[发明专利]一种基于自动编码器的产品缺陷分类识别方法及装置在审
申请号: | 201710671719.1 | 申请日: | 2017-08-08 |
公开(公告)号: | CN107292885A | 公开(公告)日: | 2017-10-24 |
发明(设计)人: | 王宏杰;李海艳;黄运保 | 申请(专利权)人: | 广东工业大学 |
主分类号: | G06T7/00 | 分类号: | G06T7/00;G06T5/00;G06K9/62 |
代理公司: | 北京集佳知识产权代理有限公司11227 | 代理人: | 罗满 |
地址: | 510062 广东省*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 自动 编码器 产品 缺陷 分类 识别 方法 装置 | ||
1.一种基于自动编码器的产品缺陷分类识别方法,其特征在于,包括:
获取缺陷图像;
通过堆叠至少四个稀疏自编码器提取所述缺陷图像的缺陷特征;
将所述缺陷特征发送至分类器,通过所述分类器识别所述缺陷特征对应的缺陷类别。
2.根据权利要求1所述的基于自动编码器的产品缺陷分类识别方法,其特征在于,所述通过堆叠至少四个稀疏自编码器提取所述缺陷图像的缺陷特征,包括:
获取所述缺陷图像的第一模式图像、第二模式图像及第三模式图像,所述缺陷图像为彩色图像,所述第一模式图像为缺陷图像的R通道,第二模式图像为缺陷图像的G通道,第三模式图像为缺陷图像的B通道;
通过堆叠六个稀疏自编码器分别提取所述第一模式图像、所述第二模式图像以及所述第三模式图像的缺陷特征。
3.根据权利要求2所述的基于自动编码器的产品缺陷分类识别方法,其特征在于,所述通过堆叠六个稀疏自编码器分别提取所述第一模式图像、所述第二模式图像及所述第三模式图像的缺陷特征,包括:
通过堆叠六个稀疏降噪自编码器分别提取所述第一模式图像、所述第二模式图像及所述第三模式图像的缺陷特征。
4.根据权利要求3所述的基于自动编码器的产品缺陷分类识别方法,其特征在于,所述通过堆叠六个稀疏降噪自编码器分别提取所述第一模式图像、所述第二模式图像及所述第三模式图像的缺陷特征,包括:
利用第一稀疏降噪自编码器分别获取所述第一模式图像、所述第二模式图像及所述第三模式图像的像素值,以使所述第一稀疏降噪自编码器对所述像素值编码得到第一特征;
将所述第一特征发送至第二稀疏降噪自编码器,以使所述第二稀疏降噪自编码器对所述第一特征编码得到第二特征;
将所述第二特征发送至第三稀疏降噪自编码器,以使所述第三稀疏降噪自编码器对所述第二特征编码得到第三特征;
将所述第三特征发送至第四稀疏降噪自编码器,以使所述第四稀疏降噪自编码器对所述第三特征编码得到第四特征;
将所述第四特征发送至第五稀疏降噪自编码器,以使所述第五稀疏降噪自编码器对所述第四特征编码得到第五特征;
将所述第五特征发送至第六稀疏降噪自编码器,以使所述第六稀疏降噪自编码器对所述第五特征编码得到第六特征;将所述第六特征作为所述缺陷特征,所述缺陷特征包括第一模式图像缺陷特征、第二模式图像缺陷特征以及第三模式图像缺陷特征。
5.根据权利要求1-4任意一项所述的基于自动编码器的产品缺陷分类识别方法,其特征在于,所述将所述缺陷特征发送至分类器,通过所述分类器识别缺陷特征对应的缺陷类别包括:
将所述缺陷特征发送至分类器的输入层;
通过所述输入层计算所述缺陷特征对应每一种缺陷类型的概率;
选择所述概率中的最大概率,将所述最大概率对应的缺陷类型作为所述缺陷特征的缺陷类型。
6.一种基于自动编码器的产品缺陷分类识别装置,其特征在于,包括:
缺陷图像获取模块,用于获取缺陷图像;
缺陷特征提取模块,用于通过堆叠至少四个稀疏自编码器提取所述缺陷图像获取模块得到的所述缺陷图像的缺陷特征;
缺陷特征发送模块,用于将缺陷特征提取模块得到的所述缺陷特征发送至分类器,通过所述分类器识别缺陷特征对应的缺陷类别。
7.根据权利要求6所述的基于自动编码器的产品缺陷分类识别装置,其特征在于,所述缺陷特征提取模块包括:
获取单元,用于获取所述缺陷图像的第一模式图像、第二模式图像及第三模式图像,所述缺陷图像为彩色图像,所述第一模式图像为缺陷图像的R通道,第二模式图像为缺陷图像的G通道,第三模式图像为缺陷图像的B通道;
第一提取单元,用于通过堆叠六个稀疏自编码器分别提取所述获取单元得到的所述第一模式图像、所述第二模式图像及所述第三模式图像的缺陷特征。
8.根据权利要求7所述的基于自动编码器的产品缺陷分类识别装置,其特征在于,所述第一提取单元包括:
第二提取单元,用于通过堆叠六个稀疏降噪自编码器分别提取所述第一模式图像、所述第二模式图像及所述第三模式图像的缺陷特征。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于广东工业大学,未经广东工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201710671719.1/1.html,转载请声明来源钻瓜专利网。