一种复杂纹理图像色差检测方法技术

本发明专利技术公开了一种复杂纹理图像色差检测方法，包括：以经过预处理的瓦楞纸图像样本数据集作为第一神经网络模型的输入，输出像素

【技术实现步骤摘要】
一种复杂纹理图像色差检测方法


[0001]本专利技术涉及图像色差检测
，尤其涉及一种复杂纹理图像色差检测方法。

技术介绍

[0002]随着电子商务、物流等领域技术的高速发展，对瓦楞纸产品的需求也日益增加。而由于不同电子商务客户对同一批瓦楞纸产品的颜色需求不同，而颜色差异类别变化影响瓦楞纸上的列阵，而瓦楞纸上的列阵会影响产品的整体外观。因此，对瓦楞纸产品进行色差检测是优化产品品质的重要步骤。
[0003]目前较为主流的颜色差异检测算法是将RGB图像转换为多种颜色空间，通过提取不同颜色空间的特征向量，实现对颜色进行分类。然而当图像中的颜色差异较小时，不同颜色的特征向量比较接近，甚至相似，导致检测结果较差，尤其是在检测图像纹理精细复杂的瓦楞纸产品时，无法精准检测瓦楞纸的色差缺陷，导致生产了大量不良品，造成了资源浪费。

技术实现思路

[0004]本专利技术提供了一种复杂纹理图像色差检测方法，解决了现有的复杂纹理图像的色差检测方法检测精度低的技术问题。
[0005]本专利技术提供的一种复杂纹理图像色差检测方法，包括：
[0006]以经过预处理的瓦楞纸图像样本数据集作为第一神经网络模型的输入，输出像素
‑
超像素的关联图；
[0007]计算所述像素
‑
超像素的关联图的超像素中心集合；
[0008]根据所述超像素中心集合构建区域邻接图；
[0009]以所述区域邻接图作为第二神经网络模型的输入，输出所述瓦楞纸图像样本数据集的色彩信息。
[0010]可选地，所述预处理的步骤包括：
[0011]从瓦楞纸生产线上采集预设数量的瓦楞纸图像形成原始图像数据集；
[0012]对所述原始图像数据集进行颜色种类标注；
[0013]对标注后的原始图像数据集进行翻转形成瓦楞纸图像样本数据集，其中，所述翻转包括水平翻转和或垂直翻转。
[0014]可选地，所述计算所述像素
‑
超像素的关联图的超像素中心，包括：
[0015]根据卷积空间传播网络计算所述像素
‑
超像素的关联图的超像素中心集合。
[0016]可选地，所述根据所述超像素中心构建区域邻接图，包括：
[0017]以所述超像素中心集合中的各超像素中心为节点，为相邻的节点添加边，构建区域邻接图。
[0018]可选地，所述以所述超像素中心为节点，为相邻的节点添加边，得到区域邻接图之后包括：
[0019]根据所述区域邻接图中相邻节点之间的距离计算相似度，并将所述相似度赋值于所述相邻节点之间的边；
[0020]合并相似度最小的边所连接的两个节点，得到合并后的区域邻接图；
[0021]将所述合并后的区域邻接图转化为有向的区域邻接图；
[0022]所述以所述区域邻接图作为第二神经网络模型的输入，输出所述图像样本数据集的色彩信息，包括：
[0023]以所述有向的区域邻接图作为第二神经网络模型的输入，输出所述图像样本数据集的色彩信息。
[0024]可选地，所述合并相似度最小的边所连接的两个节点，得到合并后的区域邻接图，包括：
[0025]S1：合并相似度最小的边所连接的两个节点；
[0026]S2：更新节点集合以及节点之间的连接关系，得到第一区域邻接图；
[0027]S3：计算所述第一区域邻接图中连接相邻节点的边的相似度；
[0028]S4：重复迭代S1
‑
S3，直至迭代次数满足预设迭代次数阈值，得到合并后的区域邻接图。
[0029]可选地，所述将以经过预处理的图像样本数据集作为第一神经网络模型的输入，输出像素
‑
超像素的关联图，包括：
[0030]将所述图像样本数据集输入所述第一神经网络模型的编码器中，生成高级特征图像集；
[0031]将所述高级特征图像集输入所述第一神经网络模型的解码器中，生成像素
‑
超像素的关联图。
[0032]可选地，所述第二神经网络模型为图注意力网络分类模型；
[0033]所述图注意力网络分类模型包括第一Dropout正则化层、图注意力网络层、第二Dropout正则化层和激活层。
[0034]可选地，所述第一神经网络模型是由跳跃连接的编码器和解码器构成的超像素分割网络模型。
[0035]可选地，所述卷积空间传播网络为：
[0036][0037][0038]a代表第i行第j列网格经过步幅为S后到达超像素中心的行坐标，b则是第i行第j列网格经过步幅为S后到达超像素中心的纵坐标。d
ij
则是将超像素中心的信息传播到附近的位置。是亲和性网络的输出。
[0039]从以上技术方案可以看出，本专利技术具有以下优点：
[0040]本专利技术公开了一种复杂纹理图像色差检测方法，包括：以经过预处理的瓦楞纸图像样本数据集作为第一神经网络模型的输入，输出像素
‑
超像素的关联图；计算所述像素
‑
超像素的关联图的超像素中心集合；根据所述超像素中心集合构建区域邻接图；以所述区
域邻接图作为第二神经网络模型的输入，输出所述瓦楞纸图像样本数据集的色彩信息。
[0041]在本专利技术中，首先通过带有跳跃连接的标准编码器
‑
解码器的第一神经网络模型在规则网格上对经过预处理的瓦楞纸图像样本数据进行超像素分割预测，输出像素
‑
超像素关联图，然后采用计算像素
‑
超像素关联图任意超像素的中心，并组成超像素中心集合，得到了可完整表征图像中各种颜色区域的边界信息的超像素，以提高对复杂纹理图像的色彩分类精度和准确度，之后，根据超像素中心集合构建区域邻接图。将生成的区域邻接图输入结合了图卷积和自注意力机制的第二神经网络模型中，输出瓦楞纸图像中以各种颜色区域为单位的颜色分类结果，减小了色彩较小时的检测误差，解决了现有的检测算法中由于色彩差异相差较小导致色差检测精度低的问题，大大提高了复杂纹理图像色差检测的精度。
附图说明
[0042]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0043]图1为本专利技术实施例提供的一种复杂纹理图像色差检测方法流程图；
[0044]图2为本专利技术实施例提供的超像素分割网络模型结构图；
[0045]图3为本专利技术实施例提供的区域邻接图结构示意图；
[0046]图4为本专利技术实施例提供的一种复杂纹理图像色差检测方法原理示意图；
[0047]图5为本专利技术另一实施例提供的一种复杂纹理图像色差检测方法流程图。
具体实施方式
[0048]申请人经过研究发现，传统的色差检本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂纹理图像色差检测方法，其特征在于，包括：以经过预处理的瓦楞纸图像样本数据集作为第一神经网络模型的输入，输出像素
‑
超像素的关联图；计算所述像素
‑
超像素的关联图的超像素中心集合；根据所述超像素中心集合构建区域邻接图；以所述区域邻接图作为第二神经网络模型的输入，输出所述瓦楞纸图像样本数据集的色彩信息。2.根据权利要求1所述的方法，其特征在于，所述预处理的步骤包括：从瓦楞纸生产线上采集预设数量的瓦楞纸图像形成原始图像数据集；对所述原始图像数据集进行颜色种类标注；对标注后的原始图像数据集进行翻转形成瓦楞纸图像样本数据集，其中，所述翻转包括水平翻转和或垂直翻转。3.根据权利要求2所述的方法，其特征在于，所述计算所述像素
‑
超像素的关联图的超像素中心，包括：根据卷积空间传播网络计算所述像素
‑
超像素的关联图的超像素中心集合。4.根据权利要求3所述的方法，其特征在于，所述根据所述超像素中心构建区域邻接图，包括：以所述超像素中心集合中的各超像素中心为节点，为相邻的节点添加边，构建区域邻接图。5.根据权利要求4所述的方法，其特征在于，所述以所述超像素中心为节点，为相邻的节点添加边，得到区域邻接图之后包括：根据所述区域邻接图中相邻节点之间的距离计算相似度，并将所述相似度赋值于所述相邻节点之间的边；合并相似度最小的边所连接的两个节点，得到合并后的区域邻接图；将所述合并后的区域邻接图转化为有向的区域邻接图；所述以所述区域邻接图作为第二神经网络模型的输入，输出所述图像样本数据集的色彩信息，包括：以所述有向的区域邻接图作为第二神经网络模型的输入，...

【专利技术属性】
技术研发人员：程良伦，韩咏琪，黄国恒，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：