一种纺织品机器学习图像采集系统的制作方法

1.本发明涉及图像处理技术领域，具体是指一种纺织品机器学习图像采集系统。


背景技术：

2.深度学习是机器学习的一系列算法，它试图在多个层次中进行学习，每层对应于不同级别的抽象。它一般使用人工神经网络，学习到的统计模型中的不同层对应于不同级别的概念，高层概念取决于低层概念，而且同一低层的概念有助于确定多个高层概念。
3.现有的基于深度学习的图像识别算法，它们的计算大多放到云端进行，终端计算能力不足导致现有的方案只能在终端上实现简单的深度学习网络。比如，现有人脸识别方案都是在终端实现人脸的检测，然后再将人脸图像数据放到云端进行匹配。这样的方式导致检测速度不及时，同时要负担云端的高额成本。同时现有的深度学习网络处理装置不能对所识别的图片进行预处理，因此在使用的过程中存在着一定的局限性；此外，已知技术主要是通过电子显微镜对纺织品进行图像采集，电子显微镜主要以能看到纹理为最终目标，强调放大倍数，强调清晰度。对颜色还有尺寸，画面平整度没有强制要求，纺织领域里面机器学习的图像要求比较严，如果是电子显微镜采集的图片，包含的技术指标比较少，特征点也少，形成不了深度学习，并且图片包含技术信息少，每张图片的差异比较大，图片特征点少，没有训练机制，匹配条件多以后，产生过拟合，导致深度学习算法算出的结果不准确以及产生误判。


技术实现要素：

4.本发明的目的是克服现有技术中的不足之处，提供一种能够提高纺织品图像清晰度的纺织品机器学习图像采集系统。
5.本发明的目的是通过以下技术方案来实现的：
6.一种纺织品机器学习图像采集系统，包括：图像采集模块，采集纺织品图像特征，得到若干场景数据组，对图像进行预处理；主板模块，对图像采集模块采集的图像进行颜色校准并驱动图像采集模块采集；匀光系统，位于图像采集模块上层，匀光系统两侧设置有固定光源，用于均匀光线，实现环形均匀照明，在拍摄的过程中，可以通过控制固定光源，拍摄出不同角度光源下物体的图像，能够帮助迅速构建出良好的机器学习和深度学习训练集，为纺织品图像处理相关的研究者及应用者都提供极大的便利；存储器，包括基于深度学习的线上学习图像采集方法程序，所述线上学习图像采集方法程序被主板模块执行，存储器还可存储采集的纺织品图像，可设置每一个月清理一次；数据恢复模块，用于将图像采集模块获取的若干场景数据组输入经过训练好的机器学习模型，通过模型处理后输出得到对应的高质量的场景数据，实现图片清晰化。
7.进一步的，所述若干场景数据组包括清晰度、饱和度、色度、色温、灰度、分辨率以及尺寸参数。
8.进一步的，所述预处理包括预设特征度，对参考数据进行数据异常分析与筛选，得
到异常图像，将非异常图像数据进行纺织品图像特征分析，筛选出图像特征度大于预设特征度的图像数据，得到高特征对比图像数据，提高图片清晰度。
9.进一步的，所述预处理还包括将所述纺织品图像进行灰度化处理，简化矩阵，提高运算速度；所述灰度化处理根据yuv的颜色空间，建立亮度y与r、g、b三个颜色分量的对应：
10.y＝0.299r 0.578g 0.114b；
11.其中，y表示点的亮度反映亮度等级，r表示红色，g表示绿色b表示蓝色。
12.进一步的，对所述高质量的场景数据进行加密压缩传输至服务器，所述加密通过对所述纺织品图像灰度值序列进行置乱得到图像灰度值序列。
13.进一步的，所述将初始纺织品图像数据按照预设传输标准进行数据预处理，服务器得到传输图像数据，获取初始图像数据，判断初始图像数据存储格式；若初始图像数据存储格式不是预设图像存储格式，则进行预设图像存储格式的无损转换，得到转换图像数据；将转换图像数据按照预设图像大小与分辨率进行图像数据几何变换处理，得到传输图像数据，减少因数据异常导致数据传输出现差错的情况，提高传输准确性。
14.进一步的，所述匀光系统中设置有led灯，主板模块控制led灯的亮度，防止采集的图像曝光过曝。
15.进一步的，所述匀光系统设置有半球形外壳，光源进入匀光系统发生漫反射，光在均匀分布的球壁作无规则的反射，使能量可以作准确地测量。
16.本发明相比现有技术具有以下优点及有益效果：
17.本发明主板模块同时负责校准图像采集模块采集的纺织品图像颜色、清晰度，调试图像的平整性，以及控制匀光系统里面的led灯亮度和色温，通过对图像采集模块的镜头部分为专业特制镜头，控制图像的放大倍数，显示尺寸，清晰度，畸变度，匀光系统提供是一个封闭的、均匀的工作环境，使图像更加平整，均匀，稳定，本系统通过对采集的图像进行预处理得到更清晰的纺织品图像，并且具有加密功能，防止纺织品图样、纹路外泄，提高了使用安全性。
附图说明
18.图1为纺织品机器学习图像采集系统模块示意图；
19.图2为匀光系统半球形外壳示意图；
20.图3为匀光原理图。
具体实施方式
21.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
22.下面将结合本发明的实施例中的附图，对本发明的实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
23.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”、“包含”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没
有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
24.如图1所示，本案例提供一种纺织品机器学习图像采集系统，包括：图像采集模块，采集纺织品图像特征，得到若干场景数据组，若干场景数据组包括清晰度、饱和度、色度、色温、灰度、分辨率以及尺寸参数，对图像进行预处理，图像采集模块包括摄像头感光芯片和四个镜头，摄像头感光芯片为800w以上cmos芯片，镜头采用如表1所展示的标准，对图像进行放大，清晰度校准，显示尺寸标定；主板模块，对图像采集模块采集的图像进行颜色校准并驱动图像采集模块采集，主板模块为一个基于t610 soc主芯片图像电子主驱动系统；如图2和图3所示，匀光系统，位于图像采集模块上层，匀光系统两侧设置有固定光源2，用于均匀光线，实现环形均匀照明，匀光系统中设置有led灯，主板模块控制led灯的亮度，防止采集的图像曝光过曝，匀光系统设置有半球形外壳1，光源进入匀光系统发生漫反射，光在均匀分布的球壁作无规则的反射，使能量可以作准确地测量，采用专业的积分球匀光系统对图像色温、亮度以及颜色均匀性进行校准，在拍摄的过程中，可以通过控制固定光源2，拍摄出不同角度光源下物体的图像，能够帮助迅速构建出良好的机器学习和深度学习训练集，为纺织品图像处理相关的研究者及应用者都提供极大的便利；存储器，包括基于深度学习的线上学习图像采集方法程序，所述线上学习图像采集方法程序被主板模块执行，存储器还可存储采集的纺织品图像，可设置每一个月清理一次；数据恢复模块，用于将图像采集模块获取的若干场景数据组输入经过训练好的机器学习模型，通过模型处理后输出得到对应的高质量的场景数据，加入技术指标，增加图像的特征点，形成深度学习，减少每张图片的差异，提高深度学习算法算出的结果准确性，实现图片清晰化。
25.表1对纺织品机器达到的图像标准
26.镜头模组规格1号镜头2号镜头3号镜头4号镜头误差采集图像面积3cm22.5cm20.7cm20.2cm2±
0.01分辨率8m8m8m8m 畸变≤1％≤1％≤0.8％≤0.8％ 饱和度95％-105％95％-105％95％-105％95％-105％ 清晰度频率100-200频率100-200频率100-200频率100-200 led色温6000k
‑‑
6500k6000k
‑‑
6500k6000k
‑‑
6500k6000k
‑‑
6500k 灰度≤7≤7≤5≤5 27.对预处理进行细分，预处理包括预设特征度，对参考数据进行数据异常分析与筛选，得到异常图像，将非异常图像数据进行纺织品图像特征分析，筛选出图像特征度大于预设特征度的图像数据，得到高特征对比图像数据，提高图片清晰度。预处理还包括将所述纺织品图像进行灰度化处理，简化矩阵，提高运算速度；所述灰度化处理根据yuv的颜色空间，建立亮度y与r、g、b三个颜色分量的对应：
28.y＝0.299r 0.578g 0.114b；
29.其中，y表示点的亮度反映亮度等级，r表示红色，g表示绿色b表示蓝色。灰度化处理除了加权平均法，还可以采用分量法、最大值法、平均值法对纺织品图像进行灰度化处理。
30.对所述高质量的场景数据进行加密压缩传输至服务器，工作人员可通过服务器进
行图像查看，所述加密通过对所述纺织品图像灰度值序列进行置乱得到图像灰度值序列，将初始纺织品图像数据按照预设传输标准进行数据预处理，服务器得到传输图像数据，获取初始图像数据，判断初始图像数据存储格式；若初始图像数据存储格式不是预设图像存储格式，则进行预设图像存储格式的无损转换，得到转换图像数据；将转换图像数据按照预设图像大小与分辨率进行图像数据几何变换处理，得到传输图像数据，减少因数据异常导致数据传输出现差错的情况，提高传输准确性，此外，在得到传输图像之前，还可对多个不同角度的图像信息利用预先训练的深度学习模型对图像信息进行计算，提取模型分别提取多个不同角度的图像信息的特征信息；将每个特征提取模型提取的特征信息进行合并，最终根据比对的结果对深度学习模型进行优化。
31.需要说明的是，以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。