自动分割表面 花纹图案，利用卷积神经网络模型对表面花纹图案的质量进行检测，达到了很高的检测准 确率。据测试本发明的检测准确率为99. 99%。
【附图说明】
[0041] 图1是本发明的系统流程图。
[0042] 图2是建筑陶瓷产品图像。
[0043] 图3是建筑陶瓷产品图像显著性图。
[0044] 图4是分割建筑陶瓷表面花纹图案。
【具体实施方式】
[0045] 如图1至图4所示，本发明采用的技术方案包括如下步骤：
[0046] (1)提取基于卷积神经网络视觉显著性模型的建筑陶瓷表面花纹图案特征，包括，
[0047] 基于视觉显著性模型的建筑陶瓷表面花纹图案的粗略显著性图，
[0048] 基于卷积神经模型的建筑陶瓷表面花纹图案的精细显著性图，
[0049] 基于Grabcut方法自动分割待检测的建筑陶瓷表面花纹图案，
[0050] 针对分割的建筑陶瓷表面花纹图案，提取颜色和纹理特征；
[0051] ⑵训练卷积神经网络模型；
[0052] 将步骤（1)提取的建筑陶瓷表面花纹图案特征和标准的建筑陶瓷表面花纹图案 标记样本特征，训练卷积神经网络模型，检测建筑陶瓷表面缺陷；
[0053] (3)在线检测建筑陶瓷产品表面花纹图案的质量，包括：
[0054] 采集包含待检测建筑陶瓷的图像；
[0055] 利用步骤（1)所述方法，提取建筑陶瓷表面花纹图案及特征；
[0056] 利用步骤（2)训练的卷积神经网络模型，检测建筑陶瓷表面缺陷。
[0057] 所述的在步骤（1)中的粗略显著性图的过程为：
[0058] 显著性模型采取了一个由粗到细的两级策略，在第一级中，提出融合对比度先验 知识显著性图、中心先验显著性图和边界先验显著性图来得到粗糙显著性图；第二级中，融 合基于边界先验知识的背景能量项、基于粗糙显著性图的数据能量项以及基于光滑先验的 光滑能量项，提出了新的能量方程：
[0060] 其中i表示图像中第i个超像素，N代表图像中超像素个数，S1表示超像素i的显 著性值，T1表示确定的超像素（前景或背景），Zi表示确定的显著性超像素，ctr1表示任何 一个超像素和边界超像素的相关性，SraalXi)表示在粗糙显著性图中超像素i的显著性值；
[0061] 对上述能量方程求导，并令其为0,求得最优解为：
[0062] S*= (C+V+X+T+D-W) 1 (V+Xy+TZ)
[0063] 其中C=diagtl-ctivl_ctr2,K，1-ctrJ表示背景先验知识矩阵，
[0064]V=diag{Sraar (I)，Sraar (2)，K，Sraar (N)}表示粗糙显著性图先验矩阵，X= diag{ApA2,K，AN}是表示A;值的对角矩阵，T=diag{Ti，T2,K，TN}表示确定的前景和 背景像素；W= [WuIInxn表示颜色相关矩阵，D=diag{dn，d22,K，dNN}是一个对角矩阵，（Iii =E 是颜色相关矩阵的列向量之和；y= [S⑴，(2)，K，(N)]T是粗糙显著性 图中超像素的显著性值向量；
[0065] Z= [Z1,Z2,K，ZN]T表示确定的前景像素向量。
[0066] 所述的在步骤（1)中的精细显著性图的过程为：
[0067] 采集标准建筑陶瓷表面花纹图案的标记样本和生产线采集的建筑陶瓷产品图像， 利用步骤（1)获得生产线上采集的建筑陶瓷产品表面花纹图案样本；离线训练卷积神经网 络模型，实现建筑陶瓷表面花纹图案精细显著性图；网络模型都由卷积层、最大池化层和全 连接层组成。
[0068] 所述的在步骤（1)中的Grabcut自动分割待检测的建筑陶瓷表面花纹图案过程 为：
[0069] 采用卷积神经网络视觉注意模型获得显著图（SaliencyMap)，构建图模型时的上 下文；灰度最高的区域对应目标硬约束，灰度最低的区域对应于背景硬约束；通过设定阈 值范围，由总显著图自动确定视频帧中目标和背景的区域分布，形成GraphCuts的硬约束， 其它像素可转换为视频帧对应点归属前景或背景的概率，用来设置图模型的终端与节点间 的边权值（区域惩罚）；然后利用视频帧的边界特性，设置图模型的节点之间的边权值（边 界惩罚），从而构建出一个完整的图模型；将最大概率的标记问题转化为能量函数最小化 问题，用图论的方法来求解，最终实现自动分割的相关算法。
[0070] 所述的在步骤（2)中的训练卷积神经网络模型过程为：
[0071] 这里采用双级卷积神经网络模型，第一级卷积神经网络模型，获取被检测建筑陶 瓷表面花纹图案的精细显著性图，第二级卷积神经网络模型，分类被检测建筑陶瓷表面花 纹图案表面缺陷。模型的训练采用贝叶斯优化，估计隐变量，学习网络的超参数。
[0072] 所述的在步骤（3)中在线检测建筑陶瓷产品表面花纹图案质量过程为：
[0073] (a)对生产线上的建筑陶瓷产品，利用步骤（1)所述方法，自动分割待检测建筑陶 瓷表面花纹图案；
[0074] (b)对分割的建筑陶瓷表面花纹图案，利用步骤（1)所述方法，提取其颜色、纹理 特征和形状特征；
[0075] 基于步骤（2)所得到的卷积神经网络模型，对产品进行分类，多次计算其平均值， 发现待检测表面花纹图案与标准表面花纹图案匹配相似度大于98%，被认为是合格产品。
[0076] 下面结合附图及实施例对本发明作进一步描述：
[0077] 实施例一：参见图1所示，一种建筑陶瓷表面花纹图案质量检测方法，包括如下步 骤：
[0078](一）提取检测样本的显著性特征：
[0079] (1)对待检测建筑陶瓷产品的500幅图像样本，如图2,计算其视觉显著性图，如图 3。显著性模型采取了一个由粗到细的两级策略。在第一级中，提出融合对比度先验知识显 著性图、中心先验显著性图和边界先验显著性图来得到粗糙显著性图。第二级中，融合基于 边界先验知识的背景能量项、基于粗糙显著性图的数据能量项以及基于光滑先验的光滑能 量项，提出了新的能量方程：
[0081] 其中i表示图像中第i个超像素，N代表图像中超像素个数，S1表示超像素i的显 著性值，T1表示确定的超像素（前景或背景），Zi表示确定的显著性超像素，ctr1表示任何 一个超像素和边界超像素的相关性，SraalXi)表示在粗糙显著性图中超像素i的显著性值。 [0082] 对上述能量方程求导，并令其为0,求得最优解为：
[0083] S*= (C+V+X+T+D-W) 1 (V+Xy+TZ)
[0084] 其中C=diagtl-ctivl_ctr2,K，1-ctrJ表示背景先验知识矩阵，
[0085]V=diag{Sraar (I)，Sraar (2)，K，Sraar (N)}表示粗糙显著性图先验矩阵，X= diag{ApA2,K，AN}是表示A;值的对角矩阵，T=diag{Ti，T2,K，TN}表示确定的前景和 背景像素。W= [WuIInxn表示颜色相关矩阵，D=diag{dn，d22,K，dNN}是一个对角矩阵，(Iii =E_jWlj是颜色相关矩阵的列向量之和。
[0086] y= [S^(I)，(2)，K，(N)]T是粗糙显著性图中超像素的显著性值向量，Z =[ZpZ2,K，ZN]T表示确定的前景像素向量。
[0087] (2)Grabcut自动分割待检测的建筑陶瓷表面花纹图案，如图4 :采用卷积