一种基于多尺度卷积神经网络的手机表面缺陷精准识别方法技术

一种基于多尺度卷积神经网络的手机表面缺陷精准识别方法，针对废旧手机回收过程中表面缺陷难以精准识别的问题。本发明专利技术利用灰度化和索贝尔算子对数据集进行预处理得到清晰的图像数据，构造了一种基于多尺度卷积神经网络的手机表面缺陷精准识别方法实现对表面缺陷的快速准确识别。本发明专利技术对不同场景下的手机表面缺陷识别均保持较好的快速性和准确性，能够提高废旧手机回收的效率和回收企业经济效益。提高废旧手机回收的效率和回收企业经济效益。提高废旧手机回收的效率和回收企业经济效益。

【技术实现步骤摘要】
一种基于多尺度卷积神经网络的手机表面缺陷精准识别方法


[0001]本专利技术利用基于多尺度卷积神经网络的废旧手机表面缺陷识别方法实现废旧手机回收过程中手机表面缺陷的精准识别。在废旧手机回收过程中，将手机按缺陷分类处理是重要步骤之一，手机表面缺陷各异，相似度高，且手机表面容易受到偏光、遮挡等因素影响，对手机表面缺陷识别任务造成了一定困难。将基于多尺度卷积神经网络的废旧手机表面缺陷识别方法应用于废旧手机回收过程中，能够节约人力成本，提高废旧手机回收的准确性和快速性，是图像识别领域的重要分支，又属于固体废物的处理领域。

技术介绍

[0002]废旧手机表面缺陷的快速准确识别能够提高手机回收效率，节省人力，同时还能提升废旧手机回收企业经济效益，是提高城市固体废物资源再利用的重要举措；不但具有较好的经济效益，而且具有显著的环境和社会效益。因此，本专利技术的研究成果具有广阔的应用前景。
[0003]废旧手机表面缺陷识别是一个图像识别与分类的过程，由于验机人员回收手机时拍摄的验机照片角度、设备、光源等拍摄条件各异，分辨率也不一，严重影响了废旧手机表面缺陷识别的准确性。由于部分手机缺陷受光照的影响严重，更是增大了建立模型的难度，利用灰度化和索贝尔算子对数据集进行预处理得到清晰的图像，可以降低卷积模型缺陷识别难度，提高分类准确性，满足废旧手机回收的需要。从而提高回收效率，加速废旧手机的流通过程，同时也能够减少人工费用，提高回收企业的效益。
[0004]本专利技术设计了一种基于多尺度卷积神经网络的手机表面缺陷识别方法，主要通过灰度化和索贝尔算子对数据集进行预处理得到较清晰的图像，采用多尺度卷积神经网络识别模型对训练数据进行特征提取和识别，实现废旧手机表面缺陷的快速检测和精准识别。

技术实现思路

[0005]本专利技术获得了一种基于多尺度卷积神经网络的手机表面缺陷精准识别方法，该方法采用灰度化和索贝尔算子对废旧手机图像进行预处理并通过建立基于多尺度卷积神经网络的手机表面缺陷精准识别模型，利用回收过程的图像数据完成识别模型的参数调整，实现废旧手机表面缺陷的精准识别。
[0006]本专利技术采用了如下的技术方案及实现步骤：
[0007]1.一种基于多尺度卷积神经网络的手机表面缺陷精准识别方法，通过灰度化和索贝尔算子对废旧手机图像进行预处理得到较清晰的灰度图像，采用多尺度卷积神经网络识别模型对训练图像数据进行特征提取和识别，实现废旧手机表面缺陷的快速检测和精准识别，包括以下步骤：
[0008](1)运行数据采集
[0009]废旧手机表面缺陷严重影响手机的回收价格，因此对废旧手机屏幕进行缺陷检测是必要的；采集系统是由工业相机和同步编码器共同搭建的，拍摄由流水线传送而来的手
机屏幕，并将拍摄的图片通过千兆网卡传到与相机相连的计算机上，软件平台完成图像数据的接收；以软件平台接收的图像数据为研究对象，选用RGB颜色空间作为手机表面缺陷识别模型的输入变量，A
R
(t)表示在t迭代时的红色通道像素矩阵，A
G
(t)表示在t迭代时的绿色通道像素矩阵，A
B
(t)表示在t迭代时的蓝色通道像素矩阵；
[0010](2)运行基于边缘检测算法的废旧手机图像预处理方法
[0011]为了得到较清晰的灰度图像，从废旧手机图像中获取A
R
(t)，A
G
(t)，A
B
(t)三个输入变量，并对三个输入变量进行灰度化处理，设定灰度化调和参数分别为0.30，0.59和0.11，具体计算公式如下：
[0012]D(t)＝0.30A
R
(t)+0.59A
G
(t)+0.11A
B
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0013]其中，D(t)表示在t迭代时待识别手机表面图像A灰度化后的像素矩阵；t表示迭代次数；
[0014]为提取更加精确的边缘信息，利用索贝尔算子对灰度图像进行处理，具体计算公式如下：
[0015]U(t)＝E*D(t)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0016]其中，U(t)表示在t次迭代时该点边缘检测的灰度值；
[0017][0018]其中，E表示索贝尔算子卷积因子，由一组3
×
3的矩阵组成；
[0019](3)设计基于多尺度卷积神经网络的废旧手机表面缺陷识别模型
[0020]利用多尺度卷积神经网络搭建废旧手机表面缺陷识别模型，多尺度卷积神经网络包括输入层、特征提取层和输出层，特征提取层包含激活层、池化层和正则化层，该网络输入层的维度为416
×
416，特征提取层的维度为104
×
104，输出层的维度分别为52
×
52，26
×
26，13
×
13，13
×
13这个尺度输出用于检测小型目标，26
×
26为中型目标，52
×
52用于检测大型目标；基于多尺度卷积神经网络的废旧手机表面缺陷识别模型各层表示如下：
[0021]多尺度卷积神经网络输入层：输入层的计算公式如下：
[0022]G(t)＝U(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0023]其中，G(t)表示在t次迭代时输入层的输出；
[0024]多尺度卷积神经网络激活层：该层的输入为输入层的输出G(t)，该层输出表示为：
[0025]Q(t)＝f(ω(t)G(t)+β)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0026]其中，Q(t)表示在t次迭代时由G(t)通过非线性变换得到的特征矩阵；f(
·
)是激活函数；ω(t)表示在t次迭代时多尺度卷积神经网络结构的权值；β是多尺度卷积神经网络的输出偏置参数，β为介于0到1之前的常数；
[0027]多尺度卷积神经网络池化层：该层的输入为激活层的输出Q(t)，该层输出表示为：
[0028][0029]其中，H(t)表示在t次迭代时Q(t)经过池化后的输出向量；Z1表示水平池化步长；Z2表示垂直池化步长；a表示平均池化后卷积特征图的水平方向的维度；b表示平均池化后卷积特征图的垂直方向的维度；m表示特征矩阵中的行数；n表示特征矩阵中的列数；
[0030]多尺度卷积神经网络正则化层：该层的输入为池化层的输出H(t)，该层输出表示为：
[0031][0032]其中，Re
v
(t)表示在t次迭代时矩阵H(t)中特征元素正则化后的输出向量；v表示模型输出的尺度，v＝1,2,3；||||2表示二范数归一化操作；sign表示符号函数；当H(t)为正定矩阵，sign(H(t))＝1；当H(t)为非正定矩阵时，sign(H(t))＝本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度卷积神经网络的手机表面缺陷精准识别方法其特征在于，包括以下步骤：(1)运行数据采集采集系统是由工业相机和同步编码器共同搭建的，拍摄由流水线传送而来的手机屏幕，并将拍摄的图片通过千兆网卡传到与相机相连的计算机上，软件平台完成图像数据的接收；以软件平台接收的图像数据为研究对象，选用RGB颜色空间作为手机表面缺陷识别模型的输入变量，A
R
(t)表示在t迭代时的红色通道像素矩阵，A
G
(t)表示在t迭代时的绿色通道像素矩阵，A
B
(t)表示在t迭代时的蓝色通道像素矩阵；(2)运行基于边缘检测算法的废旧手机图像预处理方法从废旧手机图像中获取A
R
(t)，A
G
(t)，A
B
(t)三个输入变量，并对三个输入变量进行灰度化处理，设定灰度化调和参数分别为0.30，0.59和0.11，具体计算公式如下：D(t)＝0.30A
R
(t)+0.59A
G
(t)+0.11A
B
(t)
ꢀꢀꢀꢀꢀ
(1)其中，D(t)表示在t迭代时待识别手机表面图像A灰度化后的像素矩阵；t表示迭代次数；为提取更加精确的边缘信息，利用索贝尔算子对灰度图像进行处理，具体计算公式如下：U(t)＝E*D(t)
ꢀꢀꢀꢀꢀ
(2)其中，U(t)表示在t次迭代时该点边缘检测的灰度值；其中，E表示索贝尔算子卷积因子，由一组3
×
3的矩阵组成；(3)设计基于多尺度卷积神经网络的废旧手机表面缺陷识别模型利用多尺度卷积神经网络搭建废旧手机表面缺陷识别模型，多尺度卷积神经网络包括输入层、特征提取层和输出层，特征提取层包含激活层、池化层和正则化层，该网络输入层的维度为416
×
416，特征提取层的维度为104
×
104，输出层的维度分别为52
×
52，26
×
26，13
×
13，13
×
13这个尺度输出用于检测小型目标，26
×
26为中型目标，52
×
52用于检测大型目标；基于多尺度卷积神经网络的废旧手机表面缺陷识别模型各层表示如下：多尺度卷积神经网络输入层：输入层的计算公式如下：G(t)＝U(t)
ꢀꢀꢀ
(4)其中，G(t)表示在t次迭代时输入层的输出；多尺度卷积神经网络激活层：该层的输入为输入层的输出G(t)，该层输出表示为：Q(t)＝f(ω(t)G(t)+β)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中，Q(t)表示在t次迭代时由G(t)通过非线性变换得到的特征矩阵；f(
·
)是激活函数；ω(t)表示在t次迭代时多尺度卷积神经网络结构的权值；β是多尺度卷积神经网络的输出偏置参数，β为介于0到1之前的常数；多尺度卷积神经网络池化层：该层的输入为激活层的输出Q(t)，该层输出表示为：
其中，H(t)表示在t次迭代时Q(t)经过池化后的输出向量；Z1表示水平池化步长；Z2表示垂直池化步长；a表示平均池化后卷积特征图的水平方向的维度；b表示平均池化后卷积特征图的垂直方向的维度；m表示特征矩阵中的行数；n表示特征矩阵中的列数；多尺度卷积神经网络正则化层：该层的输入为池化层的输出H(t)，该层输出表示为：其中，Re
v
(t)表示在t次迭代时矩阵H(t)中特征元素正则化后的输出向量；v表示模型输出的尺度，v＝1,2,3；||||2表示二范数归一化操作；sign表示符号函数，当H(t)为正定矩阵，sign(H(t))＝1；当H(t)为非正定矩阵时，sign(H(t))＝0；当H(t)为半正定矩阵时，sign(H(t))＝
‑
1；多尺度卷积神经网络输出层：该层的输入为正则化层的输出Re
v
(t)，该层输出表示为：O(t...

【专利技术属性】
技术研发人员：韩红桂，甄晓玲，杜永萍，李方昱，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：