[发明专利]激光清洗参数生成方法及装置

权利要求书

1.一种激光清洗参数生成方法，其特征在于，包括：

获取待清洗区域图像；

将所述待清洗区域图像及期望清洗效果，输入至预设的深度网络模型，输出与期望清洗效果对应的清洗参数；

其中，所述深度网络模型根据清洗前图像、相应清洗参数以及清洗参数对应的清洗效果作为样本，进行训练后得到，所述清洗效果为清洗后的洁净度等级；

所述将所述待清洗区域图像及期望清洗效果，输入至预设的深度网络模型之前，还包括：

基于HSV颜色空间，将清洗后的图像与标准清洗效果图像的色差值进行比较，根据色差值的大小，建立多个洁净度等级，所述洁净度等级用于确定清洗效果；

将所述待清洗区域图像及期望清洗效果，输入至预设的深度网络模型之前，还包括：

获取多个清洗前图像样本，以及每个清洗前图像样本对应的清洗参数和清洗参数对应的清洗效果；

将每个清洗前图像、清洗前图像对应的清洗参数和清洗参数对应的清洗效果的组合作为一个训练样本，从而得到多个训练样本，利用所述多个训练样本对所述深度网络模型进行训练；

利用所述多个训练样本对所述深度网络模型进行训练，包括：

将任意一个样本的清洗前图像以及清洗效果的组合，输入至所述深度网络模型，输出样本清洗前图像对应的清洗参数；

利用预设的损失函数，根据网络模型输出的清洗参数和清洗效果对应的清洗参数计算损失值；

若所述损失值在预设次数的训练过程中均位于预设范围内，则所述损失函数收敛，所述深度网络模型训练完成。

2.根据权利要求1所述的激光清洗参数生成方法，其特征在于，所述根据色差值的大小，建立多个洁净度等级，包括：

根据GB/T8923.1标准得出清洗后洁净度为干净的阈值，根据所述阈值和色差值的大小，建立多个洁净度等级。

3.根据权利要求1所述的激光清洗参数生成方法，其特征在于，所述将所述待清洗区域图像及期望清洗效果，输入至预设的深度网络模型，输出与期望清洗效果对应的清洗参数，包括：

将待清洗区域图像和期望清洗效果输入至所述深度网络模型的卷积层和池化层，利用所述卷积层和所述池化层对所述待清洗区域图像和期望清洗效果进行特征提取，输出所述待清洗区域图像和期望清洗效果的三维特征向量；

将所述三维特征向量输入至所述深度网络模型的全连接层，将所述三维特征向量转化为一维特征向量并输出；

将所述一维特征向量输入至所述深度网络模型的输出层，输出与期望清洗效果对应的清洗参数。

4.一种激光清洗参数生成装置，其特征在于，包括：

获取模块，用于获取待清洗区域图像；

处理模块，用于将所述待清洗区域图像及期望清洗效果，输入至预设的深度网络模型，输出与期望清洗效果对应的清洗参数；

其中，所述深度网络模型根据清洗前图像、相应清洗参数以及清洗参数对应的清洗效果作为样本，进行训练后得到，所述清洗效果为清洗后的洁净度等级；

所述处理模块，还用于基于HSV颜色空间，将清洗后的图像与标准清洗效果图像的色差值进行比较，根据色差值的大小，建立多个洁净度等级，所述洁净度等级用于确定清洗效果；

将所述待清洗区域图像及期望清洗效果，输入至预设的深度网络模型之前，还包括：

获取多个清洗前图像样本，以及每个清洗前图像样本对应的清洗参数和清洗参数对应的清洗效果；

将每个清洗前图像、清洗前图像对应的清洗参数和清洗参数对应的清洗效果的组合作为一个训练样本，从而得到多个训练样本，利用所述多个训练样本对所述深度网络模型进行训练；

利用所述多个训练样本对所述深度网络模型进行训练，包括：

将任意一个样本的清洗前图像以及清洗效果的组合，输入至所述深度网络模型，输出样本清洗前图像对应的清洗参数；

利用预设的损失函数，根据网络模型输出的清洗参数和清洗效果对应的清洗参数计算损失值；

若所述损失值在预设次数的训练过程中均位于预设范围内，则所述损失函数收敛，所述深度网络模型训练完成。

5.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1至3任一项所述激光清洗参数生成方法的步骤。