CN108229422A - 一种图像识别的方法和装置 - Google Patents
一种图像识别的方法和装置 Download PDFInfo
- Publication number
- CN108229422A CN108229422A CN201810071750.6A CN201810071750A CN108229422A CN 108229422 A CN108229422 A CN 108229422A CN 201810071750 A CN201810071750 A CN 201810071750A CN 108229422 A CN108229422 A CN 108229422A
- Authority
- CN
- China
- Prior art keywords
- image
- sample set
- target
- obtains
- training sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像识别的方法和装置,该方法包括:获取物料传送带图像作为待识别图像;对所述待识别图像进行处理,获得符合预设条件的物料传送带图像作为目标待识别图像;根据目标支持向量机对所述目标待识别图像进行识别,获得所述目标待识别图像正常或者异常的识别结果,所述支持向量机是基于历史物料传送带图像、对应的识别结果标签和支持向量机算法预先训练得到。可见,利用基于机器学习训练得到的目标支持向量机识别符合预设条件的物料传送带图像的方式,代替了人为实时识别的方式,目标支持向量机自动识别图像节省了人力精力,提高了识别效率和识别准确率,避免了漏掉识别某些图像或者某些图像识别错误等问题。
Description
技术领域
本发明涉及识别分析技术领域,尤其涉及一种图像识别的方法和装置。
背景技术
随着科技的发展,大多数的工厂都安装有摄像机,通过观察摄像机拍摄到的画面,可以监控工厂的一些运行状态。例如,对于物料传送带而言,通过观察摄像机拍摄到的物料传送带图像,可以监控物料传送带是否出现无料异常状态,以便控制物料传送带的传送。
现有技术中,在接收到摄像机发送的物料传送带图像后,需要工作人员人为实时识别该图像是否表示为物料传送带出现无料异常状态,从而根据人为实时识别结果控制物料传送带的传送。
但是,发明人研究发现,采用人为实时识别的方式,在工作期间一直需要工作人员监视识别物料传送带图像,非常耗费人力精力;而且,人为识别很有可能存在漏掉识别某些图像或者某些图像识别错误等问题,因此,人为实时识别的方式并不适用于物料传送带图像识别的场景。
发明内容
本发明所要解决的技术问题是,提供一种图像识别的方法和装置,以节省了人力精力,提高了识别效率和识别准确率,避免了漏掉识别某些图像或者某些图像识别错误等问题。
第一方面,本发明实施例提供了一种图像识别的方法,该方法包括:
获取待识别图像,所述待识别图像为物料传送带图像;
对所述待识别图像进行处理,获得目标待识别图像,所述目标待识别图像为符合预设条件的物料传送带图像;
根据目标支持向量机对所述目标待识别图像进行识别,获得所述目标待识别图像的识别结果,所述支持向量机是基于历史物料传送带图像、对应的识别结果标签和支持向量机算法预先训练得到,所述识别结果为正常或者异常。
优选的,所述目标支持向量机的训练过程包括:
获取训练样本集合,所述训练样本集合包括多个历史物料传送带图像,所述历史物料传送带图像具有识别结果标签;
对所述训练样本集合中的图像进行处理,获得目标训练样本集合,所述目标训练样本集合包括多个目标历史物料传送带图像,所述目标历史物料传送带图像符合所述预设条件且具有所述识别结果标签;
根据所述目标训练样本集合和支持向量机算法进行机器学习训练,获得支持向量机作为目标支持向量机,所述支持向量机算法包括预设支持向量机训练参数。
优选的,所述对所述训练样本集合中的图像进行处理,获得目标训练样本集合,包括:
对训练样本集合中的图像进行预处理,获得预处理训练样本集合;
对所述预处理训练样本集合中的图像进行归一化处理,获得归一化训练样本集合作为所述目标训练样本集合;
对应地,
所述对所述待识别图像进行处理,获得目标待识别图像,包括:
对所述待识别图像进行预处理,获得预处理图像;
对所述预处理图像进行归一化处理,获得归一化图像作为所述目标待识别图像。
优选的,所述对训练样本集合中的图像进行预处理,获得预处理训练样本集合,包括:
对所述训练样本集合中的图像进行降噪处理,获得降噪训练样本集合;
对所述降噪训练样本集合中的图像进行灰度化处理,获得灰度化训练样本集合作为所述预处理训练样本集合;
对应地,
所述对所述待识别图像进行预处理,获得预处理图像,包括:
对所述待识别图像进行降噪处理,获得降噪图像;
对所述降噪图像进行灰度化处理,获得灰度化图像作为所述预处理图像。
优选的,所述对所述预处理训练样本集合中的图像进行归一化处理,获得归一化训练样本集合作为所述目标训练样本集合,包括:
调整所述预处理训练样本集合中图像的尺寸大小,获得第一训练样本集合;
调整所述第一训练样本集合中图像的亮度大小,获得第二训练样本集合;
调整所述第二练样本集合中图像的对比度大小,获得第三训练样本集合;
对所述第三训练样本集合中的图像进行二值化处理,获得所述目标训练样本集合,所述二值化处理为局部二值化处理或全局二值化处理;
对应地,
所述对所述预处理图像进行归一化处理,获得归一化图像作为所述目标待识别图像,包括:
调整所述预处理图像的尺寸大小,获得第一图像;
调整所述预处理图像的亮度大小,获得第二图像;
调整所述预处理图像的对比度大小,获得第三图像;
对所述第三图像进行二值化处理,获得所述目标待识别图像,所述二值化处理为局部二值化处理或全局二值化处理。
优选的,所述预设支持向量机训练参数包括预设分类器类型、预设核函数和预设训练终止条件;所述预设分类器类型为二分类;所述预设训练终止条件包括预设迭代次数或误差允许范围。
优选的,还包括:
获取与所述训练样本集合无交集的测试样本集合,所述测试样本集合包括多个历史物料传送带图像,所述历史物料传送带图像具有识别结果标签;
对所述测试样本集合中的图像进行处理,获得目标测试样本集合,所述目标测试样本集合包括多个目标历史物料传送带图像,所述目标历史物料传送带图像符合所述预设条件且具有所述识别结果标签;
根据所述支持向量机对所述目标测试样本集合中的图像进行识别,获得所述目标测试样本集合中的图像识别结果;
根据所述目标测试样本集合中目标历史物料传送带图像的识别结果标签和所述目标测试样本集合中的图像识别结果,获得识别正确率;
若所述识别正确率大于等于预设阈值,确定所述支持向量机为目标支持向量机。
优选的,所述测试样本集合中图像数量占所述测试样本集合中图像和所述训练样本集合中图像的总数的10%到30%。
优选的,还包括:
若所述识别正确率小于预设阈值,返回调整执行所述对所述训练样本集合中的图像进行处理,获得目标训练样本集合的步骤,或返回调整执行所述根据所述目标训练样本集合和支持向量机算法进行机器学习训练,获得支持向量机作为目标支持向量机的步骤。
第二方面,本发明实施例提供了一种图像识别的装置,其特征在于,包括:
获取单元,用于获取待识别图像,所述待识别图像为物料传送带图像;
处理获得单元,用于对所述待识别图像进行处理,获得目标待识别图像,所述目标待识别图像为符合预设条件的物料传送带图像;
识别获得单元,用于根据目标支持向量机对所述目标待识别图像进行识别,获得所述目标待识别图像的识别结果,所述支持向量机是基于历史物料传送带图像、对应的识别结果标签和支持向量机算法预先训练得到,所述识别结果为正常或者异常。
与现有技术相比,本发明至少具有以下优点:
采用本发明实施例的技术方案,首先,获取物料传送带图像作为待识别图像;然后,对所述待识别图像进行处理,获得符合预设条件的物料传送带图像作为目标待识别图像;最后,根据目标支持向量机对所述目标待识别图像进行识别,获得所述目标待识别图像正常或者异常的识别结果,所述支持向量机是基于历史物料传送带图像、对应的识别结果标签和支持向量机算法预先训练得到。由此可见,利用基于机器学习训练得到的目标支持向量机识别符合预设条件的物料传送带图像的方式,代替了人为实时识别的方式,目标支持向量机自动识别图像节省了人力精力,提高了识别效率和识别准确率,避免了漏掉识别某些图像或者某些图像识别错误等问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例中一种应用场景所涉及的系统框架示意图;
图2为本发明实施例提供的一种图像识别的方法的流程示意图;
图3为本发明实施例提供的一种图像识别的装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一般地,对于物料传送带而言,例如,水泥行业的物料传送带,需要观察摄像机拍摄到的物料传送带图像,监控物料传送带是否出现无料异常状态,即,是否物料传送带未传送水泥,以便控制物料传送带的水泥传送。现有技术中,在接收到摄像机发送的物料传送带图像后,需要工作人员人为实时识别该图像是否表示为物料传送带未传送水泥,从而根据人为实时识别结果控制物料传送带的水泥传送。
但是,发明人研究发现,采用人为实时识别的方式,在工作期间一直需要工作人员监视识别物料传送带图像,非常耗费人力精力;而且,人为识别很有可能存在漏掉识别某些图像或者某些图像识别错误等问题,因此,人为实时识别的方式并不适用于物料传送带图像识别的场景。
为了解决这一问题,在本发明实施例中,首先,获取物料传送带图像作为待识别图像;然后,对所述待识别图像进行处理,获得符合预设条件的物料传送带图像作为目标待识别图像;最后,根据目标支持向量机对所述目标待识别图像进行识别,获得所述目标待识别图像正常或者异常的识别结果,所述支持向量机是基于历史物料传送带图像、对应的识别结果标签和支持向量机算法预先训练得到。由此可见,利用基于机器学习训练得到的目标支持向量机识别符合预设条件的物料传送带图像的方式,代替了人为实时识别的方式,目标支持向量机自动识别图像节省了人力精力,提高了识别效率和识别准确率,避免了漏掉识别某些图像或者某些图像识别错误等问题。
举例来说,本发明实施例的场景之一,可以是应用到如图1所示的场景中,该场景包括摄像机101、图像处理识别设备102和报警器103。摄像机101通过高清摄像头通拍摄物料传送带生成待识别图像,并发送给图像处理识别设备102;图像处理识别设备102获取待识别图像;图像处理识别设备102对所述待识别图像进行处理,获得目标待识别图像,所述目标待识别图像为符合预设条件的物料传送带图像;图像处理识别设备102根据目标支持向量机对所述目标待识别图像进行识别,获得所述目标待识别图像的识别结果并发送至报警器103,所述支持向量机是基于历史物料传送带图像、对应的识别结果标签和支持向量机算法预先训练得到,所述识别结果为正常或者异常;报警器103根据所述目标待识别图像的识别结果确定是否进行报警提示。
可以理解的是,在上述应用场景中,虽然将本发明实施方式的动作描述由图像处理识别设备102执行,但是,本发明在执行主体方面不受限制,只要执行了本发明实施方式所公开的动作即可。
可以理解的是,上述场景仅是本发明实施例提供的一个场景示例,本发明实施例并不限于此场景。
下面结合附图,通过实施例来详细说明本发明实施例中图像识别的方法和装置的具体实现方式。
示例性方法
参见图2,示出了本发明实施例中一种图像识别的方法的流程示意图。在本实施例中,所述方法例如可以包括以下步骤:
步骤201:获取待识别图像,所述待识别图像为物料传送带图像。
步骤202:对所述待识别图像进行处理,获得目标待识别图像,所述目标待识别图像为符合预设条件的物料传送带图像。
步骤203:根据目标支持向量机对所述目标待识别图像进行识别,获得所述目标待识别图像的识别结果,所述支持向量机是基于历史物料传送带图像、对应的识别结果标签和支持向量机算法预先训练得到,所述识别结果为正常或者异常。
可理解的是,现有技术采用人为实时识别的方式存在以下问题:第一,耗费人力精力;第二,漏掉识别某些图像;第三,某些图像识别错误。为了解决这些问题,考虑采用机器学习识别图像的方式,又由于支持向量机算法是一个能够将不同类别样本在样本空间分割的超平面,相对于其他机器学习算法有很大的优势,本实施例采用训练好的支持向量机进行图像识别。
需要说明的是,为了适应物料传送带场景,需要机器学习训练得到一个适用于该场景的目标支持向量机。机器学习训练首先应该得到携带有识别结果标签的图像组成的训练样本集合,然后对该训练样本集合进行处理,使得该训练样本集合中图像的具有较为统一的某些特性,以便于最后采用支持向量机算法对处理后的训练样本集合进行识别训练。因此,在本实施例的一些实施方式中,所述目标支持向量机的训练过程具体可以包括以下步骤:
步骤A:获取训练样本集合,所述训练样本集合包括多个历史物料传送带图像,所述历史物料传送带图像具有识别结果标签;
步骤B:对所述训练样本集合中的图像进行处理,获得目标训练样本集合,所述目标训练样本集合包括多个目标历史物料传送带图像,所述目标历史物料传送带图像符合所述预设条件且具有所述识别结果标签;
步骤C:根据所述目标训练样本集合和支持向量机算法进行机器学习训练,获得支持向量机作为目标支持向量机,所述支持向量机算法包括预设支持向量机训练参数。
其中,识别结果标签例如可以是人工识别历史物料传送带图像后标注的。
需要说明的是,为了使得步骤A中的训练样本集合中图像的具有较为统一的某些特性,一般可以分为预处理和归一化处理两个过程。其中,预处理的目的是消除图像中的无关信息,恢复有用的真实信息,增强有关信息的可检测性和最大限度的简化数据,从而提高后续图像识别训练的可靠性;归一化处理的目的是消除图像中由于拍摄环境中某些因素等影响所产生的不同,增强图像中识别训练实际需要信息特征,从而便于后续图像识别训练。因此,在本实施例的一些实施方式中,所述步骤B具体可以包括以下步骤:
步骤B1:对训练样本集合中的图像进行预处理,获得预处理训练样本集合;
步骤B2:对所述预处理训练样本集合中的图像进行归一化处理,获得归一化训练样本集合作为所述目标训练样本集合;
对应地,同理可得,在步骤201获取得到待识别图像之后,待识别图像同样需要经过预处理和归一化处理两个过程,即,所述步骤202具体可以包括:对所述待识别图像进行预处理,获得预处理图像;对所述预处理图像进行归一化处理,获得归一化图像作为所述目标待识别图像。
需要说明的是,在图像识别技术中,常见的图像预处理包括降噪处理和灰度化处理等。因此,在本实施例的一些实施方式中,所述步骤B1具体可以包括以下步骤:
步骤B11:对所述训练样本集合中的图像进行降噪处理,获得降噪训练样本集合;
步骤B12:对所述降噪训练样本集合中的图像进行灰度化处理,获得灰度化训练样本集合作为所述预处理训练样本集合;
对应地,同理可得,所述对所述待识别图像进行预处理,获得预处理图像的步骤具体可以包括:对所述待识别图像进行降噪处理,获得降噪图像;对所述降噪图像进行灰度化处理,获得灰度化图像作为所述预处理图像。
需要说明的是,预处理训练样本集合包括经过预处理后的多个图像,这些图像很可能存在尺寸差异、由于拍摄环境光线变化所引起的亮度差异和对比度差异,需要消除这些差异,除此之外,还需要针对物料传送带场景识别训练时对图像二值化处理方式进行统一要求。也就是说,图像归一化处理需要将预处理训练样本集合中的图像归一化为尺寸、亮度、对比度和二值化方式较为统一的标准范围内。因此,在本实施例的一些实施方式中,所述步骤B2具体可以包括以下步骤:
步骤B21:调整所述预处理训练样本集合中图像的尺寸大小,获得第一训练样本集合;
步骤B22:调整所述第一训练样本集合中图像的亮度大小,获得第二训练样本集合;
步骤B23:调整所述第二练样本集合中图像的对比度大小,获得第三训练样本集合;
步骤B24:对所述第三训练样本集合中的图像进行二值化处理,获得所述目标训练样本集合,所述二值化处理为局部二值化处理或全局二值化处理;
对应地,同理可得,所述对所述预处理图像进行归一化处理,获得归一化图像作为所述目标待识别图像的步骤具体可以包括:调整所述预处理图像的尺寸大小,获得第一图像;调整所述预处理图像的亮度大小,获得第二图像;调整所述预处理图像的对比度大小,获得第三图像;对所述第三图像进行二值化处理,获得所述目标待识别图像,所述二值化处理为局部二值化处理或全局二值化处理。
需要说明的是,步骤C中采用支持向量机算法进行机器学习训练,需要预先设置具体机器学习训练的要求,即,支持向量机训练参数。由于支持向量机算法就是通过某个核函数对样本进行分类,且机器学习训练是有限的,不是无终止的永久训练,因此,在本实施例中,所述预设支持向量机训练参数包括预设分类器类型、预设核函数和预设训练终止条件。其中,由于物料传送带场景下物料传送带图像的识别结果是正常或者异常,因此,所述预设分类器类型为二分类;又因为通常训练过程中满足设定迭代次数或者不超过误差范围即可终止训练,因此,所述预设训练终止条件包括预设迭代次数或误差允许范围。
需要说明的是,在根据所述目标训练样本集合和支持向量机算法进行机器学习训练,获得支持向量机之后,还可以基于测试样本集合利用该支持向量机识别测试样本集合,以测试得到支持向量机的识别正确率,当识别正确率较高时,才将该支持向量机作为实际场景中使用的目标支持向量机。因此,在本实施例的一些实施方式中,还包括:
步骤D:获取与所述训练样本集合无交集的测试样本集合,所述测试样本集合包括多个历史物料传送带图像,所述历史物料传送带图像具有识别结果标签;
步骤E:对所述测试样本集合中的图像进行处理,获得目标测试样本集合,所述目标测试样本集合包括多个目标历史物料传送带图像,所述目标历史物料传送带图像符合所述预设条件且具有所述识别结果标签;
步骤F:根据所述支持向量机对所述目标测试样本集合中的图像进行识别,获得所述目标测试样本集合中的图像识别结果;
步骤G:根据所述目标测试样本集合中目标历史物料传送带图像的识别结果标签和所述目标测试样本集合中的图像识别结果,获得识别正确率;
步骤H:若所述识别正确率大于等于预设阈值,确定所述支持向量机为目标支持向量机。
需要说明的是,为了确保支持向量机识别可靠性,测试样本集合中图像的数量与测试样本集合中图像和训练样本集合中图像的总数的比值有一定的范围限制,既不能太少,也不能太多,不能影响在测试时的识别准确率。因此,在本实施例的一些实施方式中,所述测试样本集合中图像数量占所述测试样本集合中图像和所述训练样本集合中图像的总数的10%到30%。
需要说明的是,有可能存在识别正确率小于预设阈值的情况,此时,应该分析所述目标测试样本集合中目标历史物料传送带图像的识别结果标签和所述目标测试样本集合中的图像识别结果不一致的原因,根据原因确定是步骤B对所述训练样本集合中的图像进行处理不合适还是步骤C根据所述目标训练样本集合和支持向量机算法进行机器学习训练,获得支持向量机不合适,相应地调整执行步骤B或步骤C。即,在本实施例的一些实施方式中,还包括:若所述识别正确率小于预设阈值,返回调整执行所述步骤B,或返回调整执行所述步骤C。
例如,具体的目标支持向量机的训练过程为:获取训练样本集合,训练样本集合包括多个具有正常标签或异常标签的历史物料传送带图像;对训练样本集合中的图像进行降噪处理,获得降噪训练样本集合;对降噪训练样本集合中的图像进行灰度化处理,获得灰度化训练样本集合作为预处理训练样本集合;调整预处理训练样本集合中图像的尺寸大小,获得第一训练样本集合;调整第一训练样本集合中图像的亮度大小,获得第二训练样本集合;调整第二练样本集合中图像的对比度大小,获得第三训练样本集合;对第三训练样本集合中的图像进行局部二值化处理,获得目标训练样本集合;选择预设分类器类型为二分类、预设核函数为无、预设迭代次数为1000次或误差允许范围为0.0001的支持向量机算法,根据目标训练样本集合和上述支持向量机算法进行机器学习训练,获得支持向量机。获取与训练样本集合无交集的测试样本集合,测试样本集合同样包括多个具有正常标签或异常标签的历史物料传送带图像;经过和训练样本集合相同的处理方式得到目标测试样本集合;根据支持向量机对目标测试样本集合中的图像进行识别,获得目标测试样本集合中的图像识别结果;根据目标测试样本集合中目标历史物料传送带图像的识别结果标签和目标测试样本集合中的图像识别结果,获得识别正确率;判断识别正确率是否大于等于90%,若是,才确定支持向量机为目标支持向量机。
通过本实施例提供的各种实施方式,首先,获取物料传送带图像作为待识别图像;然后,对所述待识别图像进行处理,获得符合预设条件的物料传送带图像作为目标待识别图像;最后,根据目标支持向量机对所述目标待识别图像进行识别,获得所述目标待识别图像正常或者异常的识别结果,所述支持向量机是基于历史物料传送带图像、对应的识别结果标签和支持向量机算法预先训练得到。由此可见,利用基于机器学习训练得到的目标支持向量机识别符合预设条件的物料传送带图像的方式,代替了人为实时识别的方式,目标支持向量机自动识别图像节省了人力精力,提高了识别效率和识别准确率,避免了漏掉识别某些图像或者某些图像识别错误等问题。
示例性设备
参见图3,示出了本发明实施例中一种图像识别的装置的结构示意图。在本实施例中,所述装置例如具体可以包括:
获取单元301,用于获取待识别图像,所述待识别图像为物料传送带图像;
处理获得单元302,用于对所述待识别图像进行处理,获得目标待识别图像,所述目标待识别图像为符合预设条件的物料传送带图像;
识别获得单元303,用于根据目标支持向量机对所述目标待识别图像进行识别,获得所述目标待识别图像的识别结果,所述支持向量机是基于历史物料传送带图像、对应的识别结果标签和支持向量机算法预先训练得到,所述识别结果为正常或者异常。
可选的,所述装置包括目标支持向量机训练单元,所述目标支持向量机训练单元包括:
第一获取子单元,用于获取训练样本集合,所述训练样本集合包括多个历史物料传送带图像,所述历史物料传送带图像具有识别结果标签;
第一处理获得子单元,用于对所述训练样本集合中的图像进行处理,获得目标训练样本集合,所述目标训练样本集合包括多个目标历史物料传送带图像,所述目标历史物料传送带图像符合所述预设条件且具有所述识别结果标签;
第一训练获得子单元,用于根据所述目标训练样本集合和支持向量机算法进行机器学习训练,获得支持向量机作为目标支持向量机,所述支持向量机算法包括预设支持向量机训练参数。
可选的,所述第一处理获得子单元包括:
预处理获得模块,用于对训练样本集合中的图像进行预处理,获得预处理训练样本集合;
归一化获得模块,用于对所述预处理训练样本集合中的图像进行归一化处理,获得归一化训练样本集合作为所述目标训练样本集合;
对应地,
所述处理获得单元302包括:
预处理获得子单元,用于对所述待识别图像进行预处理,获得预处理图像;
归一化获得子单元,用于对所述预处理图像进行归一化处理,获得归一化图像作为所述目标待识别图像。
可选的,所述预处理获得模块包括:
降噪获得子模块,用于对所述训练样本集合中的图像进行降噪处理,获得降噪训练样本集合;
灰度化获得子模块,用于对所述降噪训练样本集合中的图像进行灰度化处理,获得灰度化训练样本集合作为所述预处理训练样本集合;
对应地,所述预处理获得子单元包括:
降噪获得模块,用于对所述待识别图像进行降噪处理,获得降噪图像;
灰度化获得模块,用于对所述降噪图像进行灰度化处理,获得灰度化图像作为所述预处理图像。
可选的,所述归一化获得模块包括:
第一获得子模块,用于调整所述预处理训练样本集合中图像的尺寸大小,获得第一训练样本集合;
第二获得子模块,用于调整所述第一训练样本集合中图像的亮度大小,获得第二训练样本集合;
第三获得子模块,用于调整所述第二练样本集合中图像的对比度大小,获得第三训练样本集合;
二值化获得子模块,用于对所述第三训练样本集合中的图像进行二值化处理,获得所述目标训练样本集合,所述二值化处理为局部二值化处理或全局二值化处理;
对应地,所述归一化获得子单元包括:
第一获得模块,用于调整所述预处理图像的尺寸大小,获得第一图像;
第二获得模块,用于调整所述预处理图像的亮度大小,获得第二图像;
第三获得模块,用于调整所述预处理图像的对比度大小,获得第三图像;
二值化获得模块,用于对所述第三图像进行二值化处理,获得所述目标待识别图像,所述二值化处理为局部二值化处理或全局二值化处理。
可选的,所述预设支持向量机训练参数包括预设分类器类型、预设核函数和预设训练终止条件;所述预设分类器类型为二分类;所述预设训练终止条件包括预设迭代次数或误差允许范围。
可选的,所述目标支持向量机训练单元还包括:
第二获取子单元,用于获取与所述训练样本集合无交集的测试样本集合,所述测试样本集合包括多个历史物料传送带图像,所述历史物料传送带图像具有识别结果标签;
第二处理获得子单元,用于对所述测试样本集合中的图像进行处理,获得目标测试样本集合,所述目标测试样本集合包括多个目标历史物料传送带图像,所述目标历史物料传送带图像符合所述预设条件且具有所述识别结果标签;
识别获得子单元,用于根据所述支持向量机对所述目标测试样本集合中的图像进行识别,获得所述目标测试样本集合中的图像识别结果;
获得子单元,用于根据所述目标测试样本集合中目标历史物料传送带图像的识别结果标签和所述目标测试样本集合中的图像识别结果,获得识别正确率;
确定子单元,用于若所述识别正确率大于等于预设阈值,确定所述支持向量机为目标支持向量机。
可选的,所述测试样本集合中图像数量占所述测试样本集合中图像和所述训练样本集合中图像的总数的10%到30%。
可选的,所述目标支持向量机训练单元还包括:
返回子单元,用于若所述识别正确率小于预设阈值,返回调整执行所述对所述训练样本集合中的图像进行处理,获得目标训练样本集合的步骤,或返回调整执行所述根据所述目标训练样本集合和支持向量机算法进行机器学习训练,获得支持向量机作为目标支持向量机的步骤。
通过本实施例提供的各种实施方式,获取单元用于获取待识别图像,所述待识别图像为物料传送带图像;处理获得单元用于对所述待识别图像进行处理,获得目标待识别图像,所述目标待识别图像为符合预设条件的物料传送带图像;识别获得单元用于根据目标支持向量机对所述目标待识别图像进行识别,获得所述目标待识别图像的识别结果,所述支持向量机是基于历史物料传送带图像、对应的识别结果标签和支持向量机算法预先训练得到,所述识别结果为正常或者异常。由此可见,利用基于机器学习训练得到的目标支持向量机识别符合预设条件的物料传送带图像的方式,代替了人为实时识别的方式,目标支持向量机自动识别图像节省了人力精力,提高了识别效率和识别准确率,避免了漏掉识别某些图像或者某些图像识别错误等问题。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。任何熟悉本领域的技术人员,在不脱离本发明技术方案范围情况下,都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (10)
1.一种图像识别的方法,其特征在于,包括:
获取待识别图像,所述待识别图像为物料传送带图像;
对所述待识别图像进行处理,获得目标待识别图像,所述目标待识别图像为符合预设条件的物料传送带图像;
根据目标支持向量机对所述目标待识别图像进行识别,获得所述目标待识别图像的识别结果,所述支持向量机是基于历史物料传送带图像、对应的识别结果标签和支持向量机算法预先训练得到,所述识别结果为正常或者异常。
2.根据权利要求1所述的方法,其特征在于,所述目标支持向量机的训练过程包括:
获取训练样本集合,所述训练样本集合包括多个历史物料传送带图像,所述历史物料传送带图像具有识别结果标签;
对所述训练样本集合中的图像进行处理,获得目标训练样本集合,所述目标训练样本集合包括多个目标历史物料传送带图像,所述目标历史物料传送带图像符合所述预设条件且具有所述识别结果标签;
根据所述目标训练样本集合和支持向量机算法进行机器学习训练,获得支持向量机作为目标支持向量机,所述支持向量机算法包括预设支持向量机训练参数。
3.根据权利要求2所述的方法,其特征在于,所述对所述训练样本集合中的图像进行处理,获得目标训练样本集合,包括:
对训练样本集合中的图像进行预处理,获得预处理训练样本集合;
对所述预处理训练样本集合中的图像进行归一化处理,获得归一化训练样本集合作为所述目标训练样本集合;
对应地,
所述对所述待识别图像进行处理,获得目标待识别图像,包括:
对所述待识别图像进行预处理,获得预处理图像;
对所述预处理图像进行归一化处理,获得归一化图像作为所述目标待识别图像。
4.根据权利要求3所述的方法,其特征在于,所述对训练样本集合中的图像进行预处理,获得预处理训练样本集合,包括:
对所述训练样本集合中的图像进行降噪处理,获得降噪训练样本集合;
对所述降噪训练样本集合中的图像进行灰度化处理,获得灰度化训练样本集合作为所述预处理训练样本集合;
对应地,
所述对所述待识别图像进行预处理,获得预处理图像,包括:
对所述待识别图像进行降噪处理,获得降噪图像;
对所述降噪图像进行灰度化处理,获得灰度化图像作为所述预处理图像。
5.根据权利要求3所述的方法,其特征在于,所述对所述预处理训练样本集合中的图像进行归一化处理,获得归一化训练样本集合作为所述目标训练样本集合,包括:
调整所述预处理训练样本集合中图像的尺寸大小,获得第一训练样本集合;
调整所述第一训练样本集合中图像的亮度大小,获得第二训练样本集合;
调整所述第二练样本集合中图像的对比度大小,获得第三训练样本集合;
对所述第三训练样本集合中的图像进行二值化处理,获得所述目标训练样本集合,所述二值化处理为局部二值化处理或全局二值化处理;
对应地,
所述对所述预处理图像进行归一化处理,获得归一化图像作为所述目标待识别图像,包括:
调整所述预处理图像的尺寸大小,获得第一图像;
调整所述预处理图像的亮度大小,获得第二图像;
调整所述预处理图像的对比度大小,获得第三图像;
对所述第三图像进行二值化处理,获得所述目标待识别图像,所述二值化处理为局部二值化处理或全局二值化处理。
6.根据权利要求2所述的方法,其特征在于,所述预设支持向量机训练参数包括预设分类器类型、预设核函数和预设训练终止条件;所述预设分类器类型为二分类;所述预设训练终止条件包括预设迭代次数或误差允许范围。
7.根据权利要求2所述的方法,其特征在于,还包括:
获取与所述训练样本集合无交集的测试样本集合,所述测试样本集合包括多个历史物料传送带图像,所述历史物料传送带图像具有识别结果标签;
对所述测试样本集合中的图像进行处理,获得目标测试样本集合,所述目标测试样本集合包括多个目标历史物料传送带图像,所述目标历史物料传送带图像符合所述预设条件且具有所述识别结果标签;
根据所述支持向量机对所述目标测试样本集合中的图像进行识别,获得所述目标测试样本集合中的图像识别结果;
根据所述目标测试样本集合中目标历史物料传送带图像的识别结果标签和所述目标测试样本集合中的图像识别结果,获得识别正确率;
若所述识别正确率大于等于预设阈值,确定所述支持向量机为目标支持向量机。
8.根据权利要求7所述的方法,其特征在于,所述测试样本集合中图像数量占所述测试样本集合中图像和所述训练样本集合中图像的总数的10%到30%。
9.根据权利要求7所述的方法,其特征在于,还包括:
若所述识别正确率小于预设阈值,返回调整执行所述对所述训练样本集合中的图像进行处理,获得目标训练样本集合的步骤,或返回调整执行所述根据所述目标训练样本集合和支持向量机算法进行机器学习训练,获得支持向量机作为目标支持向量机的步骤。
10.一种图像识别的装置,其特征在于,包括:
获取单元,用于获取待识别图像,所述待识别图像为物料传送带图像;
处理获得单元,用于对所述待识别图像进行处理,获得目标待识别图像,所述目标待识别图像为符合预设条件的物料传送带图像;
识别获得单元,用于根据目标支持向量机对所述目标待识别图像进行识别,获得所述目标待识别图像的识别结果,所述支持向量机是基于历史物料传送带图像、对应的识别结果标签和支持向量机算法预先训练得到,所述识别结果为正常或者异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810071750.6A CN108229422A (zh) | 2018-01-25 | 2018-01-25 | 一种图像识别的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810071750.6A CN108229422A (zh) | 2018-01-25 | 2018-01-25 | 一种图像识别的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108229422A true CN108229422A (zh) | 2018-06-29 |
Family
ID=62667621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810071750.6A Pending CN108229422A (zh) | 2018-01-25 | 2018-01-25 | 一种图像识别的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229422A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109246296A (zh) * | 2018-08-27 | 2019-01-18 | 河南丰泰光电科技有限公司 | 一种手机安全信息生成及储存方法 |
CN109879005A (zh) * | 2019-04-15 | 2019-06-14 | 天津美腾科技有限公司 | 皮带撕裂检测装置及方法 |
CN110688977A (zh) * | 2019-10-09 | 2020-01-14 | 浙江中控技术股份有限公司 | 一种工业图像识别方法、装置、服务器及存储介质 |
CN113192016A (zh) * | 2021-04-21 | 2021-07-30 | 深圳力维智联技术有限公司 | 传送带异常变形检测方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143081A (zh) * | 2014-07-07 | 2014-11-12 | 闻泰通讯股份有限公司 | 基于嘴部特征的笑脸识别系统及方法 |
CN104156726A (zh) * | 2014-08-19 | 2014-11-19 | 大连理工大学 | 一种基于几何形状特征的工件识别方法及装置 |
CN105389567A (zh) * | 2015-11-16 | 2016-03-09 | 上海交通大学 | 基于稠密光流直方图的群体异常检测方法 |
CN105512612A (zh) * | 2015-11-24 | 2016-04-20 | 中科院合肥技术创新工程院 | 一种基于svm的胶囊内窥镜图像分类方法 |
CN106228580A (zh) * | 2016-07-29 | 2016-12-14 | 李铮 | 一种基于视频分析的物料检测、节能方法及系统 |
CN106651825A (zh) * | 2015-11-03 | 2017-05-10 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于图像分割的工件定位与识别的方法 |
CN106779755A (zh) * | 2016-12-31 | 2017-05-31 | 湖南文沥征信数据服务有限公司 | 一种网络电商借贷风险评估方法及模型 |
-
2018
- 2018-01-25 CN CN201810071750.6A patent/CN108229422A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143081A (zh) * | 2014-07-07 | 2014-11-12 | 闻泰通讯股份有限公司 | 基于嘴部特征的笑脸识别系统及方法 |
CN104156726A (zh) * | 2014-08-19 | 2014-11-19 | 大连理工大学 | 一种基于几何形状特征的工件识别方法及装置 |
CN106651825A (zh) * | 2015-11-03 | 2017-05-10 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于图像分割的工件定位与识别的方法 |
CN105389567A (zh) * | 2015-11-16 | 2016-03-09 | 上海交通大学 | 基于稠密光流直方图的群体异常检测方法 |
CN105512612A (zh) * | 2015-11-24 | 2016-04-20 | 中科院合肥技术创新工程院 | 一种基于svm的胶囊内窥镜图像分类方法 |
CN106228580A (zh) * | 2016-07-29 | 2016-12-14 | 李铮 | 一种基于视频分析的物料检测、节能方法及系统 |
CN106779755A (zh) * | 2016-12-31 | 2017-05-31 | 湖南文沥征信数据服务有限公司 | 一种网络电商借贷风险评估方法及模型 |
Non-Patent Citations (7)
Title |
---|
全国统计建模大赛执行委员会 等,: "《2014年(第四届)全国统计建模大赛获奖论文选》", 31 July 2015, 中国统计出版社 * |
周述虹,: "《电学领域热点专利技术分析》", 31 July 2017, 知识产权出版社 * |
张春祥 等,: "《基于短语评价的翻译知识获取》", 29 February 2012, 哈尔滨工业大学出版社 * |
文少波 等,: "《新能源汽车及其智能化技术》", 30 September 2017, 东南大学出版社 * |
潘怡 等,: "《数据流知识发现》", 31 December 2016, 华中科技大学出版社 * |
王斌 等,: "《高校学生社团建设的理论与实践》", 30 June 2014, 四川大学出版社 * |
边莉 等,: "《交叉熵算法在电子工程领域中的应用》", 31 August 2016, 西安电子科技大学出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109246296A (zh) * | 2018-08-27 | 2019-01-18 | 河南丰泰光电科技有限公司 | 一种手机安全信息生成及储存方法 |
CN109879005A (zh) * | 2019-04-15 | 2019-06-14 | 天津美腾科技有限公司 | 皮带撕裂检测装置及方法 |
CN110688977A (zh) * | 2019-10-09 | 2020-01-14 | 浙江中控技术股份有限公司 | 一种工业图像识别方法、装置、服务器及存储介质 |
CN113192016A (zh) * | 2021-04-21 | 2021-07-30 | 深圳力维智联技术有限公司 | 传送带异常变形检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229422A (zh) | 一种图像识别的方法和装置 | |
US11449980B2 (en) | System and method for combined automatic and manual inspection | |
CN109879005A (zh) | 皮带撕裂检测装置及方法 | |
CN105067428B (zh) | 用于弹性材料的裂纹萌生寿命试验机及使用其的方法 | |
US20200013156A1 (en) | Method for monitoring manufacture of assembly units | |
CN109060817B (zh) | 人工智能复检系统及其方法 | |
CN111507147A (zh) | 智能巡检方法、装置、计算机设备和存储介质 | |
CN110570146B (zh) | 一种产品分拣方法及装置、计算机可读存储介质 | |
CN107024478A (zh) | 一种零件加工自动缺陷识别系统 | |
CN109003271A (zh) | 一种基于深度学习yolo算法的线束连接器排线质量检测方法 | |
JP2009245435A (ja) | 生産ライン機械コントローラとデータを交換する能力を備えたプロセス制御システム | |
CN103776841A (zh) | 合成革缺陷自动检测装置及检测方法 | |
CN109724993A (zh) | 图像识别设备的污损程度的检测方法、装置和存储介质 | |
CN106706656A (zh) | 一种基于机器视觉的拉链检测装置及方法 | |
CN105821538A (zh) | 细纱断裂的检测方法和系统 | |
CN110927167A (zh) | 一种禽蛋检测方法、装置、电子设备及存储介质 | |
US20200005084A1 (en) | Training method of, and inspection system based on, iterative deep learning system | |
CN111079831A (zh) | 智能型光学检测的样品特征与瑕疵自动标记方法及其装置 | |
CN112487976B (zh) | 基于图像识别的监测方法、装置和存储介质 | |
CN117114420A (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
CN117197087A (zh) | 样本数据的处理方法、装置、电子设备和存储介质 | |
CN114324382A (zh) | 面板端子清洁度检测方法及面板端子清洁度检测装置 | |
CN116175586A (zh) | 巡检机器人和基于巡检机器人的电力巡检方法及系统 | |
CN114154571B (zh) | 一种针对图像的智能化的辅助标注方法及系统 | |
CN109344799B (zh) | 物品识别方法、装置及设备、存储介质、电子装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180629 |