一种用于网格布的图像识别方法与流程

本技术涉及图像识别，具体涉及一种用于网格布的图像识别方法。

背景技术：

1、玻璃纤维网格布是一种由玻璃纤维编织而成的网格布，通常采用无碱玻璃纤维作为原材料，经过编织、涂覆等工艺制成。玻璃纤维网格布具有耐高温、耐腐蚀、耐磨损、强度高、防火等特点，被广泛应用于各个领域。由于玻璃纤维网格布的生产工艺和质量控制难度较大，使得产品质量参差不齐。

2、通过对玻璃纤维网格布进行图像识别，识别出含有质量缺陷的玻璃纤维网格布，以保证生产出的玻璃纤维网格布的质量符合标准和要求，提高市场竞争力。基于卷积神经网络的图像识别模型，比如fasterrcnn、resnet等，能够自动地捕捉到图像的局部特征用于图像识别任务，具有较高的图像识别精度，但是该方法需要大量的数据集和训练集，对系统的硬件要求较高，并且图像识别速度较慢；基于支持向量机的图像识别方法，在小样本数据集的训练下具有较高的模型泛化能力，并且对系统的硬件要求不高，但是该方法的识别精度取决于图像特征的选择和设计。且由于玻璃纤维网格布具有一定的编织方式，当玻璃纤维网格布上出现起皱、变形等较小的瑕疵缺陷时，传统的图像特征难以得到较好的识别结果。

技术实现思路

1、本技术提供一种用于网格布的图像识别方法，以解决对玻璃纤维网格布图像进行识别时图像特征选择困难的问题，所采用的技术方案具体如下：

2、本技术一个实施例提供一种用于网格布的图像识别方法，该方法包括以下步骤：

3、获取纤维网格布图像；

4、根据预设范围区间获取纤维网格布图像中的目标识别网孔，基于目标识别网孔的质心像素点以及每个同行网孔区域集合内网孔区域之间的水平距离得到同列网孔区域集合；

5、基于同列网孔区域集合中相邻两个目标识别网孔之间的水平重叠情况确定所述相邻两个目标识别网孔间的经纱线行偏移度；

6、基于每个同列网孔区域集合中相邻两个目标识别网孔之间的经纱线行偏移度以及同列网孔区域集合的网孔区域水平中心偏距确定纤维网格布图像的经纱线整体偏斜度；

7、基于所有同行网孔区域集合中相邻两个目标识别网孔中像素点之间水平距离的差异确定纤维网格布图像的局部距离分布均匀度；

8、基于纤维网格布图像的经纱线整体偏斜度、局部距离分布均匀度得到纤维网格布图像的识别结果。

9、优选的，所述根据预设范围区间获取纤维网格布图像中的目标识别网孔的方法为：

10、将纤维网格布图像中所有像素点的灰度值作为输入，利用大津阈值分割算法得到分割阈值，将每个灰度值大于分割阈值的像素点作为一个前景像素点，将利用连通域分析法基于所有前景像素点得到的每个连通域作为一个网孔区域；

11、将每个面积不位于预设范围区间内的网孔区域作为一个目标识别网孔。

12、优选的，所述基于目标识别网孔的质心像素点以及每个同行网孔区域集合内网孔区域之间的水平距离得到同列网孔区域集合的方法为：

13、将纤维网格布图像左下角顶点的像素点作为原点，将所有目标识别网孔的质心点的坐标作为输入，利用聚类算法获取所有质心点的聚类结果；

14、将聚类结果中每个聚类簇内所有质心点对应的目标识别网孔组成的集合作为一个同行网孔区域集合；

15、将两个目标识别网孔的质心点横坐标之间差值的绝对值作为两个目标识别网孔之间的水平距离，将每个同行网孔区域集合内所有目标识别网孔之间的水平距离的均值作为每个同行网孔区域集合的水平阈值；

16、将每个同行网孔区域集合内水平距离小于水平阈值的所有目标识别网孔组成的集合作为一个同列网孔区域集合。

17、优选的，所述基于同列网孔区域集合中相邻两个目标识别网孔之间的水平重叠情况确定所述相邻两个目标识别网孔间的经纱线行偏移度的方法为：

18、将每个同列网孔区域集合中相邻两个目标识别网孔中横坐标差值为0的像素点对的数量作为相邻两个目标识别网孔的水平重叠距离；

19、计算每个同列网孔区域集合中每个目标识别网孔中所有像素点横坐标之间差值绝对值的最大值作为每个目标识别网孔的宽度，将每个同列网孔区域集合中相邻两个目标识别网孔的宽度之和作为分母，将相邻两个目标识别网孔的水平重叠距离与分母的比值作为相邻两个目标识别网孔的水平重叠度；

20、将每个同列网孔区域集合中所有水平重叠度的最大值与每个同列网孔区域集合中相邻两个目标识别网孔的水平重叠度的差值作为相邻两个目标识别网孔之间的经纱线行偏移度。

21、优选的，所述基于每个同列网孔区域集合中相邻两个目标识别网孔之间的经纱线行偏移度以及同列网孔区域集合的网孔区域水平中心偏距确定纤维网格布图像的经纱线整体偏斜度的方法为：

22、基于纤维网格布图像中所有网孔区域的多维识别向量确定每个同列网孔区域集合的网孔区域水平中心偏距；

23、计算每个同列网孔区域集合中所有相邻两个目标识别网孔之间的经纱线行偏移度的方差，将每个同列网孔区域集合中所有相邻两个目标识别网孔之间的经纱线行偏移度的均值与1的和作为分母，将所述方差与分母的比值作为第一乘积因子；

24、将第一乘积因子与每个同列网孔区域集合的网孔区域水平中心偏距的乘积作为每个同列网孔区域集合的两侧经纱偏斜度，将所有同列网孔区域集合的两侧经纱偏斜度的均值作为纤维网格布图像的经纱线整体偏斜度。

25、优选的，所述基于纤维网格布图像中所有网孔区域的多维识别向量确定每个同列网孔区域集合的网孔区域水平中心偏距的方法为：

26、基于每个目标识别网孔在rgb空间中的边界信息以及每个目标识别网孔内像素点的颜色向量角构建每个目标识别网孔的多维识别向量；

27、将每个同列网孔区域集合中任意两个目标识别网孔质心点之间欧式距离的归一化结果作为第一权重，将第一权重与每个同列网孔区域集合中任意两个目标识别网孔的色差集中向量之间dtw距离的乘积作为第一差异值；

28、将1与第一权重的差值作为第二权重，将第二权重与每个同列网孔区域集合中任意两个目标识别网孔的局部边信息向量之间dtw距离的乘积作为第二差异值；

29、将第一差异值与第二差异值的和作为每个同列网孔区域集合中任意两个目标识别网孔之间的区域特征识别差异；

30、将每个同列网孔区域集合中每个目标识别网孔与其余目标识别网孔的多维识别向量之间余弦相似度组成集合的变异系数在每个同列网孔区域集合上的累加结果作为每个同列网孔区域集合的多维识别不稳定系数；

31、将每个同列网孔区域集合中所有目标识别网孔质心点横坐标的均值与每个目标识别网孔质心点横坐标的差值的绝对值作为同列距离，将同列距离与每个目标识别网孔对应的所有区域特征识别差异中最大值的乘积在每个同列网孔区域集合上的累加结果作为每个同列网孔区域集合的网孔区域水平中心偏距。

32、优选的，所述目标识别网孔的多维识别特征向量的获取方法为：

33、对每个目标识别网孔进行dct变换，将每个目标识别网孔进行dct变换所得所有高频系数按照降序顺序组成的向量作为每个目标识别网孔的局部边信息向量；

34、在玻璃纤维网格布的rgb图像确定每个目标识别网孔的对应位置，将水平方向作为参考方向，计算所述对应位置内任意两个像素点之间的颜色向量角，将每种颜色向量角的角度值以及每种颜色向量角出现的频率组成的数组作为一个二元组，将所有二元组按照颜色向量角升序顺序组成的序列作为每个目标识别网孔的色差集中向量；

35、将每个目标识别网孔的色差集中向量、局部边信息向量组成的向量作为每个目标识别网孔的多维识别向量。

36、优选的，所述基于所有同行网孔区域集合中相邻两个目标识别网孔中像素点之间水平距离的差异确定纤维网格布图像的局部距离分布均匀度的方法为：

37、将每个同行网孔区域集合中相邻两个目标识别网孔中像素点之间最大水平距离的比值中的最小值作为所述相邻两个目标识别网孔之间的局部距离均匀度；

38、将每个同行网孔区域集合中所有目标识别网孔之间的局部距离均匀度的和在所有同行网孔区域集合上累加结果的均值作为纤维网格布图像的局部距离分布均匀度。

39、优选的，所述目标识别网孔中像素点之间最大水平距离的获取方法为：

40、将每个目标识别网孔中所有像素点纵坐标之间差值绝对值中的最大值作为每个目标识别网孔中像素点之间最大水平距离。

41、优选的，所述基于纤维网格布图像的经纱线整体偏斜度、局部距离分布均匀度得到纤维网格布图像的识别结果的方法为：

42、将纤维网格布图像的经纱线整体偏斜度与1的和作为分母，将纤维网格布图像的局部距离分布均匀度与分母的比值作为纤维网格布图像的质量识别系数；

43、将纤维网格布图像的质量识别系数、识别标签作为训练完成识别模型的训练，利用识别模型得到纤维网格布图像的识别结果。

44、本技术的有益效果是：本技术通过分析纤维网格布图像中同列网孔区域集合中相邻两个目标识别网孔之间的水平重叠情况确定相邻两个目标识别网孔间的经纱线行偏移度，并结合目标识别网孔的多维特征向量确定纤维网格布图像的经纱线整体偏斜度，经纱线整体偏斜度考虑了起毛、开裂等瑕疵现象对相邻经纱线确定区域内目标识别网孔之间的位置偏移和图像信息的影响程度，能够通过欧式距离的大小自适应调正不同特征向量的权重；其次从水平角度分析同行网孔区域集合中目标识别网孔对应相邻多条经纱线之间距离的均匀程度，从而确定纤维网格布图像的局部距离分布均匀度，能够避免纤维网格布图像中具有的横纵交错结构对细微瑕疵识别的影响，使得后续质量识别系数训练的识别模型在面对纤维网格布图像时的识别效果更好。