[发明专利]基于度量学习的圆形砚台质量检测方法

说明书

本发明公开了一种基于度量学习的圆形砚台质量检测方法。包括：对相机获取的圆形砚台图像进行预处理；对预处理结果进行连通域检测，确定过滤规则，对砚台连通域过滤；对过滤后的砚台连通域作最小外接矩形，抠取单个砚台轮廓图像；生成标准圆遮罩，将标准圆遮罩嵌入单个砚台轮廓图像，得到内嵌标准圆的砚台轮廓图像；对内嵌标准圆的砚台轮廓图像进行极坐标转换，得到极坐标下的待评估砚台图像；对待评估砚台图像中外侧轮廓进行波动分析，根据波动程度评估砚台质量是否合格；训练深度卷积神经网络，实现砚台质量自动检测。利用本发明，可以实现智能化的圆形砚台质量检测，降低人工成本，提高质量检测效率和精度。

技术领域

本发明涉及深度学习、图像识别技术领域，具体涉及一种基于度量学习的圆形砚台质量检测方法。

背景技术

传统的圆形砚台质检一般为千分表检测，称重检测，甚至有些依旧是人力单个检测，无论是砚台流程间的检测还是最后的质检主要还是人工检测，这些方式不仅对人力资源是种极大的浪费，而且面对大量繁重的工作量，极易导致人眼疲劳，检测注意力不集中，以及造成漏检误检现象，质检质量亦无法保证，会直接导致生产效率低下，企业的效益在于销量和产量，质检效率太低直接约束了产量提升。

而基于机器视觉的系统通常含有多种手工设计参数，且需要专用光源等复杂设备，对于快速、小批量的砚台产业而言不适用，且调试成本高、维护成本高，变相地提高了生产成本，实用性较差。现有圆形砚台质量检测评估技术存在人工成本高、检测效率低、检测精度低的问题，同时，由于机器视觉系统需要光源、光照环境鲁棒性差的特性导致引入自动化检测设备进一步提高生产成本。

在人工智能发展越来越快的今天，基于度量学习的深度神经网络已经解决了多种度量问题，常见的有人脸识别，行人重识别等，其主要原理是训练时提供样本之间的距离，而网络自身在训练中实现对应的特征向量提取。

对于砚台这种高质量、小批量但人工效率低的产业而言。实现质量的智能度量，使圆形砚台的质检流程化、智能化，提高检测效率和检测精度，是促进传统工业向智能制造转型面临的亟需解决的问题。

发明内容

本发明提供了一种基于度量学习的圆形砚台质量检测方法，基于样本自动标注生成用于自动训练深度卷积神经网络的数据集，根据数据集训练得到端到端的质量检测网络，实现智能的流程化的圆形砚台质量检测，最终降低人工成本，同时检测效率更高，检测精度更高。

一种基于度量学习的圆形砚台质量检测方法，该方法包括：

步骤一，对相机获取的圆形砚台图像进行预处理，获得去噪砚台图像；

步骤二，对去噪砚台图像进行连通域检测，得到砚台连通域，根据标准规格砚台的尺度参数确定过滤规则，对砚台连通域过滤；

步骤三，对过滤后的砚台连通域作最小外接矩形，根据最小外接矩形抠取图像，得到单个砚台轮廓图像；

步骤四，根据单个砚台轮廓图像以及砚台连通域的最小外接圆，生成标准圆遮罩，将标准圆遮罩嵌入单个砚台轮廓图像，得到内嵌标准圆的砚台轮廓图像；

步骤五，对内嵌标准圆的砚台轮廓图像进行极坐标转换，得到极坐标下的待评估砚台图像；

步骤六，对待评估砚台图像中外侧轮廓进行波动分析，生成外侧轮廓的波动程度衡量指标，根据波动程度衡量指标评估砚台质量是否合格；

步骤七，基于评估结果对圆形砚台图像进行标注，标注后的圆形砚台图像作为样本数据集，训练深度卷积神经网络，实现砚台质量的自动检测。

步骤一具体为：

据圆形砚台图像的RGB数据，对原始图像各通道分量做最强明度提取，得到砚台灰度图像；

对砚台灰度图像进行阈值化处理，得到二值化的砚台灰度图像；