申请/专利权人：重庆大学

申请日：2024-01-22

公开（公告）日：2024-04-16

公开（公告）号：CN117894023A

主分类号：G06V30/19

分类号：G06V30/19;G06V30/18;G06V30/168;G06V30/162;G06V10/764;G06V10/82;G06V10/34;G06V10/44;G06V10/28;G06V10/74;G06V10/80;G06N3/042;G06N3/0464;G06N3/048;G06N3/082;G06T7/00

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.03#实质审查的生效;2024.04.16#公开

摘要：本发明公开了一种基于图像骨架超像素GCN分类的喷码缺陷检测方法，包括如下步骤：步骤一：采集图像数据，得到原始图像；步骤二：提取图像特征；步骤三：提取骨架特征：31构建超像素骨架图：311提取骨架并划分超像素；322构建超像素骨架图；32提取骨架特征；步骤四：特征融合：融合图像特征和骨架特征，得到特征向量V；步骤五：缺陷检测：通过特征向量V得到识别喷码的检测字符串；51内容检测：判断检测字符串与设置的真实字符串的内容是否一致：若是，则内容检测合格，执行步骤52；若否，则内容检测不合格；52准确度检测：判断每个字符的置信度是否大于等于设定阈值：若是，则准确度检测合格；若否，则准确度检测不合格。

主权项：1.一种基于图像骨架超像素GCN分类的喷码缺陷检测方法，其特征在于：包括如下步骤：步骤一：采集图像数据采集喷码产品的图像数据，得到原始图像；分别执行步骤二和步骤三；步骤二：提取图像特征从原始图像数据中提取喷码的图像特征；步骤三：提取骨架特征31构建超像素骨架图311提取骨架并划分超像素对原始图像进行预处理，得到去除噪声干扰的二值化图像，从二值化图像进行骨架提取；采用线性迭代聚类算法对原始图像进行超像素划分，根据超像素与骨架的距离对每个超像素分配标签，得到距离骨架最近的K个超像素区域；322构建超像素骨架图将每个超像素区域作为节点的特征向量，以超像素区域值作为每个节点的特征值，基于相似度与位置坐标关系，在节点之间构造边以聚合图像特征和空间位置关系，构建得到超像素骨架图G，表示为：G＝V,E,W其中，V、E和W分别表示节点、边和权重；32提取骨架特征构建图神经网络，所述图神经网络包括图卷积特征融合模块、池化层、全连接层和输出层；所述图卷积特征融合模块包括两个GBL模块，两个GBL模块之间设有Dropout层；所述GBL模块包括GCN卷积层、BatchNorn和激活函数层；将超像素骨架图G输入图神经网络进行图卷积特征提取，输出骨架特征；步骤四：特征融合融合所述步骤二中提取得到的图像特征和步骤三中提取的骨架特征，得到融合了两种特征数据信息的特征向量V；步骤五：缺陷检测通过特征向量V得到识别喷码的检测字符串，检测字符串内包括每个字符的类别、位置和置信度；51内容检测判断检测字符串与设置的真实字符串的内容是否一致：若是，则内容检测合格，执行步骤52；若否，则内容检测不合格；52准确度检测判断每个字符的置信度是否大于等于设定阈值：若是，则准确度检测合格；若否，则准确度检测不合格。

全文数据：

权利要求：

百度查询： 重庆大学 基于图像骨架超像素GCN分类的喷码缺陷检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD