[发明专利]一种基于核密度估计的贴片LED瑕疵标注方法

说明书

本发明涉及一种基于核密度估计的贴片LED瑕疵标注方法，包括：步骤1：获得贴片LED图像；步骤2：建立基于核密度估计的分类器模型；步骤3：使用分类器模型对图像进行分类，判断图像是否为瑕疵类图像，若是，则执行步骤4，否则，将图像直接输出为非瑕疵类图像；步骤4：分别对瑕疵类图像中的瑕疵类像素点和非瑕疵类像素点进行标注；步骤5：对标注后的图像进行去噪处理，获得经过精细化标注的瑕疵类图像。与现有技术相比，本发明具有复杂度低、处理速度快、标注更加精细、实用性强等优点。

技术领域

本发明涉及图像标注技术领域，尤其是涉及一种基于核密度估计的贴片LED瑕疵标注方法。

背景技术

目前，基于深度学习的数据算法已被广泛应用于分类、检测识别等计算机视觉任务中。深度学习算法在训练时往往需要较多的经过精细标注的图像作为训练集，而且工业视觉检测领域，获取大量精细标注图像的成本较高。

现有技术中对图像进行标注的方法都较为复杂，例如中国专利CN102854193A中公开了一种用于图像瑕疵检测的检测方法和检测系统。该专利中的瑕疵标注方法的复杂度较高，处理时间长，处理速度慢。由于粗标注图像比较容易获得，在综合考虑成本投入、标注速度和精度后，工业视觉检测领域中亟需一种能够通过粗标注图像获得精细化标注图像的方法。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种复杂度低、处理速度快、标注更加精细、实用性强的基于核密度估计的贴片LED瑕疵标注方法。

本发明的目的可以通过以下技术方案来实现：

一种基于核密度估计的贴片LED瑕疵标注方法，包括：

步骤1：获得贴片LED图像；

步骤2：建立基于核密度估计的分类器模型；

步骤3：使用分类器模型对图像进行分类，判断图像是否为瑕疵类图像，若是，则执行步骤4，否则，将图像直接输出为非瑕疵类图像；

步骤4：分别对瑕疵类图像中的瑕疵类像素点和非瑕疵类像素点进行标注；

步骤5：对标注后的图像进行去噪处理，获得经过精细化标注的瑕疵类图像。

优选地，所述步骤1中的贴片LED图像包括训练图像、测试图像和经过粗标注的瑕疵类图像；所述的训练图像包括非瑕疵图像；所述的测试图像包括非瑕疵图像和瑕疵类图像。

更加优选地，述的步骤2具体为：

步骤2-1：构建若干个核密度估计分类器；

步骤2-2：分别通过所有图像中处于相同位置的像素点训练核密度估计器，构建分类器模型；

步骤2-3：对分类器模型进行测试。

更加优选地，所述的步骤2-2使用训练图像对核密度估计器进行训练；所述的步骤2-3使用测试图像和经过粗标注的瑕疵类图像对分类器模型进行测试。

更加优选地，所述的分类器模型包括若干个核密度估计分类器，若干个核密度估计分类器通过投票法获得图像分类结果。

更加优选地，所述的核密度估计分类器的核密度估计方法为：

其中，n为样本点个数；K(·)为核函数，该函数为非负函数，积分为1，均值为0；h为平滑参数，称为带宽。

更加优选地，所述的平滑参数h的计算方法为：

其中，σ为样本的标准差；n为样本点个数。

优选地，所述的步骤3具体为：