基于深度学习的黄色培育钻石品级分类方法技术

本发明专利技术属于黄色培育钻石品级分类技术领域，具体涉及一种基于深度学习的黄色培育钻石品级分类方法，该方法主要运用到了机器视觉、图形图像处理、深度学习等相关技术，通过对内部和外部特征的提取和识别，实现对黄色钻石品级的准确分类。与现有技术相比较，本发明专利技术提供一种基于深度学习及多模型决策的黄色培育钻石品级分类方法，实现黄色钻石在线图像采集与准确分类，其效率远远高于人眼。本发明专利技术是机器视觉技术、图像处理技术、深度学习技术以及多模型决策技术在黄色培育钻石自动分选中的首次应用。

Classification method of yellow cultivated diamonds based on deep learning

【技术实现步骤摘要】
基于深度学习的黄色培育钻石品级分类方法
本专利技术属于黄色培育钻石品级分类
，具体涉及一种基于深度学习的黄色培育钻石品级分类方法，该方法主要运用到了机器视觉、图形图像处理、深度学习等相关技术，通过对内部和外部特征的提取和识别，实现对黄色钻石品级的准确分类。
技术介绍
在航空航天、国防军工以及光伏与电子信息等领域里会遇到各种高难材料的加工难题，目前要解决这些难题都离不开一种超硬材料——金刚石。以金刚石为代表的超硬材料及制品被誉为“最硬最锋利的工业牙齿”。我国是人工合成金刚石的原产大国。据统计，截止到2017年，中国人造金刚石产量约为250亿克拉，占据全球90％以上，连续15年在市场上占据主导地位。黄色培育钻石(以下简称黄色钻石)作为合成金刚石的一种，其在工业刀具、钻头等方面的用途非常广泛。黄色钻石的生成是在高温高压的环境下，把碳原料粉末压成钻石，其中间需要加入金属催化剂，因此很多黄色钻石都会有金属杂质包含在内，这会影响黄色钻石的品级，而品级的划分直接关系到产品品质和经济效益。目前我国主要采用人工分选工业黄色钻石的方法，由分选员通过肉眼在放大镜下观察每颗直径1.2至1.4mm的钻石颗粒的外部形貌和内部杂质特征，根据经验进行等级评估，这种方法不仅分选速度慢、劳动强度大、人工成本高，而且产品质量一致性难以得到有效的保障，使得工业黄色钻石的产能大大受限。因此，如何在工业上实现黄色钻石品级分类的自动化、智能化，是一个亟需解决的技术难题。目前，基于机器视觉的深度学习技术已广泛应用于实际工程的方方面面，尤其在工业产品的分类与质量检测方面得到大量实践与推广。
技术实现思路
(一)要解决的技术问题本专利技术要解决的技术问题是：如何提供一种基于机器视觉和深度学习的黄色钻石品级分类方法，用以解决现有技术存在的耗费大量劳动力、准确率低、效率不高的技术问题。(二)技术方案为解决上述技术问题，本专利技术提供一种基于深度学习的黄色培育钻石品级分类方法，所述方法包括如下步骤：步骤S1：黄色钻石原始样本图像采集：通过同轴光源照明，利用CCD工业相机和图像采集卡采集黄色钻石原始样本图像；步骤S2：黄色钻石原始样本图像分类：按照黄色钻石品级不同，将黄色钻石原始样本图像分为一级品、二级品和三级品三类样本；该步骤S2包括如下子步骤：步骤S201：为避免因肉眼观察误差和个人经验片面，而导致样本分类不准确的问题，采取根据国际钻石委员会钻石分级标准、中国技术监管局钻石分级标准GB/T16554-2003的方法，分别对黄色钻石原始样本图像进行分类，得到两个训练样本集，分别记为：Ua、Ub；步骤S202：为提升黄色钻石品级分类的准确度，从Ua、Ub中筛选出分类一致的黄色钻石样本，形成一个加强训练样本集，记为：Uc；步骤S3：黄色钻石原始样本图像预处理：根据灰度化、滤波去燥、二值化、腐蚀与膨胀、最小外接矩形检测图形图像处理方法对Ua、Ub、Uc中的黄色钻石原始样本图像进行处理，得到统一尺寸299*299的黄色钻石图像；该步骤S3包括如下子步骤：步骤S301：灰度化：对步骤S2的图像进行灰度化处理；步骤S302：滤波去燥：对步骤S301得到的图像使用低通滤波器平滑图像中的高频噪点，降低图像的变化率；步骤S303：二值化：将步骤S302中图像中像素值不大于90的置为0，也即黑色，其余置为255，也即白色；步骤S304：腐蚀与膨胀：为消除经步骤S303后图像中白色斑点对黄色钻石区域轮廓检测的干扰，对图像分别执行4次腐蚀与膨胀的形态学处理；步骤S305：最小外接矩形检测：通过轮廓检测算法检测出经步骤S304后图像中所有联通区域的外轮廓，并通过最小外接矩形算法计算出所有外轮廓的最小外接矩形；步骤S306：对步骤S305中的最小外接矩形进行面积大小、长宽比例过滤，最终得到唯一的黄色钻石图像区域，裁剪出该区域后，经过图像放缩操作后统一到固定尺寸299*299；步骤S4：模型训练：将经步骤S3预处理后的样本集Ua、Ub、Uc分别输入InceptionV3网络中进行训练，经过充分迭代分别得到预测模型Ma、Mb、Mc；该步骤S4包括如下子步骤：步骤S401：将经步骤S3预处理后的样本集Ua、Ub、Uc分别输入到InceptionV3网络中，样本将先经过3层卷积网络，每层卷积网络包含1个或者多个卷积核，再通过激活函数ReLU对卷积输出的非线性激励作用，使得网络的特征表达能力得到加强；卷积层激活函数ReLU的表达式为：其中，x为经过3层卷积网络后的输出；经过卷积层特征提取后，图像的尺寸和通道数会发生较大变化，这与卷积核的大小、填充方式、步长因素相关；经卷积层后输出图像的尺寸和通道数计算公式分别如下式所示：N＝D其中，O为经卷积层后输出图像的尺寸；I为输入图像的尺寸；K为卷积核的尺寸；P为卷积时的填充数；S为步长；N为输出图像的通道数；D为卷积核的数量；步骤S402：对步骤S401的输出图像进行池化降采样处理，减少参量的同时过滤掉特征图里的冗余信息，避免模型过拟合问题；经池化层后输出图像尺寸的计算公式为：其中，O′为经池化层后输出图像的尺寸；Ps为池化层尺寸；不同于卷积层改变图像通道数的效果，经池化层后图像的通道数不发生改变；步骤S403：对步骤S402的输出图像通过3个模块组简化特征信息，每个模块组内包含多个结构类似的模块,每个模块由简单的卷积层、复杂的卷积层和简化结构的池化层并联组合而成，不同程度的特征抽象和变换可以有选择地保留不同层次的高阶特征，而这些模块组的作用是简化空间结构，将空间信息转化为抽象的高阶特征信息，最大程度地丰富网络的表达能力，同时使每层的输出张量持续减少，降低计算量；经过这些模块组后的输出图像尺寸为8*8*2048；步骤S404：经全局平均池化层将步骤S403输出的图像转化为1*1*2048，再经过dropout层、卷积层、线性化维度消除处理后，最终通过归一化指数函数将模型对每个类别的预测映射为概率值，其中，归一化指数函数表达式如下所示：其中，n为所有的品级数，zi表示模型预测出的属于第i个类别的数值，pi表示转化后的模型预测结果属于第i个类别的概率；步骤S405：取预测概率最大的类别与样本实际类别进行对比，计算同一训练批次样本的误差损失，设置相关训练超参数，以误差损失最小为目标进行寻优，经反复迭代寻优和模型数据固化，最终样本集Ua、Ub、Uc分别得到对应的模型Ma、Mb、Mc；步骤S5：将待分类黄色钻石图像按照步骤S3处理后，输入到模型Ma中，通过特征提取和类别匹配得到模型分类的结果pa1、pa2、pa3，其中：pa1表示模型Ma认为该黄色钻石是一级品的概率，其他类同；同理，将待分类图像输入到模型Mb、Mc可得分类结果pb1、pb2、pb3、pc1、pc2、pc3；且：步骤S本文档来自技高网...

【技术保护点】
1.一种基于深度学习的黄色培育钻石品级分类方法，其特征在于，所述方法包括如下步骤：/n步骤S1：黄色钻石原始样本图像采集：通过同轴光源照明，利用CCD工业相机和图像采集卡采集黄色钻石原始样本图像；/n步骤S2：黄色钻石原始样本图像分类：按照黄色钻石品级不同，将黄色钻石原始样本图像分为一级品、二级品和三级品三类样本；/n该步骤S2包括如下子步骤：/n步骤S201：为避免因肉眼观察误差和个人经验片面，而导致样本分类不准确的问题，采取根据国际钻石委员会钻石分级标准、中国技术监管局钻石分级标准GB/T 16554-2003的方法，分别对黄色钻石原始样本图像进行分类，得到两个训练样本集，分别记为：U

【技术特征摘要】
1.一种基于深度学习的黄色培育钻石品级分类方法，其特征在于，所述方法包括如下步骤：
步骤S1：黄色钻石原始样本图像采集：通过同轴光源照明，利用CCD工业相机和图像采集卡采集黄色钻石原始样本图像；
步骤S2：黄色钻石原始样本图像分类：按照黄色钻石品级不同，将黄色钻石原始样本图像分为一级品、二级品和三级品三类样本；
该步骤S2包括如下子步骤：
步骤S201：为避免因肉眼观察误差和个人经验片面，而导致样本分类不准确的问题，采取根据国际钻石委员会钻石分级标准、中国技术监管局钻石分级标准GB/T16554-2003的方法，分别对黄色钻石原始样本图像进行分类，得到两个训练样本集，分别记为：Ua、Ub；
步骤S202：为提升黄色钻石品级分类的准确度，从Ua、Ub中筛选出分类一致的黄色钻石样本，形成一个加强训练样本集，记为：Uc；
步骤S3：黄色钻石原始样本图像预处理：根据灰度化、滤波去燥、二值化、腐蚀与膨胀、最小外接矩形检测图形图像处理方法对Ua、Ub、Uc中的黄色钻石原始样本图像进行处理，得到统一尺寸299*299的黄色钻石图像；
该步骤S3包括如下子步骤：
步骤S301：灰度化：对步骤S2的图像进行灰度化处理；
步骤S302：滤波去燥：对步骤S301得到的图像使用低通滤波器平滑图像中的高频噪点，降低图像的变化率；
步骤S303：二值化：将步骤S302中图像中像素值不大于90的置为0，也即黑色，其余置为255，也即白色；
步骤S304：腐蚀与膨胀：为消除经步骤S303后图像中白色斑点对黄色钻石区域轮廓检测的干扰，对图像分别执行4次腐蚀与膨胀的形态学处理；
步骤S305：最小外接矩形检测：通过轮廓检测算法检测出经步骤S304后图像中所有联通区域的外轮廓，并通过最小外接矩形算法计算出所有外轮廓的最小外接矩形；
步骤S306：对步骤S305中的最小外接矩形进行面积大小、长宽比例过滤，最终得到唯一的黄色钻石图像区域，裁剪出该区域后，经过图像放缩操作后统一到固定尺寸299*299；
步骤S4：模型训练：将经步骤S3预处理后的样本集Ua、Ub、Uc分别输入InceptionV3网络中进行训练，经过充分迭代分别得到预测模型Ma、Mb、Mc；
该步骤S4包括如下子步骤：
步骤S401：将经步骤S3预处理后的样本集Ua、Ub、Uc分别输入到InceptionV3网络中，样本将先经过3层卷积网络，每层卷积网络包含1个或者多个卷积核，再通过激活函数ReLU对卷积输出的非线性激励作用，使得网络的特征表达能力得到加强；卷积层激活函数ReLU的表达式为：



其中，x为经过3层卷积网络后的输出；
经过卷积层特征提取后，图像的尺寸和通道数会发生较大变化，这与卷积核的大小、填充方式、步长因素相关；经卷积层后输出图像的尺寸和通道数计算公式分别如下式所示：



N＝D
其中，O为经卷积层后输出图像的尺寸；I为输入图像的尺寸；K为卷积核的尺寸；P为卷积时的填充数；S为步长；N为输出图像的通道数；D为卷积核的数量；
步骤S402：对步骤S401的输出图像进行池化降采样处理，减少参量的同时过滤掉特征图里的冗余信息，避免模型过拟合问题；经池化层后输出图像尺寸的计算公式为：



其中，O′为经池化层后输出图像的尺寸；Ps为池化层尺寸；
不同于卷积层改变图像通道数的效果，经池化层后图像的通道数不发生改变；
步骤S403：对步骤S4...

【专利技术属性】
技术研发人员：杨建新，兰小平，闫蕾，王波，杨一铭，冯亚东，姚志强，刘文军，王伟平，宋培卿，程辉，郭世峰，赵鑫，
申请(专利权)人：中国兵器工业信息中心，
类型：发明
国别省市：北京;11