数据集构建方法,包括如下步骤:
1)在方便面生产环境中,配合拍摄触发装置与光源,使用工业相机搭建可拍摄清晰方便面图像的图像采集***,用于采集图像,该图像采集环境应与实际生产环境基本一致;
2)拍摄方便面样本图像,并构建用于深度学习的原始分类数据集,包括正常图像和瑕疵图像,该部分需拍摄足量图像数据,且瑕疵图像覆盖方便面可能出现的所有瑕疵;
3)使用图像处理算法构建增广分类数据集,增加样本多样性。
优选的,所述图像处理算法包括但不限于噪声生成算法、模糊算法、图像旋转算法、对比度调整算法及色度调整算法;其中,
所述噪声生成算法,使用随机算法生成高斯算法噪声的方差后,使用该高斯模型添加图像噪声;
所述模糊算法,随机生成模糊滤波器参数,并对图像进行模糊滤波;模糊滤波可采用均值滤波、高斯滤波等滤波器;
所述图像旋转算法,在设定的旋转角度范围内,随机产生图像旋转角度,并旋转图像;
所述对比度调整算法,随机生成对比度算法调整参数,并对图像进行对比度调整;对比度算法可采用伽马变换;
所述色度调整算法,图像转换到HSV颜色空间,对H通道添加高斯噪声,对颜色进行随机调整。
相对于现有技术而言,本发明的有益效果是:
本发明的用于方便面瑕疵检测的分类数据集构建方法,提供一种方便面瑕疵检测分类数据集的构建方法,可快速有效构建用于提升深度学习分类效果的数据集,大量节省数据集构建人工成本,有效提升基于深度学习的瑕疵检测算法的准确率。
应当理解,发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征,亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明实施例提供的方便面数据采集环境示意图;
图2为本发明方便面分类数据集中增广图像生成流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
请参考图1~图2,本发明的实施例提供了一种用于方便面瑕疵检测的分类数据集构建方法,包括如下步骤:
1)在方便面生产环境中,配合拍摄触发装置与光源,使用工业相机搭建可拍摄清晰方便面图像的图像采集***,用于采集图像,该图像采集环境应与实际生产环境基本一致;如示意图1所示,工业相机安装在生产线体上,检测方便面到达相机下部的触发装置触发相机拍摄方便面图像,并通过计算机中的程序保存该图像。
2)拍摄方便面样本图像,并构建用于深度学习的原始分类数据集,包括正常图像和瑕疵图像,该部分需拍摄足量图像数据,图像的数目由采用深度学习方法复杂度和瑕疵复杂度确定,且一般需保证瑕疵图像覆盖方便面可能出现的所有瑕疵;
3)使用图像处理算法构建增广分类数据集,增加样本多样性。
在一优选实施例中,针对每张图像采取的图像处理算法包括但不限于噪声生成算法、模糊算法、图像旋转算法、对比度调整算法及色度调整算法;其中,
所述噪声生成算法,使用随机算法生成针对该处理图像的高斯算法噪声的方差σ后,采用高斯模型对图像中每一个像素添加噪声;采用公式如下:
其中,I(i,j)为原图像(i,j)位置的图像强度,IE(i,j)为添加噪声的图像强度,σ为高斯模型的标准差。
所述模糊算法,随机生成模糊滤波器参数,并对图像进行模糊滤波;模糊滤波可采用均值滤波、高斯滤波等滤波器;以均值滤波为例,采用随机算法在[3,5,7,9,11]中选取均值滤波器窗口大小,采用窗口大小构造均值滤波器,并对图像进行均值滤波;
所述图像旋转算法,在设定的旋转角度范围内,随机产生图像旋转角度,并旋转图像;
所述对比度调整算法,随机生成对比度算法调整参数,并对图像进行对比度调整;对比度算法可采用伽马变换;
所述色度调整算法,图像转换到HSV颜色空间,对H通道添加高斯噪声,对颜色进行随机调整。
增广图像数据生成流程如图2所示,具体流程如下:
(1)读取相机采集的图像数据;
(2)随机判断是否添加噪声,若需要添加,随机生成噪声模型方差,并添加图像噪声;
(3)随机判断是否添加模糊,若需要添加,随机生成模糊滤波器参数,并对图像进行滤波;
(4)随机判断是否添加旋转,若需要添加,随机生成旋转角度,并对图像进行旋转;
(5)随机判断是否添加对比度调整,若需要添加,随机生成对比度调整参数,并对图像进行像素值映射变换;
(6)随机判断是否添加色彩调整,若需要添加,将图像转换到HSV颜色空间,对H通道添加高斯噪声后,在转换到RGB颜色空间;
(7)输出增广图像。
遍历上述1~7个步骤,遍历原始分类数据集中的所有或部分图像,得到最终的分类数据集。
在本说明书的描述中,术语“连接”、“安装”、“固定”等均应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
在本说明书的描述中,术语“一个实施例”、“一些实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (2)
1.一种用于方便面瑕疵检测的分类数据集构建方法,其特征在于,包括如下步骤:
1)在方便面生产环境中,配合拍摄触发装置与光源,使用工业相机搭建可拍摄清晰方便面图像的图像采集***,用于采集图像,该图像采集环境应与实际生产环境基本一致;
2)拍摄方便面样本图像,并构建用于深度学习的原始分类数据集,包括正常图像和瑕疵图像,该部分需拍摄足量图像数据,且瑕疵图像覆盖方便面可能出现的所有瑕疵;
3)使用图像处理算法构建增广分类数据集,增加样本多样性。
2.根据权利要求1所述的用于方便面瑕疵检测的分类数据集构建方法,其特征在于,所述图像处理算法包括但不限于噪声生成算法、模糊算法、图像旋转算法、对比度调整算法及色度调整算法;其中,
所述噪声生成算法,使用随机算法生成高斯算法噪声的方差后,使用该高斯模型添加图像噪声;
所述模糊算法,随机生成模糊滤波器参数,并对图像进行模糊滤波;模糊滤波可采用均值滤波、高斯滤波等滤波器;
所述图像旋转算法,在设定的旋转角度范围内,随机产生图像旋转角度,并旋转图像;
所述对比度调整算法,随机生成对比度算法调整参数,并对图像进行对比度调整;对比度算法可采用伽马变换;
所述色度调整算法,图像转换到HSV颜色空间,对H通道添加高斯噪声,对颜色进行随机调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210490290.7A CN114863424A (zh) | 2022-05-07 | 2022-05-07 | 一种用于方便面瑕疵检测的分类数据集构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210490290.7A CN114863424A (zh) | 2022-05-07 | 2022-05-07 | 一种用于方便面瑕疵检测的分类数据集构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114863424A true CN114863424A (zh) | 2022-08-05 |
Family
ID=82635502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210490290.7A Pending CN114863424A (zh) | 2022-05-07 | 2022-05-07 | 一种用于方便面瑕疵检测的分类数据集构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114863424A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012166840A2 (en) * | 2011-06-01 | 2012-12-06 | The Board Of Trustees Of The Leland Stanford Junior University | Learning of image processing pipeline for digital imaging devices |
US20210193175A1 (en) * | 2019-12-18 | 2021-06-24 | Lg Electronics Inc. | Training data generating method for training filled pause detecting model and device therefor |
US11062525B1 (en) * | 2020-01-28 | 2021-07-13 | United States Of America, As Represented By The Secretary Of The Army | Method for generating an augmented set of images |
CN113487584A (zh) * | 2021-07-19 | 2021-10-08 | 苏州北境人工智能科技有限公司 | 一种基于深度学习的方便面黄斑检测方法 |
US20210383148A1 (en) * | 2020-06-09 | 2021-12-09 | Shandong University | Automatic data enhancement expansion method, recognition method and system for deep learning |
CN114235810A (zh) * | 2021-11-06 | 2022-03-25 | 东南数字经济发展研究院 | 一种基于面阵工业相机的布匹瑕疵自动检测方法 |
CN114399473A (zh) * | 2021-12-29 | 2022-04-26 | 北京智立质升科技有限责任公司 | 一种应用于工业生产的缺陷样本图像采集装置 |
-
2022
- 2022-05-07 CN CN202210490290.7A patent/CN114863424A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012166840A2 (en) * | 2011-06-01 | 2012-12-06 | The Board Of Trustees Of The Leland Stanford Junior University | Learning of image processing pipeline for digital imaging devices |
US20210193175A1 (en) * | 2019-12-18 | 2021-06-24 | Lg Electronics Inc. | Training data generating method for training filled pause detecting model and device therefor |
US11062525B1 (en) * | 2020-01-28 | 2021-07-13 | United States Of America, As Represented By The Secretary Of The Army | Method for generating an augmented set of images |
US20210383148A1 (en) * | 2020-06-09 | 2021-12-09 | Shandong University | Automatic data enhancement expansion method, recognition method and system for deep learning |
CN113487584A (zh) * | 2021-07-19 | 2021-10-08 | 苏州北境人工智能科技有限公司 | 一种基于深度学习的方便面黄斑检测方法 |
CN114235810A (zh) * | 2021-11-06 | 2022-03-25 | 东南数字经济发展研究院 | 一种基于面阵工业相机的布匹瑕疵自动检测方法 |
CN114399473A (zh) * | 2021-12-29 | 2022-04-26 | 北京智立质升科技有限责任公司 | 一种应用于工业生产的缺陷样本图像采集装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106548467B (zh) | 红外图像和可见光图像融合的方法及装置 | |
CN111563889B (zh) | 基于计算机视觉的液晶屏幕Mura缺陷检测方法 | |
CN111325721A (zh) | 一种基于红外热成像的气体泄漏检测方法及*** | |
CN112132196B (zh) | 一种结合深度学习和图像处理的烟盒缺陷识别方法 | |
CN112033965B (zh) | 基于差分图像分析的3d弧形表面缺陷检测方法 | |
CN102063704B (zh) | 一种机载视景增强方法及其装置 | |
CN103778621B (zh) | 对外来物体碎片的识别方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测*** | |
CN109801231B (zh) | 一种电泳电子纸检测设备的图像处理方法 | |
CN114022383A (zh) | 一种文字图像的摩尔纹祛除方法、装置及电子设备 | |
CN112862744A (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN110930366A (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
CN110738644A (zh) | 一种基于深度学习的汽车涂装表面缺陷检测方法及*** | |
CN109859132A (zh) | 一种基于增强图像识别技术的产品质量在线检测方法 | |
CN114719749A (zh) | 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及*** | |
CN112164055A (zh) | 一种基于颜色分割的光伏电池色差分类方法 | |
CN111985314A (zh) | 一种基于ViBe与改进LBP的烟雾检测方法 | |
CN111739003A (zh) | 一种用于外观检测的机器视觉算法 | |
CN114878595A (zh) | 一种书本印刷质量检测方法 | |
CN107977959B (zh) | 一种适用于电力作业机器人的呼吸器状态识别方法 | |
CN115018785A (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN110595397A (zh) | 一种基于图像识别的篦冷机工况监测方法 | |
CN116721039B (zh) | 一种应用于自动化光学缺陷检测中的图像预处理方法 | |
CN108428218A (zh) | 一种去除牛顿光晕的图片处理方法 | |
CN114863424A (zh) | 一种用于方便面瑕疵检测的分类数据集构建方法 |
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 |