[发明专利]图像分类方法、装置及存储介质

说明书

本申请属于机器视觉技术领域，提供了一种图像分类方法、装置及存储介质，该方法包括：对原始图像进行分割，得到若干待检测图像；对于每一所述待检测图像，将所述待检测图像输入图像分类模型进行计算，得到第一特征数据；对所述待检测图像进行图像特征提取，提取预设目标特征得到第二特征数据；合并所述第一特征数据和所述第二特征数据生成特征图像；通过所述图像分类模型对所述特征图像进行图像分类，输出分类结果。本申请实施例通过将待检测图像提取预设目标特征得到的第二特征数据与卷积得到的第一特征数据合并生成特征图，重新输入至图像分类模型进行图像分类，对图像分类模型的网络结构进行改进，解决分类准确率低的问题。

技术领域

本发明涉及机器视觉技术领域，尤其涉及一种图像分类方法、装置及存储介质。

背景技术

在生产线波峰焊后，由于焊接工艺的不成熟，往往会导致连焊、漏焊等现象，会极大地影响产品的使用寿命、美观等，需要对其进行质量检测。现有技术中通常采用视觉传统算法中的去噪、变换、分割和特征提取的图像处理方法对焊点图像处理，然后通过SVM(Support Vector Machine)机器对焊点进行分类；或在采用视觉传统算法中的图像处理方法对焊点图像处理后，在焊点数量少时使用SVM对焊点进行分类，在焊点数量多时使用CNN卷积神经网络对焊点进行检测。

但现有技术受SVM机器输出结果准确率低的影响，使得采用SVM机器对焊点检测即图像分类时准确率低下。而现有技术采用的另一种焊点检测方法中，虽然在焊点数量多时使用CNN卷积神经网络对焊点进行检测具有较高的准确率，但CNN卷积神经网络算法具有黑盒效应，导致难以准确识别分类。

发明内容

有鉴于此，本发明实施例提供了一种图像分类方法、装置及存储介质，以解决焊点检测准确率低的问题。

本发明实施例的第一方面提供了一种图像分类方法，包括：

对原始图像进行分割，得到若干待检测图像；

对于每一所述待检测图像，将所述待检测图像输入图像分类模型进行计算，得到第一特征数据；

对所述待检测图像进行图像特征提取，提取预设目标特征得到第二特征数据；

合并所述第一特征数据和所述第二特征数据生成特征图像；

通过所述图像分类模型对所述特征图像进行图像分类，输出分类结果。

在一个实施示例中，在对所述待检测图像进行图像特征提取，提取预设目标特征得到第二特征数据之前，包括：

对所述待检测图像进行灰度化并根据预设图像分割规则将灰度化后的待检测图像均分。

在一个实施示例中，所述预设图像分割规则根据所述第一特征数据的尺寸设定，以使每一均分图像的尺寸与所述第一特征数据的尺寸一致。

在一个实施示例中，在对于每一所述待检测图像，将所述待检测图像输入图像分类模型进行计算，得到第一特征数据之前，还包括：

建立难例池，以根据所述难例池中的易错样本对所述图像分类模型进行迭代训练。

在一个实施示例中，所述方法还包括：

根据训练数据对所述图像分类模型进行图像分类训练；所述训练数据包括正样本和对所述难例池进行过采样得到的样本。

在一个实施示例中，所述图像分类模型包括输入层、卷积层、池化层、全连接层和分类器；

通过所述输入层、所述卷积层和所述池化层对所述待检测图像进行计算，得到第一特征数据。

在一个实施示例中，所述通过所述图像分类模型对所述特征图像进行焊点检测，输出检测结果，包括：