一种深度学习图像识别输入所用张量的生成方法及其应用技术

本发明专利技术公开了一种深度学习图像识别输入所用张量的生成方法及其应用，通过环形排列多光源照明或与此机理类似的结构照明，生成的同一目标物体不同模式的高维度图像张量，对图像张量在第三维做傅里叶变换或进行其他形式的级数展开，只保留其幅值信息，而过滤相位信息。取幅值从低频到高频排列，组成新的特征向量，在有效降低张量维度的同时保留主要的特征，生成表面检测深度学习图像算法的张量输入。该方法能有效保留图像有效信息，同时减少张量输入维度，加快表面检测深度学习网络的训练和推理，从而提高表面检测的检测速度和精度，实现实时检测，提高目标产品的合格率。

【技术实现步骤摘要】
一种深度学习图像识别输入所用张量的生成方法及其应用
本专利技术涉及图像识别
，具体为一种深度学习图像识别输入所用张量的生成方法及其应用。
技术介绍
工业产品的表面缺陷直接影响产品外观的质量，表面检测技术在工业领域上的应用也越来越受到人们的重视。传统表面检测的方法依赖于人工进行，但人工缺陷检测存在劳动强度过强、工作效率低、检测准确性不高、容易受到主观因素影响等缺点，使得基于机器视觉的主动缺陷检测替代传统人工检测已经成为了重要趋势。传统的机器视觉的表面检测方法基于图像分割和特征提取算法，但这些分割和特征提取算法计算比较复杂，分割效果与图像相关，没有一种通用的分割算法可以实现所有图像的分割和特征提取处理，通常难以对图像进行实时检测。近年来，深度学习在机器视觉领域得到广泛的应用，深度学习网络能够从大量样本集中学习数据本质特征，基于深度学习的图像表面缺陷检测方法也得到了应用发展。为了获取高质量的表面图像，提高深度学习表面检测算法的稳定性和可靠性。机器视觉解决方案普遍采用环形排列多光源照明，或与此机理类似的结构照明，通过多次拍摄所得同本文档来自技高网...

【技术保护点】
1.一种深度学习图像识别输入所用张量的生成方法，其特征在于，包括以下步骤：/nS1：通过拍摄不同的光照模式下获取所拍摄目标表面的图像张量数据；/nS2：对所获取的目标表面图像预处理；/nS3：对已预处理的表面图像融合组成高维度的输入图像张量；/nS4：对得到的高维度的输入图像张量进行傅立叶变换，生产新的输入张量。/n

【技术特征摘要】
1.一种深度学习图像识别输入所用张量的生成方法，其特征在于，包括以下步骤：
S1：通过拍摄不同的光照模式下获取所拍摄目标表面的图像张量数据；
S2：对所获取的目标表面图像预处理；
S3：对已预处理的表面图像融合组成高维度的输入图像张量；
S4：对得到的高维度的输入图像张量进行傅立叶变换，生产新的输入张量。


2.根据权利要求1所述的一种深度学习图像识别输入所用张量的生成方法，其特征在于，所述步骤S1具体包括以下步骤：
s11：通过设置环形排列多光源照明的光源结构对目标表面进行光照；
s12：将目标表面光照进行改变不同的光照模式；
s13：对同一目标物体进行多次不同光照模式的拍照，得到多个表面图像；
s14：将步骤s13进行一个循环，获得的表面图像构成图像输入张量。


3.根据权利要求2所述的一种深度学习图像识别输入所用张量的生成方法，其特征在于所述步骤S2具体包括以下步骤：
s21：将所获取的表面图像转换成灰度图像；
s22：采用中值滤波法对所获取的灰度图像进行处理，通过数字信号处理技术将噪音滤除；
s23：将步骤s13中不同光照模式下获取的表面图像按照步骤s21和s21进行处理。


4.根据权利要求1所述的一种深度学习图像识别输入所用张量的生成方法，其特征在于所述步骤S4具体包括以下步骤：
s41:将进行傅立叶变换后新的输入张量从低频到...

【专利技术属性】
技术研发人员：苑杰，徐维超，彭斌，冯永生，
申请(专利权)人：中山易美杰智能科技有限公司，
类型：发明
国别省市：广东;44