[发明专利]基于深度学习的皮革破损识别方法、系统及设备和介质

说明书

本申请公开了一种基于深度学习的皮革破损识别方法、系统及一种电子设备和计算机可读存储介质，该方法包括：获取待识别皮革图像；将所述待识别皮革图像输入训练后分类模型中；利用所述训练后分类模型对所述待识别皮革图像进行识别，得到对应的皮革破损类型；其中，所述训练后分类模型为基于深度学习网络预先训练得到的模型。也即，本申请预先训练得到用于对待识别皮革图像进行识别的模型，在后续需要对皮革的破损类型进行识别时，仅需要将待识别图像输入该模型，即可识别得到待识别皮革表面明显破损并进行分类，得到皮革破损类型，显著降低识别时间，且识别准确率高，从而可根据破损类型对当前皮革进行相应的处理，有效地提高了生产效率。

技术领域

本申请涉及深度学习技术领域，更具体地说，涉及一种基于深度学习的皮革破损识别方法、系统及一种电子设备和一种计算机可读存储介质。

背景技术

随着经济的发展，生活水平的提高，人们对皮革产品的消费转为质量型，即对皮革产品的质量要求越来越高，研究皮革表面破损对皮革行业实现自动化生产有极其重要的意义。由于皮革表面不可避免的存在各种各样的缺陷，如破洞、划痕以及疤痕等，在排样前必须检测和定位缺陷，从而使生产样本的排放和切割避开缺陷。

当下各种皮革破损检测技术中：基于灰度共生矩阵的统计方法，一般需要无缺陷的样本，计算量较大，同时受颜色及光照影响大，难以应用于实际生产；基于Gabor滤波器的纹理分割算法，需要预先获得无缺陷样本求取最优参数而且领域窗的大小对结果有影响，领域窗必须能够包含局部纹理的重复性和空间排列情况，窗口太大会增加计算量，而窗口太小会忽视小的缺陷，同时常熟因子c的选择也要经过衡量，否则会影响检测效果；基于傅里叶变换的检测算法，该类算法主要是用傅立叶基的图像重构技术去除随机纹理图像中的重复性、周期性结构，然后就可在恢复图像中识别异常。随机纹理包含各向同性结构，频谱图像中的高能成分也是向各个方向分布，形成圆盘形。精细的纹理表面在傅里叶谱图像中产生较大的扩展圆，而粗糙的纹理产生较小的扩展圆。对于处理批量图像来说，确定重构的左右半径较为困难，即增加了算法的复杂度。同时这些检测算法都是对皮革图像进行破损检测并未对皮革的破损类型作出详细的分类。

因此，如何实现对皮革破损类型的识别是本领域技术人员需要解决的问题。

发明内容

本申请的目的在于提供一种基于深度学习的皮革破损识别方法、系统及一种电子设备和一种计算机可读存储介质，能够有效地识别出皮革破损类型。

为实现上述目的，本申请提供了一种基于深度学习的皮革破损识别方法，包括：

获取待识别皮革图像；

将所述待识别皮革图像输入训练后分类模型中；

利用所述训练后分类模型对所述待识别皮革图像进行识别，得到对应的皮革破损类型；其中，所述训练后分类模型为基于深度学习网络预先训练得到的模型。

可选的，所述皮革破损类型包括：破洞、划痕、烂面、针眼、无破损中任一项或任意组合。

可选的，还包括：

获取高清的皮革样本图像；

根据所述皮革破损类型对所述皮革样本图像进行分类，得到各种所述皮革破损类型对应的所述皮革样本图像，并从中确定训练样本集；

基于深度学习网络利用所述训练样本集对预设分类模型进行训练，得到所述训练后分类模型。

可选的，所述根据所述皮革破损类型对所述皮革样本图像进行分类之后，还包括：

对所述皮革样本图像进行裁剪处理，得到皮革局部图像；

相应的，所述根据所述皮革破损类型对所述皮革样本图像进行分类，包括：

根据所述皮革破损类型对所述皮革局部图像进行分类。