本发明专利技术公开了一种基于卷积滤波器的纤维丝缺陷检测方法，在目标检测网络中加入了基于卷积网络的参数预测器和一个图像滤波模块，先将纤维丝的高分辨率图像进行resize为低分辨率图像，并将该低分辨率图像送入参数预测模块来预测gamma值等超参。滤波后再送入目标检测网络进行目标检测，从而检测出纤维丝的缺陷。使得模型对于自学习调优参数、运行效率、识别精度上有了提高，在不同明暗照度的情况下得到一致的效果；修改已有的目标识别网络，可以让开销时间、处理精度稳定在一个合理的区间内。处理精度稳定在一个合理的区间内。处理精度稳定在一个合理的区间内。
【技术实现步骤摘要】
一种基于卷积滤波器的纤维丝缺陷检测方法
[0001]本专利技术属于图像缺陷检测
，具体涉及一种基于卷积滤波器的纤维丝缺陷检测方法。
技术介绍
[0002]由于在目标检测过程中，输入图像的成像质量会很大程度上影响识别精度，而传统算法采用了线性、非线性变换等方法来调节图像对比度。现有的算法，是根据原尺寸大小对原图进行处理的，如果实际使用的是高分辨率图如4K、8K等大小时，耗费的时间巨大。而识别速度必须与生产线的速度匹配，随之而来的问题就是传统算法优化的成本巨大而且效果也不甚理想。在传统算法中也无法根据实际情况对gamma值、锐化、白平衡等超参数进行调优，无法动态地增加精度，只能人为进行设定；在图像滤波等操作时，滤波时的超参数一般由经验丰富的工程师通过视觉手动调整，这样的调优过程非常笨拙，而且为广泛的场景都要找到合适的对应超参数的时间成本非常昂贵。
技术实现思路
[0003]本专利技术的目的在于提供一种基于卷积滤波器的纤维丝缺陷检测方法，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：一种基于卷积滤波器的纤维丝缺陷检测方法，包括如下步骤：
[0005]1)从摄像头获取头像，并将图像输入神经网络内部；
[0006]2)判断原图大小是否符合神经网络要求，若符合则直接跳至步骤4)；
[0007]3)若不符合，则将原图进行缩放调整，并进行参数预测；
[0008]4)输出参数值图像滤波模块进行滤波处理；
[0009]5)将原图进行滤波操作；
[0010]6)将滤波后的图像放入目标检测网络进行识别；
[0011]7)输出识别结果。
[0012]优选的，所述步骤3)中对原图进行缩放调整采用resize方法。
[0013]优选的，所述步骤3)参数预测包括对gamma值、锐化、白平衡进行参数预测。
[0014]优选的，所述参数如下：
[0015]像素级滤波器的输入像素值为P
i
＝(r
i
,g
i
,b
i
)，映射对应的输出像素值为：P
o
＝(r
o
,g
o
,b
o
)；
[0016]其中(r,g,b)分别表示红、绿、蓝三种颜色通道的值，对应的权重为W
r
,W
g
,W
b
；
[0017]Gamma值为：P
o
＝P
iG
[0018]G表示Gamma；
[0019]对比度增强的线性插值为：P
o
＝α
·
En(P
i
)+(1
‑
α)
·
P
i
。
[0020]线性插值中的En(P
i
)定义如下：
[0021]Lum(P
i
)＝0.27r
i
+0.67g
i
+0.06b
[0022][0023][0024]其中，α用于数据扰动；
[0025]锐化值为：F(x,λ)＝I(x)+λ(I(x)
‑
Gau(I(x)))。
[0026]锐化值中的定义如下：I(x)为输入图像，Gau(I(x))为高斯滤波器，λ为正比例因子，x为图中的像素值。
[0027]本专利技术的技术效果和优点：本专利技术在目标检测网络中集成了图像滤波模块，使得模型对于自学习调优参数、运行效率、识别精度上有了提高，在不同明暗照度的情况下得到一致的效果；修改已有的目标识别网络，可以让开销时间、处理精度稳定在一个合理的区间内。
附图说明
[0028]图1为本专利技术的流程图。
具体实施方式
[0029]下面结合附图对本专利技术的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本专利技术，但并不构成对本专利技术的限定。此外，下面所描述的本专利技术各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
[0030]本专利技术提供了如图所示1的一种基于卷积滤波器的纤维丝缺陷检测方法，包括如下步骤：
[0031]步骤一、从摄像头获取头像，并将图像输入神经网络内部；
[0032]步骤二、判断原图大小是否符合神经网络要求，若符合则直接跳至步骤四；
[0033]步骤三、若不符合，则将原图采用resize方法进行缩放调整，调整为(416，416)，并对gamma值、锐化、白平衡等超参数进行参数预测；
[0034]参数如下：
[0035]像素级滤波器的输入像素值为P
i
＝(r
i
,g
i
,b
i
)，映射对应的输出像素值为：P
o
＝(r
o
,g
o
,b
o
)；
[0036]其中(r,g,b)分别表示红、绿、蓝三种颜色通道的值，对应的权重为W
r
,W
g
,W
b
；
[0037]Gamma值为：P
o
＝P
iG
[0038]G表示Gamma；
[0039]对比度增强的线性插值为：P
o
＝α
·
En(P
i
)+(1
‑
α)
·
P
i
。
[0040]线性插值中的En(P
i
)定义如下：
[0041]Lum(P
i
)＝0.27r
i
+0.67g
i
+0.06b
[0042][0043][0044]其中，α表示插值，用于数据扰动；
[0045]锐化值为：F(x,λ)＝I(x)+λ(I(x)
‑
Gau(I(x)))。
[0046]锐化值中的定义如下：I(x)为输入图像，Gau(I(x))为高斯滤波器，λ为正比例因子，x为图中的像素值；
[0047]步骤四、通过学习以上的参数并进行训练，可以得到当前数据集下的超参数，将训练后的超参直接应用于图像滤波模块，图像滤波模块为卷积滤波器；
[0048]步骤五、将原图进行滤波操作；
[0049]步骤六、将滤波后的图像放入目标检测网络进行识别，识别出纤维丝是否存在缺陷；
[0050]步骤七、输出识别结果。
[0051]本专利技术是在目标检测网络中加入了基于卷积网络的参数预测器和一个图像滤波模块，先将纤维丝的高分辨率图像进行resize为低分辨率图像，并将该低分辨率图像送入参数预测模块来预测gamma值等超参。滤波后再送入目标检测网络进行目标检测，从而检测出纤维丝的缺陷。
[本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于卷积滤波器的纤维丝缺陷检测方法，其特征在于，包括如下步骤：1)从摄像头获取头像，并将图像输入神经网络内部；2)判断原图大小是否符合神经网络要求，若符合则直接跳至步骤4)；3)若不符合，则将原图进行缩放调整，并进行参数预测；4)输出参数值图像滤波模块进行滤波处理；5)将原图进行滤波操作；6)将滤波后的图像放入目标检测网络进行识别；7)输出识别结果。2.根据权利要求1所述的一种基于卷积滤波器的纤维丝缺陷检测方法，其特征在于：所述步骤3)中对原图进行缩放调整采用resize方法。3.根据权利要求1所述的一种基于卷积滤波器的纤维丝缺陷检测方法，其特征在于：所述步骤3)参数预测包括对gamma值、锐化、白平衡进行参数预测。4.根据权利要求3所述的一种基于卷积滤波器的纤维丝缺陷检测方法，其特征在于：所述参数如下：像素级滤波器的输入像素值为P
i
＝(r
i
,g
i
,b
i
)，映射对应的输出像素值为：P
o
＝(r
o
,g
【专利技术属性】
技术研发人员：古玲，
申请(专利权)人：南京矩视科技有限公司，
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。