基于深度学习的黄色培育钻石品级分类系统技术方案

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系统，该系统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系统，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。

Yellow cultivated diamond classification system 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系统
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系统，该系统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系统，其特征在于，所述系统包括：图像采集模块、图像分类模块、预处理模块、模型训练模块、模型分类模块、结果综合模块；/n所述图像采集模块，其用于对黄色钻石原始样本进行图像采集：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所述图像分类模块，其用于对黄色钻石原始样本进行图像分类：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；所述图像分类模块包括：分类单元、筛选单元；/n其中，所述分类单元，用于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，...

【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系统，其特征在于，所述系统包括：图像采集模块、图像分类模块、预处理模块、模型训练模块、模型分类模块、结果综合模块；
所述图像采集模块，其用于对黄色钻石原始样本进行图像采集：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；
所述图像分类模块，其用于对黄色钻石原始样本进行图像分类：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；所述图像分类模块包括：分类单元、筛选单元；
其中，所述分类单元，用于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；所述筛选单元，用于从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；
所述预处理模块，用于对黄色钻石原始样本图像进行预处理：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；所述预处理模块包括：灰度化单元、滤波去燥单元、二值化单元、腐蚀与膨胀单元、最小外接矩形检测单元、过滤单元；
其中，所述灰度化单元，用于对图像分类模块输出的图像进行灰度化处理；所述滤波去燥单元，用于对灰度化单元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；所述二值化单元，用于将滤波去燥单元输出的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；为消除经二值化单元输出的图像中白色斑点对黄色钻石区域轮廓检测的干扰，所述腐蚀与膨胀单元用于对图像分别执行4次腐蚀与膨胀的形态学处理；所述最小外接矩形检测单元，用于通过轮廓检测算法检测出经腐蚀与膨胀单元输出的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；所述过滤单元，其用于最小外接矩形检测单元输出的图像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；
所述模型训练模块，用于将经预处理模块预处理后的样本集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；所述模型训练模块包括：第一处理单元、第二处理单元、第三处理单元、第四处理单元、对比单元；
其中，所述第一处理单元，用于将经预处理模块预处理后的样本集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；
其中，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；
其中，所述第二处理单元，用于对第一处理单元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...

【专利技术属性】
技术研发人员：兰小平，杨一铭，戚燕杰，杨建新，王波，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