【技术实现步骤摘要】
基于度量学习的瓦楞纸箱印刷图案匹配检测方法、系统及存储介质
[0001]本专利技术属于机器视觉检测的
,具体涉及一种基于度量学习的瓦楞纸箱印刷图案匹配检测方法、系统及存储介质。
技术介绍
[0002]度量学习是机器学习领域的一种常用方法,度量学习算法可以用来从数据中学习样本间的相似性,能够通过训练和学习改变样本间的距离指标。相比于传统的机器学习检测算法,基于度量学习的方法能够更好适用于不同的识别场景。因此度量学习算法在人脸识别、文本处理、图案匹配等方面得到广泛的应用。
[0003]相比于传统的识别网络,基于度量学习的识别系统有许多优点,例如,可以根据某些不同的场景识别任务自主学习某个度量距离函数、处理各种不同的相似度等,因而在工业视觉领域得到了广泛的应用,具备很高的价值。传统的图案匹配检测系统由于无法自主学习、处理数据能力低的限制,导致系统存在匹配准确率低、检测效率低等问题。因此,开发能够自主学习适应不同识别任务、检测效率高、匹配准确率高的度量学习网络非常有助于图案匹配检测技术的应用和发展。
技术实现思路
[0004]本专利技术的主要目的在于克服现有技术的缺点与不足,提供一种基于度量学习的瓦楞纸箱印刷图案匹配检测方法、系统及存储介质,结合度量学习算法以及网络结构优化,提高了图案匹配准确率和识别效率。
[0005]为了达到上述目的,本专利技术采用以下技术方案:
[0006]第一方面,本专利技术提供了一种基于度量学习的瓦楞纸箱印刷图案匹配检测方法,包括下述步骤:
[0 ...
【技术保护点】
【技术特征摘要】
1.基于度量学习的瓦楞纸箱印刷图案匹配检测方法,其特征在于,包括下述步骤:获取瓦楞纸箱待测图像和目标图像;构建深度神经网络,将待测图像和目标图像分别输入到深度神经网络,输出两个特征序列,所述特征序列表征瓦楞纸箱印刷图案的特征向量;所述深度神经网络包括第一卷积特征提取模块、第二卷积特征提取模块、第三卷积特征提取模块、第四卷积特征提取模块、上采样、下采样、通道注意力机制,第一卷积特征提取模块与第二卷积特征提取模块连接后与下采样相连接,中间经过二维卷积处理后,第三卷积特征提取模块与第四卷积特征提取模块连接前与上采样相连接;每一层卷积特征提取模块采用通道注意力机制相连,最后再通过二维卷积减少特征通道数后输出,组成U
‑
Net模型网络;计算两个特征序列之间的距离;将所述特征序列之间的距离输入到损失函数中,设定训练阈值进行训练,得到图案匹配相似值;训练过程中通过改变样本间的距离,即与目标图案匹配的样本间的距离尽可能近,与目标图案不匹配的样本间的距离尽可能远;根据图案匹配相似值进行图案匹配检测,相似值越大,表明待测物的图案与目标物的图案越匹配。2.根据权利要求1所述基于度量学习的瓦楞纸箱印刷图案匹配检测方法,其特征在于,所述待测图像和目标图像分别输入到深度神经网络,输出两个特征序列,具体为:将图像集B中第i张图像待测图像B
i
与目标图像S分别输入到所述深度神经网络,之后输出为两个大小的n的特征序列(x,y),数学模型表示如下:(x,y)=N(B
i
,S)上式中,N(
·
)是表示神经网络的函数,B
i
是输入的待测图像,S是目标图像,x为待测图像的特征序列,y为目标图像的特征序列;在神经网络中引入了ECA特征通道注意力机制,所述ECA特征通道注意力机制包括全局平均池化、一维卷积、sigmoid激活函数,其实现过程表述为:输入特征图矩阵首先经过全局平均池化后输出为特征向量,经过一维卷积操作后得到每个通道的特征权重,随后将归一化权重与原特征图通道逐一相乘后得到加权特征图。3.根据权利要求2所述基于度量学习的瓦楞纸箱印刷图案匹配检测方法,其特征在于,所述计算两个特征序列之间的距离,具体为:将得的特征序列(x,y)输入到马氏距离公式中,得到待测图像的特征序列x和目标图像的特征序列y之间的距离,距离的计算公式如下:D
xy
=(x
‑
y)H(x
‑
y)
T
上式中D
xy
表示x和y之间的距离,H是一个半正定矩阵。4.根据权利要求1所述基于度量学习的瓦楞纸箱印刷图案匹配检测方法,其特征在于,将所述特征序列之间的距离输入...
【专利技术属性】
技术研发人员:程良伦,吴衡,何慧锋,
申请(专利权)人:广州科盛隆纸箱包装机械有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。