一种视觉识别检测系统

IPRDB

API 数据接口

专利申请

使用指引 chat嘟嘟

会员体验

联系我们

交流群

现在联系顾问~

一种视觉识别检测系统
申请号	CN202310506846.1	申请日	2023-05-08	公开(公告)号	CN116524269A	公开(公告)日	2023-08-01
申请人	道县三湘源电子科技有限公司;			发明人	陈莎;
摘要	本发明涉及一种视觉识别检测系统，该系统包括采集待检测物体图像、预处理、目标检测和识别以及分类和输出检测结果。其中，步骤S3和S4可以按顺序交替执行，以提高效率和准确率。在步骤S2中，采用基于Wavelet变换的去噪算法进行去噪处理，以提高图像质量和清晰度。该算法采用多次小波变换，可以提取出图像的细节特征，并进一步提高去噪效果，同时参数性质可调，方便算法的调优和优化。本发明能够有效地减少噪声干扰，提高检测和识别的准确性，适用于工业场景中的物体检测和识别。
权利要求	1.一种视觉识别检测系统，其特征在于，包括以下步骤：S1、使用工业相机采集待检测物体的图像； S2、对图像进行预处理，包括图像去噪、图像增强和边缘检测； S3、进行目标检测和目标识别，包括使用卷积神经网络模型对待检测物体进行特征提取和匹配； S4、对待检测物体进行分类，包括使用机器学习算法对目标检测和识别结果进行分类； S5、输出检测结果，包括待检测物体的分类、位置、大小、方向和置信度；其中，步骤S3和步骤S4可以按照顺序交替执行，以提高检测和识别的效率和准确率。 2.根据权利要求1所述的一种视觉识别检测系统，其特征在于，步骤S2中，图像去噪包括使用基于Wavelet变换的去噪算法对图像进行去噪处理，其中，去噪算法采用基于小波分析的去噪方法，将图像分解为水平细节、垂直细节以及对角细节，保留提取后的近似图像；将近似图像进行多次小波变换，提取更多细节后与已经提取的水平细节、垂直细节以及对角细节重组，得到去噪后的图像。 3.根据权利要求1所述的一种视觉识别检测系统，其特征在于，步骤S2中，图像增强包括对去噪的图像进行直方图均衡化处理，其中，直方图均衡化处理采用基于灰度级的直方图均衡化方法，对图像中每个像素的灰度级进行重新分布，使得图像的灰度级分布更加均匀。 4.根据权利要求1所述的一种视觉识别检测系统，其特征在于，步骤2中对经过图像增强处理的图像进行边缘检测，其中，边缘检测采用基于Canny算法的边缘检测方法，包括以下步骤：(1)对图像进行高斯滤波以平滑图像； (2)计算图像的梯度幅值和方向； (3)应用非极大值抑制以消除非最大梯度值的边缘； (4)使用双阈值算法对像素进行分类，以识别强边缘和弱边缘，并通过连接强边缘来检测所有的边缘。 5.根据权利要求1所述的一种视觉识别检测系统，其特征在于，目标检测和目标识别具体包括以下步骤：(1)利用预训练的深度神经网络模型对图像进行特征提取，得到高维特征向量； (2)采用区域提议网络生成目标候选区域； (3)将候选区域输入到分类器中，对候选区域进行目标分类和边框回归，得到目标的位置和类别信息； (4)通过非极大值抑制算法去除冗余的目标检测结果，得到最终的目标检测和识别结果。 6.根据权利要求1所述的一种视觉识别检测系统，其特征在于，步骤S4中，机器学习算法可以是支持向量机、朴素贝叶斯分类器、随机森林算法；对于新的待分类目标，将其提取的特征输入到已经训练好的分类器中，得到目标的分类结果，并根据分类结果确定目标所属的类别。 7.根据权利要求6所述的一种视觉识别检测系统，其特征在于，机器学习算法可以根据实际应用需求进行选择和调整，以提高系统的检测和识别准确率和效率。 8.一种如权利要求1‑7任一项所述的视觉识别检测系统在工业自动化、智能安防和智能交通领域的应用。
说明书全文	一种视觉识别检测系统技术领域 [0001] 本发明属于技术领域，具体是一种视觉识别检测系统。背景技术 [0002] 近年来，随着深度学习和卷积神经网络的兴起，基于深度学习的目标检测和识别方法逐渐成为主流。这种方法可以通过训练大量的数据集和网络模型，自动地提取待检测物体的特征，并使用目标检测算法对物体进行定位和识别。同时，机器学习算法也广泛应用于视觉识别检测领域，可以对检测结果进行分类和评估，从而提高识别和检测的准确率和鲁棒性。 [0003] 尽管现有的视觉识别检测技术已经可以取得不错的结果，但是在实际应用中仍然存在许多挑战和问题。例如，不同种类的物体具有不同的形态和特征，如何实现对不同种类物体的准确检测和识别是一个难题。此外，现实场景中的光照、噪声、遮挡等因素也会影响视觉识别检测的效果。 [0004] 因此，本发明提供了一种视觉识别检测系统，以解决上述背景技术中提出的问题。发明内容 [0005] 本发明的目的在于提供一种视觉识别检测系统，以解决上述背景技术中提出的问题和缺陷的至少一个方面。 [0006] 根据本发明的一个方面，提供一种视觉识别检测系统，包括以下步骤： [0007] S1、使用工业相机采集待检测物体的图像； [0008] S2、对图像进行预处理，包括图像去噪、图像增强和边缘检测； [0009] S3、进行目标检测和目标识别，包括使用卷积神经网络模型对待检测物体进行特征提取和匹配； [0010] S4、对待检测物体进行分类，包括使用机器学习算法对目标检测和识别结果进行分类； [0011] S5、输出检测结果，包括待检测物体的分类、位置、大小、方向和置信度； [0012] 其中，步骤S3和步骤S4可以按照顺序交替执行，以提高检测和识别的效率和准确率。 [0013] 本发明利用工业相机采集图像，并对图像进行预处理和目标检测和识别，最终输出待检测物体的分类、位置、大小、方向和置信度等信息；并且骤S3和步骤S4可以按照顺序交替执行，提高了检测和识别的效率和准确率。此外，图像去噪、图像增强和直方图均衡化等预处理步骤可以进一步提高图像的质量和清晰度，有助于提高检测和识别的准确性。 [0014] 根据本发明的另一个实例性的实施例，步骤S2中，图像去噪包括使用基于Wavelet变换的去噪算法对图像进行去噪处理， [0015] 其中，去噪算法采用基于小波分析的去噪方法，将图像分解为水平细节、垂直细节以及对角细节，保留提取后的近似图像；将近似图像进行多次小波变换，提取更多细节后与已经提取的水平细节、垂直细节以及对角细节重组，得到去噪后的图像。 [0016] 通过去噪算法可以有效地减少图像中的噪声干扰，提高图像的质量和清晰度；基于小波分析的方法可以提取出图像的细节特征，对于一些需要保留细节信息的应用场景非常适用；此外，该算法采用多次小波变换，可以在保留图像细节的同时进一步提高去噪效果，同时算法的可调参数性质也方便了算法的调优和优化。 [0017] 根据本发明的另一个实例性的实施例，步骤S2中，图像增强包括对去噪的图像进行直方图均衡化处理， [0018] 其中，直方图均衡化处理采用基于灰度级的直方图均衡化方法，对图像中每个像素的灰度级进行重新分布，使得图像的灰度级分布更加均匀，提高图像的对比度和清洗度。 [0019] 直方图均衡化可以提高图像的对比度和清晰度，使得图像更加鲜明、清晰。在进行目标检测和识别时，高对比度和清晰的图像可以提供更多的细节信息，有利于对进行更准确的目标检测和目标识别。 [0020] 根据本发明的另一个实例性的实施例，步骤S2中对经过图像增强处理的图像进行边缘检测， [0021] 其中，边缘检测采用基于Canny算法的边缘检测方法，包括以下步骤： [0022] (1)对图像进行高斯滤波以平滑图像； [0023] (2)计算图像的梯度幅值和方向； [0024] (3)应用非极大值抑制以消除非最大梯度值的边缘； [0025] (4)使用双阈值算法对像素进行分类，以识别强边缘和弱边缘，并通过连接强边缘来检测所有的边缘。 [0026] 通过对图像进行高斯滤波和计算梯度幅值和方向，可以有效减少噪声对边缘检测的干扰，并且可以检测到更多的边缘信息；应用非极大值抑制，可以去除非最大梯度值的边缘，从而可以得到更加清晰、连续和真实的边缘信息；通过使用双阈值算法对像素进行分类，可以区分强边缘和弱边缘，并通过连接强边缘来检测所有的边缘，从而提高了边缘检测的准确性和稳定性。 [0027] 根据本发明的另一个实例性的实施例，目标检测和目标识别具体包括以下步骤： [0028] (1)利用预训练的深度神经网络模型对图像进行特征提取，得到高维特征向量； [0029] (2)采用区域提议网络生成目标候选区域； [0030] (3)将候选区域输入到分类器中，对候选区域进行目标分类和边框回归，得到目标的位置和类别信息； [0031] (4)通过非极大值抑制算法去除冗余的目标检测结果，得到最终的目标检测和识别结果。 [0032] 可以利用预训练的深度神经网络模型对图像进行高效的特征提取，提高目标检测和识别的准确性和效率。采用区域提议网络和分类器相结合的方法，可以有效地生成目标候选区域并进行目标分类和边框回归，提高了目标检测的精度和召回率。通过非极大值抑制算法去除冗余的目标检测结果，可以得到最终的目标检测和识别结果，避免重复计算和误判，提高了检测结果的可靠性。 [0033] 根据本发明的另一个实例性的实施例，步骤S4中，机器学习算法可以是支持向量机、朴素贝叶斯分类器、随机森林算法；对于新的待分类目标，将其提取的特征输入到已经训练好的分类器中，得到目标的分类结果，并根据分类结果确定目标所属的类别。 [0034] 通过提取目标的特征并利用分类器进行分类，可以快速准确地识别出目标所属的类别，从而实现对目标的自动化识别和分类。此外，由于机器学习算法具有良好的可扩展性和泛化能力，因此可以针对不同的目标识别任务进行优化和调整，以提高识别的准确性和效率。 [0035] 根据本发明的另一个实例性的实施例，机器学习算法可以根据实际应用需求进行选择和调整，以提高系统的检测和识别准确率和效率。 [0036] 本发明提供的一种视觉识别检测系统可以应用于工业自动化、智能安防、智能交通等领域，实现对待检测物体的自动化检测和识别。附图说明 [0037] 为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。 [0038] 图1为本发明实施例的流程框图； [0039] 图2为本发明实施例中边缘检测的流程框图； [0040] 图3为本发明实施例中目标检测和目标识别的流程框图。具体实施方式 [0041] 为使本发明的目的、技术方案和优点更加清楚明白，下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。在说明书中，相同或相似的附图标号指示相同或相似的部件。下述参照附图对本发明实施方式的说明旨在对本发明的总体发明构思进行解释，而不应当理解为对本发明的一种视觉识别检测系统限制。 [0042] 另外，在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本披露实施例的全面理解。然而明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。在其他情况下，公知的结构和装置以图示的方式体现以简化附图。 [0043] 根据本发明的一个总体技术构思，如图1‑3所示，提供一种视觉识别检测系统，包括以下步骤： [0044] S1、使用工业相机采集待检测物体的图像； [0045] S2、对图像进行预处理，包括图像去噪、图像增强和边缘检测； [0046] S3、进行目标检测和目标识别，包括使用卷积神经网络模型对待检测物体进行特征提取和匹配； [0047] S4、对待检测物体进行分类，包括使用机器学习算法对目标检测和识别结果进行分类； [0048] S5、输出检测结果，包括待检测物体的分类、位置、大小、方向和置信度； [0049] 其中，步骤S3和步骤S4可以按照顺序交替执行，以提高检测和识别的效率和准确率。 [0050] 本发明利用工业相机采集图像，并对图像进行预处理和目标检测和识别，最终输出待检测物体的分类、位置、大小、方向和置信度等信息；并且骤S3和步骤S4可以按照顺序交替执行，提高了检测和识别的效率和准确率。此外，图像去噪、图像增强和直方图均衡化等预处理步骤可以进一步提高图像的质量和清晰度，有助于提高检测和识别的准确性。 [0051] 进一步地，步骤S2中，图像去噪包括使用基于Wavelet变换的去噪算法对图像进行去噪处理， [0052] 其中，去噪算法采用基于小波分析的去噪方法，将图像分解为水平细节、垂直细节以及对角细节，保留提取后的近似图像；将近似图像进行多次小波变换，提取更多细节后与已经提取的水平细节、垂直细节以及对角细节重组，得到去噪后的图像。 [0053] 通过去噪算法可以有效地减少图像中的噪声干扰，提高图像的质量和清晰度；基于小波分析的方法可以提取出图像的细节特征，对于一些需要保留细节信息的应用场景非常适用；此外，该算法采用多次小波变换，可以在保留图像细节的同时进一步提高去噪效果，同时算法的可调参数性质也方便了算法的调优和优化。 [0054] 本实施例中，步骤S2中图像增强包括对去噪的图像进行直方图均衡化处理，[0055] 其中，直方图均衡化处理采用基于灰度级的直方图均衡化方法，对图像中每个像素的灰度级进行重新分布，使得图像的灰度级分布更加均匀，提高图像的对比度和清洗度。 [0056] 直方图均衡化可以提高图像的对比度和清晰度，使得图像更加鲜明、清晰。在进行目标检测和识别时，高对比度和清晰的图像可以提供更多的细节信息，有利于对进行更准确的目标检测和目标识别。 [0057] 优选地，步骤S2中对经过图像增强处理的图像进行边缘检测，其中，边缘检测采用基于Canny算法的边缘检测方法，包括以下步骤： [0058] (1)对图像进行高斯滤波以平滑图像； [0059] (2)计算图像的梯度幅值和方向； [0060] (3)应用非极大值抑制以消除非最大梯度值的边缘； [0061] (4)使用双阈值算法对像素进行分类，以识别强边缘和弱边缘，并通过连接强边缘来检测所有的边缘。 [0062] 通过对图像进行高斯滤波和计算梯度幅值和方向，可以有效减少噪声对边缘检测的干扰，并且可以检测到更多的边缘信息；应用非极大值抑制，可以去除非最大梯度值的边缘，从而可以得到更加清晰、连续和真实的边缘信息；通过使用双阈值算法对像素进行分类，可以区分强边缘和弱边缘，并通过连接强边缘来检测所有的边缘，从而提高了边缘检测的准确性和稳定性。 [0063] 在一个实施例中，目标检测和目标识别具体包括以下步骤： [0064] (1)利用预训练的深度神经网络模型对图像进行特征提取，得到高维特征向量； [0065] (2)采用区域提议网络生成目标候选区域； [0066] (3)将候选区域输入到分类器中，对候选区域进行目标分类和边框回归，得到目标的位置和类别信息； [0067] (4)通过非极大值抑制算法去除冗余的目标检测结果，得到最终的目标检测和识别结果。 [0068] 可以利用预训练的深度神经网络模型对图像进行高效的特征提取，提高目标检测和识别的准确性和效率。采用区域提议网络和分类器相结合的方法，可以有效地生成目标候选区域并进行目标分类和边框回归，提高了目标检测的精度和召回率。通过非极大值抑制算法去除冗余的目标检测结果，可以得到最终的目标检测和识别结果，避免重复计算和误判，提高了检测结果的可靠性。 [0069] 根据本发明的另一个实例性的实施例，步骤S4中，机器学习算法可以是支持向量机、朴素贝叶斯分类器、随机森林算法；对于新的待分类目标，将其提取的特征输入到已经训练好的分类器中，得到目标的分类结果，并根据分类结果确定目标所属的类别。 [0070] 通过提取目标的特征并利用分类器进行分类，可以快速准确地识别出目标所属的类别，从而实现对目标的自动化识别和分类。此外，由于机器学习算法具有良好的可扩展性和泛化能力，因此可以针对不同的目标识别任务进行优化和调整，以提高识别的准确性和效率。 [0071] 本实施例中，机器学习算法可以根据实际应用需求进行选择和调整，以提高系统的检测和识别准确率和效率。 [0072] 本发明提供的一种视觉识别检测系统可以应用于工业自动化、智能安防、智能交通等领域，实现对待检测物体的自动化检测和识别。 [0073] 以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。