mirror of
https://github.com/NanjingForestryUniversity/supermachine-tobacco.git
synced 2025-11-08 14:23:55 +00:00
205 lines
11 KiB
Markdown
205 lines
11 KiB
Markdown
# 烟梗彩色相机识别
|
||
|
||
2022年7月18日开始开发的项目，使用彩色相机进行烟梗颜色的识别。
|
||
|
||
## 如何进行模型训练和部署？
|
||
1. 项目当中需要包含`data`和`models`这两个文件夹，请下载到当前文件夹下,这是链接：[data](https://macrosolid-my.sharepoint.com/personal/feijinti_miaow_fun/_layouts/15/onedrive.aspx?id=%2Fpersonal%2Ffeijinti%5Fmiaow%5Ffun%2FDocuments%2FPycharmProjects%2Ftobacco%5Fcolor%2Fdata&ga=1), [models](https://macrosolid-my.sharepoint.com/:f:/g/personal/feijinti_miaow_fun/EiyBjWEX90JGn8S-e5Kh7N8B1GWvfvDcNbpleWDTwkDm1w?e=wyL4EF)
|
||
2. 使用[01_dataset.ipynb](./01_dataset.ipynb) 进行数据集的分析文件格式需要设置为这种形式：
|
||
```text
|
||
dataset
|
||
├── label
|
||
│ ├── img1.bmp
|
||
│ └── ...
|
||
└── img
|
||
├── img1.bmp
|
||
└── ...
|
||
```
|
||
3. 使用[02_classification.ipynb](./02_classification.ipynb)进行训练
|
||
4. 使用[03_data_update.ipynb](02_classification.ipynb)进行数据的更新与添加
|
||
5. 使用`main_test.py`文件进行读图测试
|
||
6. **部署**，复制`utils.py`、`models.py`、`main.py`、`models/`、`config.py`这5个文件或文件夹，运行main.py来提供预测服务。
|
||
|
||
|
||
## 训练的原理
|
||
为了应对工业环境当中负样本少的特点，我们结合颜色有限空间的特性对我们的训练过程进行了优化，核心的优化方式在于制造负样本。
|
||
|
||
### 传统的负样本是怎么来的？
|
||
|
||
传统方法中，我们通过收集负样本，得到这样的结果：
|
||
|
||
|
||
|
||
这张图里，负样本是紫色、红色和绿色区域，正样本则是蓝色区域。如果用这样的数据进行训练，我们得到的模型一定是欠约束的，因为我们不知道没有负样本的区域上，模型到底会表现出怎样的结果，所有我们想到，去手动制造负样本。
|
||
|
||
### 负样本是怎么造出来的？
|
||
|
||
我们对于一个给定的色彩空间进行随机的生成一些数据，然后判断它是否是给定的正样本附近，如果是在附近，那么我们就把这些点看作是正样本，如果离得比较远，那么就会被当作是负样本。
|
||
|
||
### 训练的结果
|
||
|
||
添加负样本后进行训练，模型就会被约束在我们给定的样本范围内，就像下图看到的这样。
|
||
|
||
|
||
|
||
在这里，绿色就是目标（烟梗）的色彩范围，橙色的和蓝色则表明了模型的判定范围，模型认为蓝色的区域就是烟梗，而橙色的区域就不是烟梗。
|
||
|
||
可以看到，蓝色区域与绿色区域是高度重叠的，并且蓝色比绿色区域要大一些的，这正是我们想要的效果。这表明模型对于烟梗的颜色有适度的宽容，允许色彩有一定的偏差，但大体上是要达到烟梗颜色范围内的。
|
||
|
||
这样的好处在于，即使出现了新的杂质，只要这些杂质的色彩不在模型的宽容范围内（蓝色范围内），那么都会被判定为杂质。
|
||
|
||
我们甚至可以直接将需要的目标色彩(烟梗的颜色)和背景的颜色直接合并到一类，这样还可以节省后续的各种逻辑判断、与、或、非等操作。
|
||
|
||
预测出来的结果也相对理想，就像下边两张图展示的这样。
|
||
|
||
|
||
|
||
上图里可以看到烟梗和背景的错误识别点还是存在的，只是较为零散。
|
||
|
||
|
||
|
||
而从这张图就可以看出各类杂质识别还是没问题的。
|
||
|
||
接下来我们更换采集所使用的镜头，得到更宽广的视角范围并观察其变化。
|
||
|
||
## 镜头的影响
|
||
|
||
我们现有的镜头包括广角和窄角两个，这两个镜头有着不同的成像效果，如下图所示。
|
||
|
||
| 视角 | 广角镜头 | 窄角镜头 |
|
||
| -------- | :----------------------------------------------------------: | :----------------------------------------------------------: |
|
||
| 普通视角 |  |  |
|
||
| 放大视角 |  |  |
|
||
|
||
可以看到，镜头的影响有两方面
|
||
|
||
- 镜头会影响到物体的亮度，广角镜头下的物体看起来更暗
|
||
- 镜头会影响到物体的色彩，广角镜头下物体的色彩相比于窄角镜头的色彩饱和度要差很多，色相也有一定的偏移。
|
||
|
||
综合这两点来看，在条件允许的情况下应该选择窄角镜头。
|
||
|
||
但是我们这里的传送带非常宽，我们也只有1个相机，不像陶朗一样一条线有29个相机，或者合肥的一条线4～8个相机，所以我们只能冒险试试了。
|
||
|
||
尝试的结果很糟糕，可以看到如下图所示：
|
||
|
||
|
||
|
||
几乎所有的烟梗都被当成了杂质。
|
||
|
||
为了探究这个问题，我们回到色彩空间中进行观察，可以看到这样的结果：
|
||
|
||
|
||
|
||
在新的镜头下，数据的分布和原本的数据已经发生了巨大的变化，根本就不是同一种东西，这就是为什么分类结果会出错了。
|
||
这种情况的出现也和拍摄矫正不到位有关，具体细节询问周超。
|
||
|
||
## 预测过程的后处理（异色问题）
|
||
|
||
### 问题的发现
|
||
|
||
|
||
|
||
在摄影过程中，由于相机、镜头和拍摄物体多方面的原因会出现色散边的现象，就像上图这样本来应该黄色的烟梗，边缘却变成了暗绿色或紫色的。
|
||
|
||
这是由于不同波长的光折射率不同，到达成像单元的位置会出现细小的偏差，而我们的成像单元又比较的细小，举例来说，这可能使得物体上同样的点发出的红光到了1号像素，而发出的绿光本来应该也射到1号像素却射到了相邻的2号像素，这就导致色彩不对了。
|
||
|
||
根据资料，一般的解决方案是对于不同波长的光进行折射率补偿，使用抗色散镜头。但是由于条件有限，我们这里就只能用算法的形式硬抗这些误差了。
|
||
|
||
### 解决方案
|
||
|
||
- 一方面，用像素块的结果进行求和，像素块求和结果大于阈值的时候判定为杂质，这个方案目前正在使用，可以有效去除小块的错误识别点，也不会因为腐蚀操作导致缺损。
|
||
- 另一方面，进行烟梗结果的膨胀，去掉紫边。
|
||
|
||
## 模型的更新
|
||
|
||
### 如何应对新的目标物？
|
||
|
||
我们可以认为镜头的更换会直接让色彩发生特别离谱的变化，如果出现这样的情况，我们应该直接抛弃旧的数据，训练新的模型。这样也能获得相对不错的分类结果。
|
||
|
||
**所以我们今天晚上要丢弃旧的数据，进行这个新的模型的训练**。
|
||
|
||
在对这个模型进行重新训练后，获得的新模型识别结果如下图所示：
|
||
|
||
| 类别 | 图像 |
|
||
| :----------: | :----------------------------------------------------------: |
|
||
| 原图 |  |
|
||
| 识别结果 |  |
|
||
| 模型约束情况 |  |
|
||
|
||
## 图像的对齐
|
||
|
||
引入了RGB和光谱图像的原因，这里牵扯到图像对齐的问题。
|
||
|
||
### 对齐检测算法
|
||
|
||
理论大概是这样，但是这不重要啦，简单来说就是偏差平面里头计算响应强度，这是当时的草稿。
|
||
|
||
|
||
|
||
实现以后这里可以看到对齐的结果，算法实现在`main_test.py`里头的`calculate_delta()`：
|
||
|
||
|
||
|
||
根据这张图片的换算结果可以得知光谱图像比RGB图像超前了69个像素，大概2.02厘米的样子。
|
||
|
||
|
||
|
||
根据这张图片，可以得知，图像上下偏差是2.3厘米
|
||
|
||
|
||
|
||
|
||
这张图片里的上下偏差则达到了2.6厘米左右。
|
||
|
||
### 图像拍摄脉冲触发问题
|
||
|
||
2022年7月30日我们进行了二次实验，本来以为会得到一个恒定的偏差结果，但是，情况并不像我们想的那样：
|
||
|
||
|
||
|
||
|
||
|
||
从这张图可以看到，两张图的偏差大概是上下10像素，RGB偏上，左右偏差19像素，RGB偏左，
|
||
|
||
但是！RGB图像明显是扭曲的，这显然是由于触发导致的。
|
||
|
||
从其他图片来看：
|
||
|
||
|
||
|
||
明显也存在图像扭曲的情况，偏差情况是：
|
||
|
||
这张图上下已经对不上了，用它计算的偏差不具备参考价值。
|
||
|
||
|
||
|
||
偏差的影响，也可从这幅图当中看到，这幅图的上下偏差达到了惊人的200像素，明显考虑是触发有问题了，不然偏差值至少是恒定的。
|
||
|
||
结论是考虑RGB相机的触发存在一定问题。
|
||
|
||
## 喷阀检查
|
||
|
||
为了能够有效的对喷阀进行检查，我写了一个用于测试的小socket，这个小socket的使用方式是这样的：
|
||
|
||
开启服务端：
|
||
|
||
```shel
|
||
python valve_test.py
|
||
```
|
||
|
||
然后按照要求进行输入就可以了，我还在里头藏了个彩蛋，你猜猜是啥。
|
||
|
||
如果想要开客户端，可以加个参数，就像这样：
|
||
|
||
```shel
|
||
python valve_test.py -c
|
||
```
|
||
|
||
这个客户端啥也不会干，只会做去显示相应的收到的指令。
|
||
|
||
同时运行这两个可以在本地看到测试结果，不用看zynq那边的结果：
|
||
|
||
|
||
|
||
|
||
|