[发明专利]一种基于KNN的标签数据分类方法

说明书

本发明提供了一种基于KNN的标签数据分类方法，其特征在于：包括调试阶段和应用阶段；调试阶段包括如下步骤：载入调试图像、预处理、blob分析、制作分类标签、调试特征数据与分类标签绑定、设定参数、训练数据、判断分类准确率；应用阶段包括如下步骤：载入采集图像、预处理、blob分析、数据分类。该分类方法针对工业产品检测所得数据分类，可减少运算量，提高响应速度，并可提高分类准确率。

技术领域

本发明涉及图像特征分类技术领域，更具体地说，涉及一种基于KNN的标签数据分类方法。

背景技术

随着互联网时代的发展，AI人工智能技术逐渐成为关注焦点。在工业生产中往往会出现不合格产品，如何将不合格产品进行分类是目前比较火热的研究方向。

目前有两种分类方法：

一、传统的机器学习：对于机器学习对数据图像进行分类需要做一个特征工程提取图像特征，将特征贴上一个标签进行分类，机器学习的优点在于机器学习不需要高端的硬件设备，机器学习算法通过一个合适的CPU就可以进行对数据的分类处理，并且处理速度快，符合工业对人工智能时效性的需求，可以应用于工业生产检测分类，机械手抓取不同类别物体等应用场景；

二、深度学习神经网络：对于深度学习神经网络对数据图片分类优点在于可以不需要特征工程，但是神经网络需要大量的数据集并用合适的网络对数据进行训练，训练周期比较长而且需要高端的硬件设备(GPU,SSD,CPU,RAM)，而且技术目前不太成熟，在工业上的应用也是从2015年开始，目前研究人员也不能完全了解深层网络的“内部”。由于缺乏理论基础、超参数和网络设计也是一个相当大的挑战。

对比深度学习神经网络需要大量采集样本进行训练，花费时间多，需要制作多个训练模型才能适应工业检测对时间的需求；反观机器学习可以快速的对数据进行分析比较进而达到预测的目的。因此，技术比较成熟的机器学习更适用于工业领域对物体检测数据进行分类。但是目前机器学习分类方法缺乏针对工业产品检测数据分类的方法。

发明内容

为克服现有技术中的缺点与不足，本发明的目的在于提供一种基于KNN的标签数据分类方法。该分类方法针对工业产品检测所得数据分类，可减少运算量，提高响应速度，并可提高分类准确率。

为了达到上述目的，本发明通过下述技术方案予以实现：一种基于KNN的标签数据分类方法，其特征在于：包括调试阶段和应用阶段；

其中，所述调试阶段包括如下步骤：

X1步，载入调试图像；对调试图像进行预处理得到调试特征目标区域；

X2步，通过blob分析从调试特征目标区域中提取调试感兴趣区域，并将调试感兴趣区域转换成为带有若干调试特征数据的调试数据集；所有调试特征数据均具有多个特征维度；

X3步，制作分类标签；采用map函数将各个调试特征数据与各个分类标签进行绑定；

X4步，将所有调试特征数据分到训练集和测试集中；

X5步，用户设定邻近数k、距离计算方式和分类特征维度；将训练集和测试集中所有调试特征数据的特征维度仅保留设定的分类特征维度而删除其余特征维度，以形成调试数据；

X6步，将测试集调试数据逐个进行分类：根据设定的距离计算方式，计算当前待分类的测试集调试数据与所有训练集调试数据之间的距离，并将距离进行排序；提取出距离最短的前k个训练集调试数据，找出前k个训练集调试数据对应最多的分类标签；将当前待分类的测试集调试数据分类到对应最多的分类标签中；