一种基于Adaboost算法的产品状态检测方法和系统的制作方法
【技术领域】
[0001] 本发明涉及自动化产线检测技术领域，尤其涉及一种基于Adaboost算法的产品状 态检测方法和系统。
【背景技术】
[0002] 智能穿戴设备越来越多走进人们的生活，很多智能穿戴设备都带有显示屏幕。智 能设备的生产相当复杂，而且对智能化要求比较高，产线测试产品时会在智能设备系统中 留下操作痕迹，因此要求在产线功能测试完之后要对智能设备系统进行恢复出厂设置来擦 除掉检测痕迹，让用户拿到产品时不会看到别人操作过的痕迹，例如通过对开机画面进行 检测，判断智能设备是否恢复出厂设置。目前产线对智能设备恢复出厂设置检测要么是采 用人工用眼睛看的操作方式，要么是采用相机拍照简单的模板匹配方式进行检测。人工操 作就会存在因操作员疲劳以及注意力不集中等原因产生的误操作，而目前采用的相机拍照 模板匹配处理方式虽然能代替操作员进行自动化处理，但是由于模板匹配处理效率低、对 环境要求比较高而实际的效率并不高，实用性也达不到产线的要求，会导致没有恢复出厂 设置的产品流到用户手中，引起客户投诉而且会增大人力物力的投入增加成本。
【发明内容】
[0003] 鉴于上述产品状态检测缺少满足产线要求的自动化手段的问题，本发明提供了一 种基于Adaboost算法的产品状态检测方法和系统，以解决上述问题或者至少部分地解决上 述问题。
[0004] 依据本发明的一个方面，提供了一种基于Adaboost算法的产品状态检测方法，所 述方法包括：
[0005] 采集处于所需状态下的产品的界面图像，生成界面图像样本；
[0006] 将所述界面图像样本做灰度处理，得到灰度图像；
[0007] 对所述灰度图像做二值化处理，提取Haar特征；
[0008] 利用Adaboost算法对所述Haar特征进行训练，获得分类器模板；
[0009] 利用所述分类器模板对流水线上采集的产品的界面图像进行分类，判断所述产品 的界面图像是否处于所需状态。
[0010] 可选地，
[0011] 所述二值化处理，为基于迭代法的二值化处理，包括：
[0012] a:求出灰度图像的最大灰度值和最小灰度值，分别记为fmax，fmin，令阈值初始值 为：
[0013]
[0014] b:根据第k次计算阈值Tk将图像分割为前景和背景，分别求出前景和背景的平均 灰度值，Ab，Af:
[0015]
[0017] 其中g为灰度值，h(g)为灰度值为g的像素点数量，[0018] c，今
[0016]
[0019]
[0020]如果Tk = Tk+1则取Tk为所求得阈值T，否则转到步骤b继续迭代，直到获得阈值T。 [0021 ]可选地，利用积分图计算Haar特征。
[0022]可选地，所述利用Adaboost算法对所述Haar特征进行训练，获得分类器模板包括：
[0023] 令X表示样本空间，Y表示样本类别集合，Y= {-1，1}，令
[0024] S={(xi，yi) | i = l，2, · · ·，m}为样本集，其中XiEXjiEY，
[0025] 初始化m个样本的权值，假设样本分布Di为均勾分布：
[0026] Di(i) = l/m,
[0027] Dt(i)表示在第t轮迭代中赋给样本(Xl，yi)的权值，令T表示设置的迭代次数：
[0028]根据样本分布Dt，通过对样本集S进行抽样产生训练集St，在训练集St上训练分类 器ht，用分类器ht对样本集S中的所有样本分类，得到本轮的分类器ht: X-Y，并且有误差
[0029]
[0030]
[0031]
[0032]
[0033]
[0034]
[0035] 其中，Zt是一个正规因子，用来确保Dt+1(i)的和为1，
[0036]最终的分类器模板为：
[0037]
[0038] 可选地，所需状态下的产品为恢复出厂设置的智能手表。
[0039]依据本发明的另一个方面，提供了一种基于Adaboost算法的产品状态检测系统， 所述系统包括：
[0040] 界面图像采集单元，用于采集处于所需状态下的产品的界面图像，生成界面图像 样本；
[0041] 灰度处理单元，用于将所述界面图像样本做灰度处理，得到灰度图像；
[0042] 特征提取单元，用于对所述灰度图像做二值化处理，提取Haar特征；
[0043] 分类器训练单元，用于利用Adaboost算法对所述Haar特征进行训练，获得分类器 模板；
[0044] 检测单元，用于利用所述分类器模板对流水线上采集的产品的界面图像进行分 类，判断所述产品的界面图像是否处于所需状态。
[0045] 可选地，所述特征提取单元对灰度图像的二值化处理，为基于迭代法的二值化处 理，包括：
[0046] a:求出灰度图像的最大灰度值和最小灰度值，分别记为fmax，fmin，令阈值初始值 为：
[0047]
[0048] b:根据第k次计算阈值Tk将图像分割为前景和背景，分别求出前景和背景的平均 灰度值，Ab，A f:
[0049]
[0050]
[0051] 其中g为灰度值，h(g)为灰度值为g的像素点数量，
[0052] c:令
[0053]
[0054]如果Tk = Tk+1则取Tk为所求得阈值T，否则转到步骤b继续迭代，直到获得阈值T。 [0055] 可选地，所述特征提取单元利用积分图计算Haar特征。
[0056] 可选地，所述分类器训练单元利用Adaboost算法对所述Haar特征进行训练，获得 分类器模板包括：
[0057] 令X表示样本空间，Y表示样本类别集合，Y= {-1，1}，令
[0058] S={(xi，yi) | i = l，2, · · ·，m}为样本集，其中XiEXjiEY，
[0059] 初始化m个样本的权值，假设样本分布Di为均勾分布：
[0060] Di(i) = l/m,
[0061] Dt(i)表示在第t轮迭代中赋给样本(Xl，yi)的权值，令T表示设置的迭代次数：
[0062]根据样本分布Dt，通过对样本集S进行抽样产生训练集St，在训练集St上训练分类 器ht，用分类器ht对样本集S中的所有样本分类，得到本轮的分类器ht: X-Y，并且有误差
[0063]
[0064] 其中，当ht(xi)关yi时，1 = 1;当ht(Xi) = yi时，1 = 0;
[0065] 令
[0066] at=(l/2)ln[(l-et)/et],
[0067] 更新每个样本的权值
[0068]
[0069] 其中，Zt是一个正规因子，用来确保Dt+i(i)的和为1，
[0070] 最终的分类器模板为：
[0071]
[0072] 可选地，所需状态下的产品为恢复出厂设置的智能手表。
[0073]由上述可知，本发明提供的技术方案将Adaboost算法、图像二值化和Haar特征结 合起来对产品图像检测进行优化，分类准确度高、效率高，有效避免环境光对检测率的影 响，提高目标检测的响应速度，将此算法引入产线，对产品进行检测，不仅能够实现自动化 检测产品减少劳动力投入，而且能够满足产线流水线上的生产节拍。
【附图说明】
[0074] 图1示出了根据本发明一个实施例的一种基于Adaboost算法的产品状态检测方法 的流程图；
[0075] 图2示出了根据本发明一个实施例的一种基于Adaboost算法的产品状态检测系统 的不意图；
[0076] 图3示出了根据本发明一个实施例的一种基于Adaboost算法的产品状态检测系统 在线监测的工作流程图；
[0077] 图4为Haar特征原理示意图；
[0078]图5为积分图原理示意图。
【具体实施方式】
[0079] 为使本发明