技术摘要：
本发明公开一种目标样本瑕疵检测的方法、装置及电子设备，属于工业元件瑕疵检测分类领域，该方法包括：捕获所述目标样本的图像信息；依据所述图像信息，对所述图像信息的多维特征参数进行处理，以及构建支持向量用于预设的分类算法进行分类训练，以获得粗略分类结果信  全部
背景技术：
对工业元件的瑕疵进行检测分类是工业生产过程中的核心一环，对工业元件的瑕 疵进行检测分类有利于设备的二次加工以及原材料回收。 在现有的应用于工业元件样本的瑕疵检测中，通常是采用传统识别算法的样本训 练，传统识别算法的样本训练中的级联分类器虽然可以完成任务，但由于其误差特性会导 致所需要用到的弱分类器数量增多，单个分类器的分类能力降低。由于工业元件处于运动 的传送带上，传统识别算法的识别精度不高，误报率较高。同时，受制于传统识别算法的识 别速率的影响，无法通过加速传送带来提高工业元件瑕疵分类的效率。 综上所述，在现有的应用于工业元件样本的瑕疵检测中，存在着在对工业元件瑕 疵进行检测分类过程中，识别精度不高，误报率较高的技术问题。
技术实现要素：
本发明提供一种目标样本瑕疵检测的方法、装置及电子设备，用以解决现有技术 中的在对工业元件瑕疵进行检测分类过程中，识别精度不高，误报率较高的技术问题。 第一方面，本发明实施例提供了一种目标样本瑕疵检测的方法，所述方法包括：捕 获所述目标样本的图像信息；依据所述图像信息，对所述图像信息的多维特征参数进行处 理，以及构建支持向量用于预设的分类算法进行分类训练，以获得粗略分类结果信息；其 中，所述预设的分类算法包括：S1、所述分类算法的内部循环为当符合F＞Ft且T＞Tmax时， 采用Real  AdaBoost算法训练弱分类器，每次添加新的弱分类器时再判断一次循环条件； S2、当符合F＞Ft且T＞Tmax时，采用SVM替换该层的Real  AdaBoost分类器，并使用该Real  AdaBoost分类器选择的输入向量维度训练SVM，而不计算输入向量的所有维度；S3、当符合F ＞Ft时，则用剩余负样本和所有正样本进行下一层的Real  AdaBoost算法训练，按照步骤S1 至S3循环，若不符合，则终止所有训练；其中，所述T是弱分类器数量，所述Tmax是弱分类器 最大数量，所述F是分类器整体误报率，所述Ft是目标误报率；将所述粗略分类结果信息交 互至硬件端，并基于FPGA和OpenCL对循环重复算法进行硬件加速后，以获得精确分类结果 信息；其中，所述硬件端在OpenCL框架下，采用c语言开发FPGA模块对软件算法进行硬件加 速处理；输出显示所述精确分类结果信息，对所述精确分类结果信息进行语音播报。 进一步地，所述捕获所述目标样本的图像信息包括：采用高速工业相机捕获位于 传送带上的所述目标样本的图像信息，所述高速工业相机的像素是630W。 进一步地，所述依据所述图像信息，对所述图像信息的多维特征参数进行处理包 括：将所述图像信息交互至UP2，通过OpenCV对所述目标样本的图像信息进行物体特征识 别。 4 CN 111598833 A 说　明　书 2/11 页 进一步地，所述输出显示所述精确分类结果信息，对所述精确分类结果信息进行 语音播报包括：所述UP2接收所述精确分类结果信息，通过HDMI转VGA通道，在Qt界面上进行 显示，以及AUX交互至扬声器，通过所述扬声器对结果进行语音播报。 进一步地，所述预设的分类算法还包括：S4、将每一维特征的取值空间划分为j个 不相交的子空间X1…Xj；S5、计算每个子空间权重分布， S6、计算每一个弱分类器的输出, 其中∈为一个小的正常量并用于平滑输出，h(x)为一个分段 线性线性函数；S7、计算归一化因子 S8、选择使z最小的弱分类器h(x)作 为该轮迭代选出的弱分类器，Zt＝minZ  h(t)＝argminZ；S9、更新样本权重，Dt 1(i)＝Dt(i) exp[-yiht(xi)]；S10、分类器输出， 其中b为阈值；其中，输入 的训练集(x1，y1) ....(xn，yn)(xi是样本的多维特征向量，yi∈{1，-1}为对应的类别标签),T 为弱分类器数量，样本初始权重 输出的强分类器为H(x)。 进一步地，所述输出显示所述精确分类结果信息包括：基于QT的显示屏面对所述 精确分类结果信息进行输出显示。 第二方面，本发明实施例提供了一种目标样本瑕疵检测的装置，所述装置包括：采 集模块，用于捕获所述目标样本的图像信息；处理模块，用于依据所述图像信息，对所述图 像信息的多维特征参数进行处理，以及构建支持向量用于预设的分类算法进行分类训练， 以获得粗略分类结果信息；加速模块，用于将所述粗略分类结果信息交互至硬件端，并基于 FPGA和OpenCL对循环重复算法进行硬件加速后，以获得精确分类结果信息；输出模块，用于 输出显示所述精确分类结果信息，对所述精确分类结果信息进行语音播报。 第三方面，本发明实施例提供了一种目标样本瑕疵检测的电子设备，包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时 实现以下步骤：捕获所述目标样本的图像信息；依据所述图像信息，对所述图像信息的多维 特征参数进行处理，以及构建支持向量用于预设的分类算法进行分类训练，以获得粗略分 类结果信息；将所述粗略分类结果信息交互至硬件端，并基于FPGA和OpenCL对循环重复算 法进行硬件加速后，以获得精确分类结果信息；输出显示所述精确分类结果信息，对所述精 确分类结果信息进行语音播报。 第四方面，本发明实施例提供了一种目标样本瑕疵检测的计算机可读存储介质， 其上存储有计算机程序，该程序被处理器执行时实现以下步骤：捕获所述目标样本的图像 信息；依据所述图像信息，对所述图像信息的多维特征参数进行处理，以及构建支持向量用 于预设的分类算法进行分类训练，以获得粗略分类结果信息；将所述粗略分类结果信息交 互至硬件端，并基于FPGA和OpenCL对循环重复算法进行硬件加速后，以获得精确分类结果 信息；输出显示所述精确分类结果信息，对所述精确分类结果信息进行语音播报。 本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点： 本发明提供一种目标样本瑕疵检测的方法，通过捕获所述目标样本的图像信息； 5 CN 111598833 A 说　明　书 3/11 页 再依据所述图像信息，对图像信息的多维特征参数进行处理，以及构建支持向量用于预设 的分类算法进行分类训练，以获得粗略分类结果信息。其中所述预设的分类算法包括：S1、 所述分类算法的内部循环为当符合F＞Ft且T＜Tmax时，采用Real  AdaBoost算法训练弱分 类器，每次添加新的弱分类器时再判断一次循环条件；S2、当符合F＞Ft且T＞Tmax时，采用 SVM替换该层的Real  AdaBoost分类器，并使用该Real  AdaBoost分类器选择的输入向量维 度训练SVM，而不计算输入向量的所有维度；S3、当符合F＞Ft时，则用剩余负样本和所有正 样本进行下一层的Real  AdaBoost算法训练，按照步骤S1至S3循环，若不符合，则终止所有 训练；其中所述T是弱分类器数量，所述Tmax是弱分类器最大数量，所述F是分类器整体误报 率，所述Ft是目标误报率。然后将所述粗略分类结果信息交互至硬件端，并且基于FPGA和 OpenCL对循环重复算法进行硬件加速后，以获得精确分类结果信息；其中，所述硬件端在 OpenCL框架下，采用c语言开发FPGA模块对软件算法进行硬件加速处理；输出显示所述精确 分类结果信息，对所述精确分类结果信息进行语音播报。这样优化了识别算法中样本的训 练模式，进行硬件加速来加快了图像数据处理，能够并行运算处理数据，极大的提高计算能 力，继而有利于加速图像数据处理。从而达到在对工业元件瑕疵进行检测分类过程中，提高 识别精度，降低误报率的技术效果。 上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段， 而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够 更明显易懂，以下特举本发明的