1.一种目标样本瑕疵检测的方法,其特征在于,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替换当前层的Real AdaBoost分类器,并使用所述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;
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(χ)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),χi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,样本初始权重为输出的强分类器为H(χ)。
2.如权利要求1所述的目标样本瑕疵检测的方法,其特征在于,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。
3.如权利要求2所述的目标样本瑕疵检测的方法,其特征在于,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.如权利要求3所述的目标样本瑕疵检测的方法,其特征在于,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。
5.如权利要求1所述的目标样本瑕疵检测的方法,其特征在于,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。