一种基于数据分析的手机外观检测方法及装置与流程

1.本发明属于手机检测技术领域，尤其涉及一种基于数据分析的手机外观检测方法及装置。


背景技术：

2.随着科学技术的飞速发展，智能手机的使用率和普及率越来越高，智能手机拥有独立的操作系统，可自由安装各种软件和支持端口扩展、任务处理等优势，人们的学习、工作和娱乐越来越依托于智能手机，智能手机几乎成为现代人不可或缺的一部分。然而，旧手机表面缺陷检测，尤其是玻璃屏的缺陷检测作为旧手机回收评估的一项重要指标，现在主流的做法是依靠人工进行检测，包括在手机玻璃频制造生产过程中的缺陷检测也是依靠人工进行检测。由于人工检测的主观性较强且工人工作时间有限，导致现在的人工检测准确性和效率不高，并且工人长时间盯着玻璃屏屏观察检测，对工人眼睛和身体也有很大伤害，因此，如何自动检测旧手机玻璃屏缺陷显得尤为重要。


技术实现要素：

3.有鉴于此，本发明提供了一种基于数据分析的手机外观检测方法及装置，采用字符识别实现手机品牌的识别，采用基于曲率的阶段性模板匹配算法，第一阶段只采用曲率大的外部轮廓进行梯度模板匹配，第二阶段基于权重对内部所有轮廓进行梯度模板匹配，第一阶段和第二阶段相互配合来确定目标图像的类别，当模板匹配过程中需要相关数据时直接从现有的数据池内读取，减少了重复计算，大大提高了匹配效率，也提高了手机外观检测的精确度和检测效率，具体采用以下技术方案来实现。
4.第一方面，本发明提供了一种基于数据分析的手机外观检测方法，包括以下步骤：
5.获取对旧手机背面图像进行预处理和图像矫正操作，将手机背面图像进行灰度化处理，根据灰度后图像的整体灰度将图像分为低灰度图像和高灰度图像，其中，图像矫正操作包括采用仿射变换对待矫正图像进行缩放处理和采用透视变换对变形进行矫正；
6.根据对手机背面图像字符识别出的字符存在超过一半与手机品牌的字符对应时，则确定该手机属于所匹配的手机品牌，计算模板图像和待测图像的所有像素点的相互关系以得到待识别的目标图像，其中，将边界梯度作为特征量进行模板匹配，两幅图像相近的梯度方向个数作为度量因子；
7.将所有待识别的目标图像和模板图像在数据池中读取，对图像进行标注并将标注生成的文件作为玻璃屏缺陷检测的训练文件，文件内包含图像的来源和大小、目标区域的具体位置和图像所属种类以及缺陷种类；
8.采集旧手机正面的图像得到正例图像和负例图像并对图像进行图像扩充得到训练图像，将训练文件和训练图像输入预先训练的卷神经网络中训练以得到玻璃瓶缺陷的手机外观检测结果。
9.作为上述技术方案的进一步改进，将训练文件和训练图像输入预先训练的卷神经
网络中训练以得到玻璃瓶缺陷的手机外观检测结果，包括：
10.神经元存在多个输入x0、x1...xn，存在一个输出，神经元的输出为其中f()为激活函数，w、b为神经网络参数，神经网络是由多个神经元连接起来形成的，神经网络包含一个输入层和一个输出层，在输入层之间会有多层隐藏层，输入层包含多个输入变量，计算输出层y，对神经网络进行前向传播计算：z
l
＝(w
l
)
t
*a
l
b
l
，a
l 1
＝f
l
(z
l
)，其中f
l
()表示第l层的激活函数，z
l
为第l层神经元的输出，a
l
为第l层神经元的激活值，w
l
为第l 1层到第l层的权重矩阵，b
l
为第l 1到第l层的偏置，神经网络最后的输出是输入信息不断经过隐藏层的处理后得到的，输入信息经过一层层的隐藏层进行处理，神经网络的最终输出的表达式为x＝a0→
a1→
...
→al-1
→al
＝y。
11.作为上述技术方案的进一步改进，神经网路中的样本采集的过程包括：
12.训练的样本为旧手机正面图像，生成模型通过添加噪声处理生成新的旧手机图像；
13.判断模型将对真实的旧手机图像和生成模型生成的旧手机图像进行真伪判别，判别的结果将反馈到生成模型和判别模型；
14.生成模型和判别模型根据反馈的情况不断修改内部的参数，以使判别模型无法判别生成模型生成的旧手机图像的真伪，将生成模型生成的图像作为下一步卷积网络训练时的样本。
15.作为上述技术方案的进一步改进，在神经网络正向传播的过程中，同时伴随着反向传播进行反馈，以对权重进行更新，当只有一个样本时，损失函数为其中y
x
表示神经网络的模型预测结果，多个样本时的损失函数为其中表示均方差项，表示正则化项，λ表示权重衰减参数，m表示样本数量，l表示神经网络层数，均方差项用于标识衡量实际值和期望值之间的大小，正则化项用于防止数据训练时出现过拟合，权重衰减参数用于影响损失函数两个组成部分的相对权重。
16.作为上述技术方案的进一步改进，透视变换为非线性变换以一个3
×
3的变换矩阵将待矫正图像投影到一个新的视平面，透视变换的表达式为其中[u,v,w]为原始图像像素坐标，[x,y,z]为矫正后新的图像像素坐标，t1表示图像线性变换矩阵，t2表示图像非线性变换矩阵，t3表示图像平移矩阵，图像为二维图像则第三个坐标轴w＝1，透视变换的过程包括先把手机背面的轮廓找出来，形成一个类似圆角矩形，使用矩形去包围得到的圆角矩形，以得到外围矩
形四条边的直线方程为其中a、b、c、d、m、n、i、j为旧手机外形轮廓确定的系数，任意两条相互垂直的直线两两相交可求出包围圆角矩形的四个角坐标，当透视变换所需要的四对像素点坐标得到之后，根据透视变换表达式获得透视变换举证，以完成待矫正图像的透视变换。
[0017]
作为上述技术方案的进一步改进，计算模板图像和待测图像的所有像素点的相互关系以得到待识别的目标图像，包括：
[0018]
将梯度作为矢量，设轮廓曲线函数为f(x,y)，g
x
和gy分别表示x,y方向的梯度，则梯度矢量表达式为梯度的大小为梯度的方向为旧手机背面图像进行矫正后，旧手机外形轮廓为直线的轮廓有一个方向的梯度为0，当两个方向的梯度g
x
和gy都不为0时，表示轮廓是弯曲的，越弯曲的轮廓在图像熵表现为轮廓更为尖锐，曲率也越大。
[0019]
作为上述技术方案的进一步改进，整个模板匹配过程根据曲率的大小分为两个阶段，第一阶段是对曲率大的外围轮廓图像进行模板匹配，当第一阶段不能确定手机型号时，进行第二阶段的模板匹配，第二阶段是根据权重对内部轮廓的模板匹配，并将第二阶段小曲率轮廓的度量因子添加一个小于1的权值；
[0020]
衡量整个匹配效果时两个度量因子和一个度量权重，分别为模板匹配第一阶段的度量因子λ1、模板频配第二阶段用于衡量大曲率轮廓的度量因子λ2以及作用于模板匹配第二阶段小曲率轮廓的度量权重η，当满足表达式为λ1＞o或其中o、p、q为系数，且有o＞p，λ2＝λ
21
λ
22
η，其中λ
21
表示模板匹配第二阶段用于衡量大曲率轮廓的度量因子，λ
22
表示模板匹配第二阶段用于衡量小曲率轮廓的度量因子；
[0021]
若模板匹配第一阶段的度量因子大于设定的高阈值，则确定目标图像手机型号为模板图像手机型号，无需进行第二阶段的模板匹配；若第一阶段的度量因子小于设定的低阈值，则确定目标图像手机型号不是模板图像手机型号，也无需进行第二阶段的模板匹配；若第一阶段的度量因子位于高低阈值之间，则需要进行第二阶段的模板匹配，若第二阶段的度量因子设定的阈值可判定目标图像手机型号为模板图像手机型号。
[0022]
作为上述技术方案的进一步改进，将所有待识别的目标图像和模板图像在数据池中读取，包括：
[0023]
读取目标图像，计算其梯度值，存放于数据池内，读取模板图像，计算其梯度值，存放于数据池内，用于下一幅目标图像的模板匹配；
[0024]
计算模板图像与目标图像的度量因子λ1和λ2值，以确定目标图像的手机型号为该模板的型号；
[0025]
对该幅模板图像在缩放比例内依次进行缩放，从数据池内读取目标图像梯度值，
依次读取剩余的模板图像，计算其梯度值，存在于数据池内，用于下一幅目标图像的模板匹配，该幅目标图像的模板匹配结束，以确定手机型号。
[0026]
作为上述技术方案的进一步改进，根据灰度后图像的整体灰度将图像分为低灰度图像和高灰度图像，包括：
[0027]
采用手动设置阈值的方式设置一个全局的阈值，对低于全局阈值的图像像素设置为图像灰度最小值，对高于全局阈值的图像像素设为灰度最大值；
[0028]
根据图像灰度值将图像分为前景部分和背景部分，使得前景部分和背景部分之间的灰度差值最大，且保证每个部分之间具有最小的灰度差值；
[0029]
当发生图像像素错误划分时，将会使前景部分和背景部分的灰度方差剑侠、每个部分的灰度方差增大，运用多种滤波器对旧手机背面图像进行去噪处理。
[0030]
第二方面，本发明还提供了一种基于数据分析的手机外观检测装置，包括：
[0031]
获取模块，用于获取对旧手机背面图像进行预处理和图像矫正操作，将手机背面图像进行灰度化处理，根据灰度后图像的整体灰度将图像分为低灰度图像和高灰度图像，其中，图像矫正操作包括采用仿射变换对待矫正图像进行缩放处理和采用透视变换对变形进行矫正；
[0032]
判断模块，用于根据对手机背面图像字符识别出的字符存在超过一半与手机品牌的字符对应时，则确定该手机属于所匹配的手机品牌，计算模板图像和待测图像的所有像素点的相互关系以得到待识别的目标图像，其中，将边界梯度作为特征量进行模板匹配，两幅图像相近的梯度方向个数作为度量因子；
[0033]
识别模块，用于将所有待识别的目标图像和模板图像在数据池中读取，对图像进行标注并将标注生成的文件作为玻璃屏缺陷检测的训练文件，文件内包含图像的来源和大小、目标区域的具体位置和图像所属种类以及缺陷种类；
[0034]
训练模块，用于采集旧手机正面的图像得到正例图像和负例图像并对图像进行图像扩充得到训练图像，将训练文件和训练图像输入预先训练的卷神经网络中训练以得到玻璃瓶缺陷的手机外观检测结果。
[0035]
本发明提供了一种基于数据分析的手机外观检测方法及装置，通过获取对旧手机背面图像进行预处理和图像矫正操作，将手机背面图像进行灰度化处理，根据灰度后图像的整体灰度将图像分为低灰度图像和高灰度图像，根据对手机背面图像字符识别出的字符存在超过一半与手机品牌的字符对应时，则确定该手机属于所匹配的手机品牌，计算模板图像和待测图像的所有像素点的相互关系以得到待识别的目标图像，将所有待识别的目标图像和模板图像在数据池中读取，对图像进行标注并将标注生成的文件作为玻璃屏缺陷检测的训练文件，采集旧手机正面的图像得到正例图像和负例图像并对图像进行图像扩充得到训练图像，将训练文件和训练图像输入预先训练的卷神经网络中训练以得到玻璃瓶缺陷的手机外观检测结果。将外观检测分为图像采集、旧手机品牌和型号确定、玻璃屏缺陷检测和识别以及缺陷边缘提取，并在确定旧手机品牌和型号前，对旧手机背面完成预处理，根据手机背面图像特征基于曲率的阶段性模板匹配算法，来提高多模板匹配时的平均匹配速度。采用基于曲率的阶段性模板匹配算法，第一阶段只采用曲率大的外部轮廓进行梯度模板匹配，第二阶段基于权重对内部所有轮廓进行梯度模板匹配，第一阶段和第二阶段相互配合来确定目标图像的类别，当模板匹配过程中需要相关数据时直接从现有的数据池内读
取，减少了重复计算，大大提高了匹配效率，也提高了手机外观检测的精确度和检测效率。
附图说明
[0036]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0037]
图1为本发明的基于数据分析的手机外观检测方法的流程图；
[0038]
图2为本发明的样本采集的过程图；
[0039]
图3为本发明的模板匹配的流程图；
[0040]
图4为本发明的灰度图像的处理过程图；
[0041]
图5为本发明的基于数据分析的手机外观检测装置的结构框图。
具体实施方式
[0042]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0043]
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。相反，当元件被称作“直接在”另一元件“上”时，不存在中间元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
[0044]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0045]
参阅图1，本发明提供了一种基于数据分析的手机外观检测方法，包括以下步骤：
[0046]
s10：获取对旧手机背面图像进行预处理和图像矫正操作，将手机背面图像进行灰度化处理，根据灰度后图像的整体灰度将图像分为低灰度图像和高灰度图像，其中，图像矫正操作包括采用仿射变换对待矫正图像进行缩放处理和采用透视变换对变形进行矫正；
[0047]
s11：根据对手机背面图像字符识别出的字符存在超过一半与手机品牌的字符对应时，则确定该手机属于所匹配的手机品牌，计算模板图像和待测图像的所有像素点的相互关系以得到待识别的目标图像，其中，将边界梯度作为特征量进行模板匹配，两幅图像相近的梯度方向个数作为度量因子；
[0048]
s12：将所有待识别的目标图像和模板图像在数据池中读取，对图像进行标注并将标注生成的文件作为玻璃屏缺陷检测的训练文件，文件内包含图像的来源和大小、目标区域的具体位置和图像所属种类以及缺陷种类；
[0049]
s13：采集旧手机正面的图像得到正例图像和负例图像并对图像进行图像扩充得
到训练图像，将训练文件和训练图像输入预先训练的卷神经网络中训练以得到玻璃瓶缺陷的手机外观检测结果。
[0050]
本实施例中，将训练文件和训练图像输入预先训练的卷神经网络中训练以得到玻璃瓶缺陷的手机外观检测结果，神经元存在多个输入x0、x1...xn，存在一个输出，神经元的输出为其中f()为激活函数，w、b为神经网络参数，神经网络是由多个神经元连接起来形成的，神经网络包含一个输入层和一个输出层，在输入层之间会有多层隐藏层，输入层包含多个输入变量，计算输出层y，对神经网络进行前向传播计算：z
l
＝(w
l
)
t
*a
l
b
l
，a
l 1
＝f
l
(z
l
)，其中f
l
()表示第l层的激活函数，z
l
为第l层神经元的输出，a
l
为第l层神经元的激活值，w
l
为第l 1层到第l层的权重矩阵，b
l
为第l 1到第l层的偏置，神经网络最后的输出是输入信息不断经过隐藏层的处理后得到的，输入信息经过一层层的隐藏层进行处理，神经网络的最终输出的表达式为x＝a0→
a1→
...
→al-1
→al
＝y。
[0051]
需要说明的是，透视变换为非线性变换以一个3
×
3的变换矩阵将待矫正图像投影到一个新的视平面，透视变换的表达式为其中[u,v,w]为原始图像像素坐标，[x,y,z]为矫正后新的图像像素坐标，t1表示图像线性变换矩阵，t2表示图像非线性变换矩阵，t3表示图像平移矩阵，图像为二维图像则第三个坐标轴w＝1，透视变换的过程包括先把手机背面的轮廓找出来，形成一个类似圆角矩形，使用矩形去包围得到的圆角矩形，以得到外围矩形四条边的直线方程为其中a、b、c、d、m、n、i、j为旧手机外形轮廓确定的系数，任意两条相互垂直的直线两两相交可求出包围圆角矩形的四个角坐标，当透视变换所需要的四对像素点坐标得到之后，根据透视变换表达式获得透视变换举证，以完成待矫正图像的透视变换。
[0052]
应理解，旧手机的品牌字符信息可能会磨损缺失，且同一型号的旧手机有多种不同的背面颜色，缺陷可能分布在手机玻璃屏任意一个位置，缺陷类别多，形态丰富，智能手机的外形尺寸、特征点如按键、听筒位置等、颜色、材质等本征信息各不相同，以实现旧手机外观检测需求。手机外观检测的流程为：搭建图像采集平台，对旧手机的正面和背面进行图像采集，需要对采集到的图像进行相应处理，保证采集的图像满足分辨率和精度的要求；完成旧手机背面图像的预处理工作，用不同的预处理算法依次对旧手机背面图像进行处理，可以使旧手机背面相关品牌特征更加清晰和明显，便于下一步操作；对经过预处理的旧手机背面图像进行字符识别，识别出手机背面的品牌字符信息，根据字符识别的结果确定旧手机的品牌类别；当手机的品牌识别出来后，需要确定旧手机的具体型号，满足实时检测的要求；完成卷积神经网络的训练，模型训练需要大量的正负样本，其中正样本是没有玻璃屏缺陷的旧手机正面图像，负样本是有玻璃屏缺陷的旧手机正面图像，负样本也包含每一种缺陷，且含有每一种缺陷的图像数量大致相等；根据训练好的模型对玻璃屏缺陷进行检测，不仅可以判断玻璃屏有无缺陷和何种缺陷，还可以将缺陷所在的位置用矩形框标出来，实
现缺陷识别、分类和定位，提高了手机外观检测的精确度。
[0053]
参阅图2，神经网路中的样本采集的过程包括：
[0054]
s20：训练的样本为旧手机正面图像，生成模型通过添加噪声处理生成新的旧手机图像；
[0055]
s21：判断模型将对真实的旧手机图像和生成模型生成的旧手机图像进行真伪判别，判别的结果将反馈到生成模型和判别模型；
[0056]
s22：生成模型和判别模型根据反馈的情况不断修改内部的参数，以使判别模型无法判别生成模型生成的旧手机图像的真伪，将生成模型生成的图像作为下一步卷积网络训练时的样本。
[0057]
本实施例中，在神经网络正向传播的过程中，同时伴随着反向传播进行反馈，以对权重进行更新，当只有一个样本时，损失函数为其中y
x
表示神经网络的模型预测结果，多个样本时的损失函数为其中表示均方差项，表示正则化项，λ表示权重衰减参数，m表示样本数量，l表示神经网络层数，均方差项用于标识衡量实际值和期望值之间的大小，正则化项用于防止数据训练时出现过拟合，权重衰减参数用于影响损失函数两个组成部分的相对权重。
[0058]
需要说明的是，计算模板图像和待测图像的所有像素点的相互关系以得到待识别的目标图像，将梯度作为矢量，设轮廓曲线函数为f(x,y)，g
x
和gy分别表示x,y方向的梯度，则梯度矢量表达式为梯度的大小为梯度的方向为旧手机背面图像进行矫正后，旧手机外形轮廓为直线的轮廓有一个方向的梯度为0，当两个方向的梯度g
x
和gy都不为0时，表示轮廓是弯曲的，越弯曲的轮廓在图像熵表现为轮廓更为尖锐，曲率也越大。
[0059]
应理解，整个模板匹配过程根据曲率的大小分为两个阶段，第一阶段是对曲率大的外围轮廓图像进行模板匹配，当第一阶段不能确定手机型号时，进行第二阶段的模板匹配，第二阶段是根据权重对内部轮廓的模板匹配，并将第二阶段小曲率轮廓的度量因子添加一个小于1的权值；衡量整个匹配效果时两个度量因子和一个度量权重，分别为模板匹配第一阶段的度量因子λ1、模板频配第二阶段用于衡量大曲率轮廓的度量因子λ2以及作用于模板匹配第二阶段小曲率轮廓的度量权重η，当满足表达式为λ1＞o或其中o、p、q为系数，且有o＞p，λ2＝λ
21
λ
22
η，其中λ
21
表示模板匹配第二阶段用于衡量大曲率轮廓的度量因子，λ
22
表示模板匹配第二阶段用于衡量小曲率轮廓的度量因子。
[0060]
此外，若模板匹配第一阶段的度量因子大于设定的高阈值，则确定目标图像手机型号为模板图像手机型号，无需进行第二阶段的模板匹配；若第一阶段的度量因子小于设定的低阈值，则确定目标图像手机型号不是模板图像手机型号，也无需进行第二阶段的模
板匹配；若第一阶段的度量因子位于高低阈值之间，则需要进行第二阶段的模板匹配，若第二阶段的度量因子设定的阈值可判定目标图像手机型号为模板图像手机型号。
[0061]
参阅图3，将所有待识别的目标图像和模板图像在数据池中读取，包括：
[0062]
s30：读取目标图像，计算其梯度值，存放于数据池内，读取模板图像，计算其梯度值，存放于数据池内，用于下一幅目标图像的模板匹配；
[0063]
s31：计算模板图像与目标图像的度量因子λ1和λ2值，以确定目标图像的手机型号为该模板的型号；
[0064]
s32：对该幅模板图像在缩放比例内依次进行缩放，从数据池内读取目标图像梯度值，依次读取剩余的模板图像，计算其梯度值，存在于数据池内，用于下一幅目标图像的模板匹配，该幅目标图像的模板匹配结束，以确定手机型号。
[0065]
本实施例中，智能手机有众多不同的品牌和型号，通过手机正满和背面的分析，所有型号手机在手机背面都会有手机的品牌信息，这是在生产制造过程中手机制造商留下的，这一信息对旧手机品牌识别具有重要意义。先采用字符识别技术对旧手机背面的字符进行识别，确定旧手机的品牌，在旧手机品牌确定下来之后，考虑到旧手机背面具有清晰的轮廓和内部信息，采用模板匹配算法实现手机型号的识别，利用模板匹配技术识别旧手机型号可以大大减少匹配次数，采用梯度值的模板匹配来进行手机型号的识别，对于手机等较为规则的物体，拐角处的相对位置关系比直角边的相对位置关系更能表述手机的外形特性。拐角处是轮廓曲率较大的地方，在梯度图上表现为梯度方向是倾斜的，在进行多模板匹配时一幅模板图像需要与多幅目标图像进行识别，匹配过程中存在重复计算图像梯度的问题，将多次利用的数据存放于数据池内，下一次使用时直接从数据池内读取，减少了重复计算，并降低了模板匹配的平均耗时，使检测算法可以更快的确定旧手机型号。
[0066]
参阅图4，根据灰度后图像的整体灰度将图像分为低灰度图像和高灰度图像，包括：
[0067]
s40：采用手动设置阈值的方式设置一个全局的阈值，对低于全局阈值的图像像素设置为图像灰度最小值，对高于全局阈值的图像像素设为灰度最大值；
[0068]
s41：根据图像灰度值将图像分为前景部分和背景部分，使得前景部分和背景部分之间的灰度差值最大，且保证每个部分之间具有最小的灰度差值；
[0069]
s42：当发生图像像素错误划分时，将会使前景部分和背景部分的灰度方差剑侠、每个部分的灰度方差增大，运用多种滤波器对旧手机背面图像进行去噪处理。
[0070]
本实施例中，将手机背面图像进行灰度化处理，根据灰度化后图像的整体灰度将图像分为两大类，一类是低灰度图像，另一类是高灰度图像，需要对图像进行图像增强处理，图像增强可以对品牌信息等感兴趣的局部特征进行增强，对不感兴趣的特征进行抑制，增加感兴趣特征和不感兴趣特征之间的差异，达到改善图像局部信息和改善图像质量的效果。低灰度的旧手机背面图像的字符特征较为明显，选用两种图像匹配算法对比分析图像增强效果，高灰度的旧手机背面图像的字符特征与背景特征较为接近，字符信息不是很明显，同样运用两种图像匹配算法对比分析图像增强效果。
[0071]
需要说明的是，二值化算法只选用了一种全局阈值，当感兴趣区域灰度不明显时很难得到满意结构，对于全局阈值只有一个固定阈值的局限性，采用的阈值不是人为事先设定好的，也不是固定不变的，而是可以根据图像的局部亮度、对比度和纹理信息等进行自
动的旋转和调整，可以解决手机背面图像的品牌文字颜色与整个北京相差不大的问题，可以更为清晰的对手机背面图像的一些细节实现二值化。对于手机等较为规则的物体，拐角处的相对位置关系比直角边的相对位置关系更能表述手机的外形特征，拐角处是轮廓曲率较大的地方，在梯度图上表现为梯度方向是倾斜的。曲线曲率是用来衡量曲线弯曲程度的，曲率越大，则表示曲线越弯曲，曲线在某点的曲率通常用该点的梯度进行表示和衡量，而图像上旧手机的外部轮廓也是一种曲线，所以轮廓的曲率也可以用梯度来表示，便于初步判定旧手机型号。
[0072]
参阅图5，本发明还提供了一种基于数据分析的手机外观检测装置，包括：
[0073]
获取模块，用于获取对旧手机背面图像进行预处理和图像矫正操作，将手机背面图像进行灰度化处理，根据灰度后图像的整体灰度将图像分为低灰度图像和高灰度图像，其中，图像矫正操作包括采用仿射变换对待矫正图像进行缩放处理和采用透视变换对变形进行矫正；
[0074]
判断模块，用于根据对手机背面图像字符识别出的字符存在超过一半与手机品牌的字符对应时，则确定该手机属于所匹配的手机品牌，计算模板图像和待测图像的所有像素点的相互关系以得到待识别的目标图像，其中，将边界梯度作为特征量进行模板匹配，两幅图像相近的梯度方向个数作为度量因子；
[0075]
识别模块，用于将所有待识别的目标图像和模板图像在数据池中读取，对图像进行标注并将标注生成的文件作为玻璃屏缺陷检测的训练文件，文件内包含图像的来源和大小、目标区域的具体位置和图像所属种类以及缺陷种类；
[0076]
训练模块，用于采集旧手机正面的图像得到正例图像和负例图像并对图像进行图像扩充得到训练图像，将训练文件和训练图像输入预先训练的卷神经网络中训练以得到玻璃瓶缺陷的手机外观检测结果。
[0077]
本实施例中，虽然同一型号的手机具有不同的颜色，但其都有相对清晰明显的外轮廓，且内部轮廓和特征相对清晰，若外侧轮廓的模板匹配度较高，则可以直接确定手机的型号，减少模板匹配时间，否则需要对内部特征进行模板匹配，辅助确定目标图像的手机型号。生成式对抗网络作为一种深度学习网络，解决了如何从已有的训练忘本中学习出新样本的问题，主要由生成模型和判别模型组成，生成模型用力生成样本，判别模型用来判断样本的真伪。根据缺陷最大内接圆判断缺陷是条形缺陷还是团装缺陷，对于条形缺陷如划痕、裂纹的最大内接圆直径的值较小，而团装缺陷如变焦破损、磨损的最大内接圆直径的值较大，提高了手机外观检测的及时有效性。
[0078]
在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。
[0079]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0080]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。