【技术实现步骤摘要】
本专利技术属于图像分析的，更具体地，涉及一种无参考木板图像质量评估方法。
技术介绍
1、随着木材行业的发展和数字图像在木材品质控制中的应用，对木板图像质量的准确评估变得至关重要。木板图像质量评估是确保木材产品质量和生产效率的关键步骤。木板是人类使用的最广泛的资源，也是当今制造业的重要原材料之一。当今生产所追求的高质量、高水平的制造已经对木材这一原材料有了更严格的要求，木材质量高低不一，用处不尽相同。在这一背景下，针对木板图像的质量评估成为了一个受到广泛关注的研究方向。木板图像质量评估的目标是通过对木板表面图像的分析和处理，量化木板的质量特征，如纹理、色彩和表面缺陷等。这对于生产商和制造商来说至关重要，因为准确评估木板的质量有助于提高产品的市场竞争力，降低不合格品率，最终提高生产效率。
2、中国专利技术专利cn115905873a公开了无参考图像质量评价系统的构建方法、评价方法及装置，包括将多种评测点的评价模型集合到一起形成一个无参考图像质量评价系统，将各个评价模型输出的评估质量分数进行处理后输出。本申请的构建方法先构建包含多种评测点的评测点集，使用评分的方法对不同评测点的训练集进行标注，并训练得到针对每种评测点的评价模型，评价更接近人类评价思维。
3、传统的木板质量评估主要依赖于人工视觉检查，这种方式存在主观性强、效率低、一致性差的问题。随着计算机视觉和图像处理技术的不断发展，利用自动化方法对木板图像进行质量评估变得更加可行。然而，木板表面的复杂性和多样性，以及光照和拍摄条件的影响，使得在全局和局部层面同
技术实现思路
1、本专利技术的目的在于使用图像质量评估模型实现对木板生产作业现场木板质量的监督，方便后续一系列以木板图片作为数据来源的工作，例如木板缺陷检测、实例分割、语义分割等。为了实现上述目的，本专利技术采用以下技术方案。
2、在本专利技术中，我们引入cnn和transformer组成的混合框架，用于对图像质量评估任务的全局和局部信息进行建模，考虑到在木板生产的现实场景中，获取高质量的木板参考图像是不现实的，我们提出了一个无参考的图像质量评估框架，cnn擅长提取图像的局部特征，而transformer通过自注意力机制能够有效捕捉全局图像之间的长距离依赖关系，结合两者，更好地融合局部和全局信息，提高对图像内容的理解，以获得更好的iqa性能。
3、一种无参考木板图像质量评估方法，具体包括：
4、s1、获取制作木板的现场原始图像数据，进行主观评分形成数据集，并对数据集划分为训练集和测试集。
5、s2、构建无参考木板图像质量评估模型；
6、所述评估模型包括cnn模块、位置编码模块、transformer编码器和图像质量评估输出模块；
7、所述cnn模块提取原始图像的局部特征图，所述位置编码模块为cnn模块输出的每个局部特征生成位置编码信息，与cnn模块输出的局部特征图相结合，形成带有位置信息的图像特征；
8、所述transformer编码器对带有位置信息的图像特征进行全局关系建模，进而，图像特征将被映射为一个高维的表示；所述图像质量评估输出模块接收transformer编码器的输出，并通过全连接层映射为最终的图像质量评估分数，得到最终分数。
9、s3、将数据集输入无参考木板图像质量评估模型进行训练及优化，具体参数设置为：训练epoch设为200，batch size为32；余弦学习率初始化为0.0001；动量设置为0.9；评估模型使用resnet50在imagenet上训练的权重。
10、进一步地，所述cnn模块提取原始图像的局部特征图具体包括：
11、原始图像经过n个残差块后生成特征图，再经二维卷积层进行特征投影，得到映射处理后的图像补丁的新表示，最后进行扁平化操作得到局部特征图；
12、所述二维卷积层包括投影层，所述投影层的内核数设置为transformer编码器的模型维度数，所述投影层中的步幅设置为1。
13、进一步地，在位置编码模块中，添加3d位置编码嵌入包括：扁平化操作得到局部特征图后，经位置编码后形成一维序列；
14、再将3d位置编码序列补充到一维序列中，使用不同频率的正弦和余弦函数来计算每个维度pos的位置坐标：
15、
16、公式(1)中，#∈{d,h,w}表示三个维度中的任一个，ped、peh和pew分别表示深度、高度和宽度方向的位置嵌入；i表示嵌入向量中维度的索引，d表示嵌入向量的维度，k表示一维序列中元素的索引；
17、对于每个特征级别，将ped、peh和pew连接为3d位置编码，并通过元素求和将其与扁平序列组合以形成带有位置信息的特征，成为transformer编码器的输入序列。
18、进一步地，所述transformer编码器包括超参数：层数、模型维度、头数和前馈网络的维度。
19、进一步地，所述transformer编码器包括两个编码器层，每个编码器层包含两个子层；第一个子层是多尺度可变形自注意力层(msda)，第二个子层是包含位置前馈层(ff)，每个子层后连接着归一化层，在每个子层中使用跳跃连接策略来避免梯度消失。
20、所述transformer编码器产生形状(1+n)×d的输出：
21、
22、公式(2)中，zl-1表示上一层的输出或输入，msda(zl-1)表示多尺度可变形自注意力层机制，用于捕捉序列中不同位置的关联信息，ln表示层归一化，用于对每个样本的每个维度进行标准化，z′l是经过注意力机制和层归一化后的中间结果，zl是整个层的最终输出。
23、所述多尺度可变形自注意力层的处理步骤包括：
24、令zq是用于计算注意力权重的查询向量，为参考点的归一化3d坐标，给定在cnn模块最后阶段提取的局部特征图fl，第i个注意力头的特征表示计算为：
25、
26、公式(3)中，m是采样关键点的数量，λ(zq)ilqk∈[0,1]是注意力权重，δpilqk表示注意力头的位置偏移项，是第n个特征层中第m个采样点的采样偏移量，这项是为了引入关于头和位置之间的关系的额外信息，然后msda层表示为：
27、msda＝φ(concat(head1,head2,...,headh)) (4)；
28、公式(4)中，h是注意力头的数量，φ(·)是msda的线性投影层，它对所有注意力头的特征表示进行加权和聚合。
29、最后，所述图像质量评估输出模块包括mlp头，将第一个输出向量zl本文档来自技高网...
【技术保护点】
1.一种无参考木板图像质量评估方法，其特征在于，包括：
2.根据权利要求1所述的一种无参考木板图像质量评估方法，其特征在于，所述CNN模块提取原始图像的局部特征图具体包括：
3.根据权利要求2所述的一种无参考木板图像质量评估方法，其特征在于，在位置编码模块中，添加3D位置编码嵌入包括：
4.根据权利要求3所述的一种无参考木板图像质量评估方法，其特征在于，所述Transformer编码器包括两个编码器层，每个编码器层包含两个子层；
5.根据权利要求4所述的一种无参考木板图像质量评估方法，其特征在于，所述Transformer编码器包括超参数：层数、模型维度、头数和前馈网络的维度。
6.根据权利要求4所述的一种无参考木板图像质量评估方法，其特征在于，所述多尺度可变形自注意力层的处理步骤包括：
7.根据权利要求6所述的一种无参考木板图像质量评估方法，其特征在于，所述图像质量评估输出模块包括MLP头，所述MLP头包括两个全连接层和一个中间的dropout层；
【技术特征摘要】
1.一种无参考木板图像质量评估方法，其特征在于，包括：
2.根据权利要求1所述的一种无参考木板图像质量评估方法，其特征在于，所述cnn模块提取原始图像的局部特征图具体包括：
3.根据权利要求2所述的一种无参考木板图像质量评估方法，其特征在于，在位置编码模块中，添加3d位置编码嵌入包括：
4.根据权利要求3所述的一种无参考木板图像质量评估方法，其特征在于，所述transformer编码器包括两个编码器层，每个编码器层包含两个子层；...
【专利技术属性】
技术研发人员：孟庆龙，许红剑，白金强，孟祥钰，孔冰洁，
申请(专利权)人：山东省计算中心国家超级计算济南中心，
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。