[發明專利]基于度量學習的圓形硯臺質量檢測方法

在審

• 申請號: 201911156827.0
• 申請日: 2019-11-22
• 公開（公告）號: CN110866915A
• 公開（公告）日: 2020-03-06
• 發明（設計）人: 陳本海;陳世澤
• 申請（專利權）人: 鄭州智利信信息技術有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/187;G06T7/13
• 代理公司: 鄭州芝麻知識產權代理事務所(普通合伙) 41173
• 代理人: 董曉勇

1.一種基于度量學習的圓形硯臺質量檢測方法，其特征在于，該方法包括：

步驟一，對相機獲取的圓形硯臺圖像進行預處理，獲得去噪硯臺圖像；

步驟二，對去噪硯臺圖像進行連通域檢測，得到硯臺連通域，根據標準規格硯臺的尺度參數確定過濾規則，對硯臺連通域過濾；

步驟三，對過濾后的硯臺連通域作最小外接矩形，根據最小外接矩形摳取圖像，得到單個硯臺輪廓圖像；

步驟四，根據單個硯臺輪廓圖像以及硯臺連通域的最小外接圓，生成標準圓遮罩，將標準圓遮罩嵌入單個硯臺輪廓圖像，得到內嵌標準圓的硯臺輪廓圖像；

步驟五，對內嵌標準圓的硯臺輪廓圖像進行極坐標轉換，得到極坐標下的待評估硯臺圖像；

步驟六，對待評估硯臺圖像中外側輪廓進行波動分析，生成外側輪廓的波動程度衡量指標，根據波動程度衡量指標評估硯臺質量是否合格；

步驟七，基于評估結果對圓形硯臺圖像進行標注，標注后的圓形硯臺圖像作為樣本數據集，訓練深度卷積神經網絡，實現硯臺質量的自動檢測。

2.如權利要求1所述的基于度量學習的圓形硯臺質量檢測方法，其特征在于，所述步驟一具體為：

據圓形硯臺圖像的RGB數據，對原始圖像各通道分量做最強明度提取，得到硯臺灰度圖像；

對硯臺灰度圖像進行閾值化處理，得到二值化的硯臺灰度圖像；

對二值化的硯臺灰度圖像進行形態學濾波處理，獲得去噪硯臺圖像。

3.如權利要求2所述的基于度量學習的圓形硯臺質量檢測方法，其特征在于，所述形態學濾波處理具體為閉運算。

4.如權利要求1所述的基于度量學習的圓形硯臺質量檢測方法，其特征在于，所述步驟二中的標準規格硯臺的尺度參數包括硯臺面積、硯臺半徑。

5.如權利要求1所述的基于度量學習的圓形硯臺質量檢測方法，其特征在于，所述步驟四具體為：

以單個硯臺輪廓圖像的最小外接矩形尺寸作為標準圓遮罩的尺寸，對標準圓遮罩進行最小灰度等級初始化；

以硯臺連通域最小外接圓的圓心為圓心，以硯臺連通域最小外接圓半徑的一半作為半徑，作為標準圓；

對初始化的標準圓遮罩的標準圓對應區域以最大灰度等級填充，完成標準圓遮罩的賦值；

將標準圓遮罩與單個硯臺輪廓圖像進行圖像或運算，從而將標準圓遮罩嵌入單個硯臺輪廓圖像，得到內嵌標準圓的硯臺輪廓圖像。

6.如權利要求1所述的基于度量學習的圓形硯臺質量檢測方法，其特征在于，所述步驟六具體為：

對待評估硯臺圖像中內嵌標準圓和外側輪廓進行點采樣；

分別計算內嵌標準圓和外側輪廓各采樣點極坐標值的方差；

計算外側輪廓各采樣點極坐標值的方差與內嵌標準圓各采樣點極坐標值的方差的差值，作為外側輪廓的波動程度衡量指標，根據波動程度衡量指標評估硯臺質量是否合格。

7.如權利要求1所述的基于度量學習的圓形硯臺質量檢測方法，其特征在于，所述步驟七包括：

基于評估結果對圓形硯臺圖像進行標注；

將標注后的圓形硯臺圖像作為樣本數據集代入預設的深度卷積神經網絡，采用基于余弦距離的損失函數來訓練深度卷積神經網絡，保存訓練好的深度卷積神經網絡模型；

將待檢測圓形硯臺圖像代入深度卷積神經網絡模型，得到待檢測圓形硯臺圖像的特征向量；

計算待檢測圓形硯臺圖像特征向量與標準圓形硯臺圖像特征向量之間的相似度，得到硯臺質量檢測結果。

8.如權利要求7所述的基于度量學習的圓形硯臺質量檢測方法，其特征在于，所述損失函數具體為：

Loss＝(sIM(X,Y)-AND(Label_X,Label_Y))²

其中AND為與操作，SIM(X,Y)為向量X、Y之間的余弦距離,Label_X,Label_Y分別是向量X、Y的標簽。