CN109117857B - 一种生物属性的识别方法、装置及设备 - Google Patents
一种生物属性的识别方法、装置及设备 Download PDFInfo
- Publication number
- CN109117857B CN109117857B CN201810989590.3A CN201810989590A CN109117857B CN 109117857 B CN109117857 B CN 109117857B CN 201810989590 A CN201810989590 A CN 201810989590A CN 109117857 B CN109117857 B CN 109117857B
- Authority
- CN
- China
- Prior art keywords
- identified
- similarity
- attribute
- target image
- recognized
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
Abstract
本申请公开了一种生物属性的识别方法,包括获取待识别生物的目标图像,然后提取目标图像中待识别生物的形态特征并利用预先设置的识别模型得出目标图像与各样本图片的相似度;利用识别模型对待识别生物的形态特征进行识别并计算出相似度,以根据各相似度判定待识别生物的属性,避免了由于各检疫人员的知识储备和经验的不同而导致对待识别生物的识别偏差,因此提高了识别生物属性准确度。本申请还公开了一种生物属性的识别装置及设备,均具有上述有益效果。
Description
技术领域
本发明涉及图像识别领域,特别涉及一种生物属性的识别方法、装置及设备。
背景技术
近年来,生物安全作为国家公共安全体系重要组成部分,具有重要的战略意义,越来越受到重视。由于外来入侵物种危及本地物种生存,破坏生态系统,造成经济损失,因此需要对疫情进行严格防控,也即需要对入境的生物进行准确地识别判断。
现有技术中,检疫部门在进行生物检疫时,检疫人员一般通过当场观察或者是在实验室中利用显微镜进行观察、或者将待识别生物进行培养和种植以进行观察的方式得出待识别生物的属性。在这些情况下,都是由检疫人员人为地观察待识别生物的特征,并利用自身的知识储备和经验对生物的属性进行判断,这种主要依据检疫人员的主观判断以得出结论的方式,将由于各检疫人员的知识储备量和经验不同,而导致对生物属性的判断存在偏差。
因此,如何能够更准确地识别生物属性是本领域技术人员目前需要解决的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种生物属性的识别方法、装置及设备方法,能够准确地识别生物属性;本发明的另一目的是提供一种生物属性的识别方法、装置及设备装置及设备,均具有上述有益效果。
为解决上述技术问题,本发明提供一种生物属性的识别方法,包括:
获取待识别生物的目标图像;
提取所述目标图像中所述待识别生物的形态特征并利用预先设置的识别模型得出所述目标图像与各样本图片的相似度;
根据各所述相似度判定所述待识别生物的属性。
优选地,所述根据所述相似度判定所述待识别生物的属性具体包括:
比较各相似度并得出最高相似度和次高相似度;
判断所述最高相似度是否大于第一判断阈值且大于所述次高相似度的预设倍数;
若是,则将所述最高相似度的样本图片对应的属性作为所述待识别生物的属性。
优选地,进一步包括:
若否,则进一步提取所述待识别生物的局部特征,并利用所述识别模型根据所述局部特征得出与各所述样本图片的相似度;
根据各所述局部特征相似度计算出所述目标图像与各所述样本图片的相似度并进入所述比较各相似度并得出最高相似度和次高相似度的步骤。
优选地,所述识别模型的建立过程具体包括:
获取所述样本图片;
将所述样本图片按照预设规则进行预处理;
根据预设维度对各所述样本图片的形态特征和局部特征进行提取并进行归类,从而建立所述识别模型。
优选地,在所述根据各所述相似度判定所述待识别生物的属性之前,进一步包括:
接收根据所述目标图像和/或根据所述待识别生物得出的语音信息和/或根据所述待识别生物得出的文字信息得出的识别结果;
对应的,所述根据各所述相似度判定所述待识别生物的属性具体为:
根据所述相似度和所述识别结果判定所述待识别生物的所述属性。
优选地,所述获取待识别生物的目标图像具体包括:
获取待识别图像;
利用预先设置的负样本识别模型判断所述待识别图像中是否为待识别生物;
若是,则将所述待识别图像作为所述目标图像。
优选地,在所述根据各所述相似度判定所述待识别生物的属性之后,进一步包括:
显示与所述待识别生物的属性对应的处理预案。
优选地,在所述根据各所述相似度判定所述待识别生物的属性之后,进一步包括:
将所述目标图像和对应的属性存储至网络存储器中。
为解决上述技术问题,本发明还提供一种生物属性的识别装置,包括:
获取模块,用于获取待识别生物的目标图像;
识别模块,用于提取所述目标图像中所述待识别生物的形态特征并利用预先设置的识别模型得出所述目标图像与各样本图片的相似度;
判定模块,用于根据各所述相似度判定所述待识别生物的属性。
为解决上述技术问题,本发明还提供一种生物属性的识别设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述任一种生物属性的识别方法的步骤。
本发明提供的一种生物属性的识别方法,包括获取待识别生物的目标图像,然后提取目标图像中待识别生物的形态特征并利用预先设置的识别模型得出目标图像与各样本图片的相似度;利用识别模型对待识别生物的形态特征进行识别并计算出相似度,以根据各相似度判定待识别生物的属性,避免了由于各检疫人员的知识储备和经验的不同而导致对待识别生物的识别偏差,因此提高了识别生物属性准确度。
为解决上述技术问题,本发明还提供了一种生物属性的识别装置及设备,均具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术的技术方案,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种生物属性的识别方法的流程图;
图2为本发明实施例提供的另一种生物属性的识别方法的流程图;
图3为本发明实施例提供的识别模型的建立过程的流程图;
图4为本发明实施例提供的一种生物属性的识别装置的结构图;
图5为本发明实施例提供的一种生物属性的识别设备的结构图。
具体实施方式
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。
本发明实施例的核心是提供一种生物属性的识别方法,能够提高识别待识别生物的属性的准确度;本发明的另一核心是提供一种生物属性的识别装置及设备,均具有上述有益效果。
为了使本领域技术人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
图1为本发明实施例提供的一种生物属性的识别方法的流程图。如图1所示,一种生物属性的识别方法包括:
S10:获取待识别生物的目标图像。
具体的,待识别生物指的是需要进行属性识别的生物,也即在进行检疫时的入境的产品、货物和食品中含有的生物。在本实施例中,待识别生物具体指的是昆虫和草籽。具体的,获取待识别生物的目标图像的方法,可以利用拍摄装置实时拍摄或者扫描以得出目标图像,也可以从预先拍摄或扫描并进行存储的图像中选择目标图像,然后将目标图像进行上传,以便获取待识别生物的目标图像并对目标图像进行操作。其中,拍摄装置可以是照相机,也可以是带有摄像头的移动终端,还可以是显微镜等,本实施例对此不做限定。可以理解的是,采用的拍摄装置的像素越高,获取到的目标图像越清晰,后续对目标图像进行处理的精度也将越高。更具体的,为了进一步防止由于拍摄或扫描待识别生物时的环境因素对获取目标图像造成的影响,还可以在对待识别生物进行拍摄或者扫描时,对待识别生物进行补光处理,也即利用闪光灯或者增加照明设备以使得获取到的目标图像更加清晰。除了本实施例中列举的方式之外,还可以采用其他的方式获取待识别生物的目标图像,本实施例对此不做具体的限定。
需要说明的是,在拍摄或者扫描的过程中,可以根据实际需求调整待识别生物在目标图像中所呈现的大小,以使得获取的目标图像更加清晰。进一步的,可以通过调整拍摄装置与待识别生物之间的距离,或者在摄像头前增加放大器,或者是通过调整显微镜的物镜和目镜的方式使得获取到的待识别生物的目标图像为待识别生物的放大后的图像,以便于后续的操作。
S20:提取目标图像中待识别生物的形态特征并利用预先设置的识别模型得出目标图像与各样本图片的相似度。
具体的,在获取到待识别生物的目标图像之后,首先是按照预设的提取规则提取目标图像中的待识别生物的形态特征,然后将提取到的形态特征放入到预先设置的识别模型中进行识别计算,以得出目标图像与识别模型中各样本图片的相似度。
需要说明的是,提取目标图像中的待识别生物的形态特征也就是使用数学手段通过编程实现将目标图像中的图像信息进行量化表达,常用的特征提取的方法有HOG(Histogram of Oriented Gradient,方向梯度直方分布图)、LBP(Local BinaryPatterns,局部二值模式)等,本实施例对具体的提取方式不做限定。
需要说明的是,在本实施例中,当提取出目标图像中的待识别生物的形态特征之后,利用预先设置的识别模型计算目标图像中的形态特征与各样本图片的形态特征的相似度。具体的,计算相似度的方法多种多样,可以是采用欧几里得距离(EucledianDistance)、曼哈顿距离(Manhattan Distance)、明可夫斯基距离(Minkowski distance)以及余弦相似度(Cosine Similarity)等,本实施例对此不做限定。
S30:根据各相似度判定待识别生物的属性。
具体的,比较上一步骤中得出的各相似度值的大小关系,相似度越高,表示待识别生物与该相似度对应的样本图片属于同一属性的可能性越大。因此,在本实施例中,可以将相似度最高的样本图片对应的属性作为待识别生物的属性。需要说明的是,还可以通过设置识别阈值,也即在得出最高相似度之后,通过再次判断该最高相似度的值是否大于识别阈值,从而确定待识别生物的属性是否为该最高相似度对应的样本图片的属性,即得出待识别生物的属性。
本发明实施例提供的一种生物属性的识别方法,包括获取待识别生物的目标图像,然后提取目标图像中待识别生物的形态特征并利用预先设置的识别模型得出目标图像与各样本图片的相似度;利用识别模型对待识别生物的形态特征进行识别并计算出相似度,以根据各相似度判定待识别生物的属性,避免了由于各检疫人员的知识储备和经验的不同而导致对待识别生物的识别偏差,因此提高了识别生物属性准确度。
图2为本发明实施例提供的另一种生物属性的识别方法的流程图。在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,如图2所示,步骤S30根据相似度判定待识别生物的属性具体包括:
S21:比较各相似度并得出最高相似度和次高相似度;
S22:判断最高相似度是否大于第一判断阈值且大于次高相似度的预设倍数;
S23:若是,则将最高相似度的样本图片对应的属性作为待识别生物的属性。
需要说明的是,在本实施例中,提供了一种更加准确的根据各相似度判定待识别生物的属性的机制。可以理解的是,在得出目标图像与各样本图片的相似度后,根据各相似度的大小进行排序,得出最高相似度和次高相似度,然后判断最高相似度是否大于第一判断阈值且大于次高相似度的预设倍数。例如,本实施例给出了一种具体的实施方式:首先判断最高相似度是否大于50%,然后判断最高相似度是否大于次高相似度的4倍;若这两个条件都满足,则表示可以将该最高相似度对应的样本图片的属性作为待识别生物的属性。
一般的,在具体实施中,可以将各相似度对应的属性按照由高到低的顺序进行排列,并选择预设数量的属性进行展示。例如,在本实施例中,可以将最高相似度和次高相似度以及第三高相似度对应的属性均进行展示,进一步提升检疫人员的使用体验。
可见,通过本实施例提供的生物属性的识别方法,能够进一步提高识别出的生物属性的准确度。
在上述实施例的基础上,进一步包括:
S24:若否,则进一步提取待识别生物的局部特征,并利用识别模型根据局部特征得出与各样本图片的相似度;
S25:根据各局部特征相似度计算出目标图像与各样本图片的相似度并进入比较各相似度并得出最高相似度和次高相似度的步骤。
在本实施方式中,当上述两个判断条件有一个不满足或者两个均不满足时,也即,当存在多个相似度比较高的样本图片或者样本图片的相似度均比较低时,当前无法确定待识别生物的属性。或者,若最高相似度大于第二判断阈值(第二判断阈值小于第一判断阈值),且从高到低的预设数量的相似度的值均大于第三判断阈值(第三判断阈值小于第二判断阈值),则表示这些预设数量的相似度对应的样本图片的属性均可以作为当前待识别生物的参考属性。具体如:最高相似度大于20%,次高相似度和以及第三高相似度均大于10%,此时这三个相似度对应的属性均可作为参考属性。在本实施例中,通过进一步提取待识别生物的局部特征,并利用识别模型根据局部特征得出与各样本图片的相似度,从而进一步确定待识别生物的属性。例如,假设待识别生物为昆虫,则进一步提取目标图像中的昆虫的头、尾巴、角等局部特征,然后利用识别模型将头、尾巴、角等局部特征分别与各样本图片进行比较计算,并分别得出头、尾巴、角等局部特征与各样本图片对应的相似度,然后进一步计算出目标图像与各样本图片对应的相似度,并进入比较各相似度并得出最高相似度和次高相似度的步骤,从而得出待识别生物的属性。
在本实施例中,通过进一步提取待识别生物的局部特征并进行识别计算,能够进一步提高识别生物属性的精度和准确性。
请参考图3,图3为本发明实施例提供的识别模型的建立过程的流程图。在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,识别模型的建立过程具体包括:
S31:获取样本图片。
具体的,建立识别模型也即设置先验知识,因此需要预先获取已知属性的样本图片。可以理解的是,样本图片的数量和样本图片的清晰度是建立识别模型的基础。因此,增加样本图片的数量和提高样本图片的清晰度能够进一步提高识别模型的精度和准确度。
S32:将样本图片按照预设规则进行预处理。
在获取到样本图片之后,需要按照预设规则对样本图片进行预处理。具体的,预处理包括图片清洗和归一化处理。图片清洗也即删除样本图片中的杂项,以消除杂项的样本图片对识别模型的准确率的影响;归一化处理包括对样本图片的角度的调整和格式的转换,指的是将样本图片进行旋转,以达到统一的角度,以及对样本图片进行格式转换。
S33:根据预设维度对各样本图片的形态特征和局部特征进行提取并进行归类,从而建立识别模型。
也就是说,基于机器视觉的图像识别,并利用深度神经网路学习的算法建立识别模型。具体的,根据预设的维度对各样本图片对应的特征信息进行提取并进行归类,此处的特征提取的方式与提取目标图像的形态特征或局部特征的方式相似,因此此处不再赘述。本实施例中的特征归类也即将大量的样本图片根据不同的维度并依据生物分类学的原理进行分类。特征归类的方式可以是PCA(principal Component Analysis,主成分分析方法),也可以是利用向量机的方法,本实施例对此不做限定。更具体的,在本实施例中,识别模型主要包括三种情况,一是根据不同类群形态特征显著,维度可以是例如草籽和昆虫;二是同类群,种间形态视觉差异比较大的情况,例如种类繁多的天牛;三是同类群,种间视觉特征比较接近的情况,例如齿小蠹。需要说明的是,种是最基本的分类单位,也即不同的种表示不同的属性;并且,每一层次的节点都有识别的相似度,层次越高,分类地位越高,则相似度越高;分类越精细,对应的相似度越低。
需要说明的是,当样本图片数量较大的时候,为了节约训练模型的时间,在本实施例中,优选地使用服务器集群,并选择高性能的服务器进行模型训练,更具体的,本实施是通过4台8卡GPU服务器,实现在较短时间内完成对模型的迭代训练。
需要说明的是,在建立识别模型的过程中,还可以将目标图片和识别出的对应的属性作为样本图片再加入到识别模型中,也即对识别模型进行迭代更新,这样能够不断增加识别模型的样本图片的数量,提高识别模型的准确度。
可以理解的是,在实际应用中,可能存在检疫人员对当前得出的相似度存在疑虑的情况,因此,本实施例提供了另一种生物属性的识别方法,具体的,在根据各相似度判定待识别生物的属性之前,进一步包括:
接收根据目标图像和/或根据待识别生物得出的语音信息和/或根据待识别生物得出的文字信息得出的识别结果;
对应的,根据各相似度判定待识别生物的属性具体为:
根据相似度和识别结果判定待识别生物的属性。
也就是说,检疫人员将目标图像、根据待识别生物得出的语音信息和根据待识别生物得出的文字信息中的一种或多种发送给其他的通讯终端,以便于技术人员根据目标图像和/或语音信息和/或文字信息对待识别生物进行识别并在其他通讯终端上输入识别结果,然后将识别结果发送给检疫人员。进一步的,本实施例中,传输目标图像、语音信息和文字信息可以是通过移动通讯网络的方式,也可以是通过其他的方式,本实施例对此不做限定,并且传输方式是本领域技术人员所公知的内容,此处不做赘述。
具体的,根据相似度和识别结果判定待识别生物的属性,可以是预先设置相似度和识别结果在判定结果中所占的权重,在得出相似度和识别结果后,根据相似度和识别结果进行计算,以得出待识别生物的属性。
由于识别模型一般会通过迭代的方式增加模型的容量,也即在每次进行判断后,都将该目标图像以及判断结果增加至识别模型中进行训练,以增加识别模型的容量。但是,在操作过程中,不可避免地存在一些不能使用的待识别图像,例如拍摄时由于抖动造成的待识别图像不清楚或者拍摄到其他的与待识别生物无关的待识别图像,若将这些图像以及对应的判断结果增加至识别模型中,无疑将降低识别模型的准确度。因此,为了避免其他的图片信息对识别的准确性造成影响,在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,获取待识别生物的目标图像具体包括:
获取待识别图像;
利用预先设置的负样本识别模型判断待识别图像中是否为待识别生物;
若是,则将待识别图像作为目标图像。
具体的,预先设置负样本识别模型,负样本识别模型的训练方式与识别模型的训练方式相同,区别在于负样本识别模型中的负样本图片是不清楚的图片或者是与待识别生物无关的图片,例如人脸、桌子、衣服、路标甚至空白图片等。
获取待识别生物的目标图像,首先是获取待识别图像,然后利用负样本图片训练出的负样本识别模型计算该待识别图像与负样本图片的相似度,若该相似度大于预设阈值,则表示该待识别图像不是待识别生物对应的待识别图像,因此不需要进行处理;若该相似度小于预设阈值,则表示该待识别图像是待识别生物对应的待识别图像,则将该待识别图像设置为目标图像,也即获取待识别生物的目标图像。
可见,本实施例通过设置负样本识别模型对待识别图像进行筛选,以得出目标图像以便于后续利用识别模型对目标图像进行属性识别,能够有效避免低级识别错误,防止将日常生活中的拍摄图片识别为待识别生物,进一步提高识别生物属性的准确度。
在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,在根据各相似度判定待识别生物的属性之后,进一步包括:
显示与待识别生物的属性对应的处理预案。
具体的,可以预先对各属性均设置对应的预案,并将各属性以及对应的预案存储至数据库中,因此在得出待识别生物的属性后,进一步显示该生物的属性对应的处理预案。还可以根据待识别生物的不同属性得出待识别生物的疫情等级,进一步设置对应的响应机制。例如,当识别出待识别生物具体为落叶松八齿小蠹时,获取当前的处理预案为“对于携带疫情的木材应进行熏蒸处理”。可以理解的是,对于不同的生物属性,其处理预案可能会不同,具体应根据生物属性进行设置。
另外,在预先对各属性均设置对应的预案时,还可以对各属性进一步设置相关资料,以便在得出待识别生物的属性后,进一步显示该生物的相关资料。具体的,生物的相关资料包括属性对应的图片、属性的分类情况如生物的纲、目、科、属等信息,属性对应的特征描述、在地理上的分布情况以及寄主信息等。另外,还可以用不同的语言显示生物的相关资料,如中文和拉丁文等。通过对数据库中的信息进行显示、搜索以及调用,能够查看到更多关于生物属性的相关资料。
可见,本实施例中通过显示与待识别生物的属性对应的处理预案,能够在识别出待识别生物的属性之后,为检疫人员提供快速准确的提示,以便检疫人员能够快速反应以缩短危害发生的时间。
在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,在根据各相似度判定待识别生物的属性之后,进一步包括:
将目标图像和对应的属性存储至网络存储器中。
具体的,可以是在判定出待识别生物的属性之后将目标图像和对应的属性存储至网络存储器中,也可以是进一步通过专家审核,在专家审核通过后确定将该目标图像和对应的属性存储至网络存储器中。
在本实施例中,是将目标图像和对应的属性存储至网络存储器中,使得其他的终端也能够对访问或更新网络存储器中的生物属性,以实现资源共享。具体的,网络存储器包括NAS(Network Attached Storage,网络附加存储)、DAS(Direct Attached Storage,直接附加存储)、SAN(Storage Area Network,存储区域网络)等,本实施例对具体的网络存储器的形式不做限定。更需要说明的是,还可以将上述实施例中与属性对应的具体信息也存储至网路存储器中。
通过将目标图像和对应的属性存储至网络存储器中,从而不断地更新网络存储器,能够使得不同的操作系统均能访问该网络存储,实现资源共享,还能为没有处理过目标图像的待识别生物的属性的识别过程提供样本。
上文对于本发明提供的一种生物属性的识别方法的实施例进行了详细的描述,本发明还提供了一种与该方法对应的生物属性的识别装置、设备及计算机可读存储介质,由于装置、设备及计算机可读存储介质部分的实施例与方法部分的实施例相互照应,因此装置、设备及计算机可读存储介质部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
图4为本发明实施例提供的一种生物属性的识别装置的结构图,如图4所示,该装置400包括:
获取模块41,用于获取待识别生物的目标图像;
识别模块42,用于提取目标图像中待识别生物的形态特征并利用预先设置的识别模型得出目标图像与各样本图片的相似度;
判定模块43,用于根据各相似度判定待识别生物的属性。
本发明实施例提供的生物属性的识别装置,具有上述生物属性的识别方法的有益效果。
图5为本发明实施例提供的一种生物属性的识别设备的结构图,如图5所示,该设备500包括:
存储器51,用于存储计算机程序;
处理器52,用于执行计算机程序时实现如上述生物属性的识别方法的步骤。
本发明实施例提供的生物属性的识别设备,具有上述生物属性的识别方法的有益效果。
以上对本发明所提供的生物属性的识别方法、装置及设备进行了详细介绍。本文中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
Claims (8)
1.一种生物属性的识别方法,其特征在于,包括:
获取待识别生物的目标图像;其中,所述待识别生物为检疫入境物品中所含的生物;
提取所述目标图像中所述待识别生物的形态特征并利用预先设置的识别模型得出所述目标图像与各样本图片的相似度;
根据各所述相似度判定所述待识别生物的属性;
所述根据各所述相似度判定所述待识别生物的属性具体包括:
比较各相似度并得出最高相似度和次高相似度;
判断所述最高相似度是否大于第一判断阈值且大于所述次高相似度的预设倍数;
若是,则将所述最高相似度的样本图片对应的属性作为所述待识别生物的属性;
在所述根据各所述相似度判定所述待识别生物的属性之前,进一步包括:
接收根据所述目标图像和/或根据所述待识别生物得出的语音信息和/或根据所述待识别生物得出的文字信息得出的识别结果;其中,所述识别结果为技术人员根据所述目标图像和/或所述语音信息和/或所述文字信息对待识别生物进行识别确定的;
对应的,所述根据各所述相似度判定所述待识别生物的属性具体为:
根据所述最高相似度和所述识别结果判定所述待识别生物的所述属性。
2.根据权利要求1所述的方法,其特征在于,进一步包括:
若否,则进一步提取所述待识别生物的局部特征,并利用所述识别模型根据所述局部特征得出与各所述样本图片的相似度;
根据各所述局部特征相似度计算出所述目标图像与各所述样本图片的相似度并进入所述比较各相似度并得出最高相似度和次高相似度的步骤。
3.根据权利要求2所述的方法,其特征在于,所述识别模型的建立过程具体包括:
获取所述样本图片;
将所述样本图片按照预设规则进行预处理;
根据预设维度对各所述样本图片的形态特征和局部特征进行提取并进行归类,从而建立所述识别模型。
4.根据权利要求1所述的方法,其特征在于,所述获取待识别生物的目标图像具体包括:
获取待识别图像;
利用预先设置的负样本识别模型判断所述待识别图像中是否为待识别生物;
若是,则将所述待识别图像作为所述目标图像。
5.根据权利要求1所述的方法,其特征在于,在所述根据各所述相似度判定所述待识别生物的属性之后,进一步包括:
显示与所述待识别生物的属性对应的处理预案。
6.根据权利要求1至5任一项所述的方法,其特征在于,在所述根据各所述相似度判定所述待识别生物的属性之后,进一步包括:
将所述目标图像和对应的属性存储至网络存储器中。
7.一种生物属性的识别装置,其特征在于,包括:
获取模块,用于获取待识别生物的目标图像;其中,所述待识别生物为检疫入境物品中所含的生物;
识别模块,用于提取所述目标图像中所述待识别生物的形态特征并利用预先设置的识别模型得出所述目标图像与各样本图片的相似度;
判定模块,用于根据各所述相似度判定所述待识别生物的属性;
所述判定模块,具体用于比较各相似度并得出最高相似度和次高相似度;判断所述最高相似度是否大于第一判断阈值且大于所述次高相似度的预设倍数;若是,则将所述最高相似度的样本图片对应的属性作为所述待识别生物的属性;
所述判定模块,用于在所述根据各所述相似度判定所述待识别生物的属性之前,接收根据所述目标图像和/或根据所述待识别生物得出的语音信息和/或根据所述待识别生物得出的文字信息得出的识别结果;根据所述最高相似度和所述识别结果判定所述待识别生物的所述属性;其中,所述识别结果为技术人员根据所述目标图像和/或所述语音信息和/或所述文字信息对待识别生物进行识别确定的。
8.一种生物属性的识别设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述的一种生物属性的识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810989590.3A CN109117857B (zh) | 2018-08-28 | 2018-08-28 | 一种生物属性的识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810989590.3A CN109117857B (zh) | 2018-08-28 | 2018-08-28 | 一种生物属性的识别方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109117857A CN109117857A (zh) | 2019-01-01 |
CN109117857B true CN109117857B (zh) | 2022-08-16 |
Family
ID=64861056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810989590.3A Active CN109117857B (zh) | 2018-08-28 | 2018-08-28 | 一种生物属性的识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109117857B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427870A (zh) * | 2019-06-10 | 2019-11-08 | 腾讯医疗健康(深圳)有限公司 | 眼部图片识别方法、目标识别模型训练方法及装置 |
CN112115285A (zh) * | 2019-06-21 | 2020-12-22 | 杭州海康威视数字技术股份有限公司 | 图片清洗方法及装置 |
CN110321952B (zh) * | 2019-07-02 | 2024-02-09 | 腾讯医疗健康(深圳)有限公司 | 一种图像分类模型的训练方法及相关设备 |
CN112989882A (zh) * | 2019-12-16 | 2021-06-18 | 陈军 | 入侵物种类型识别系统 |
CN112990245A (zh) * | 2019-12-17 | 2021-06-18 | 顺丰科技有限公司 | 物品识别方法、装置、设备及存储介质 |
CN111144378B (zh) * | 2019-12-30 | 2023-10-31 | 众安在线财产保险股份有限公司 | 一种目标对象的识别方法及装置 |
CN112241713B (zh) * | 2020-10-22 | 2023-12-29 | 江苏美克医学技术有限公司 | 基于模式识别和深度学习的阴道微生物识别方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106388A (zh) * | 2011-11-15 | 2013-05-15 | 中国科学院深圳先进技术研究院 | 图像识别方法和系统 |
CN106534806A (zh) * | 2016-12-15 | 2017-03-22 | 大连文森特软件科技有限公司 | 基于ar增强现实技术的鸟类识别娱乐系统 |
CN106780183A (zh) * | 2016-12-15 | 2017-05-31 | 大连文森特软件科技有限公司 | 基于ar增强现实技术和游人保护的开放式鸟类游园系统 |
CN107886114A (zh) * | 2017-10-27 | 2018-04-06 | 小草数语(北京)科技有限公司 | 植物叶片的特征提取方法、识别方法、装置和计算机设备 |
CN107944450A (zh) * | 2017-11-16 | 2018-04-20 | 深圳市华尊科技股份有限公司 | 一种车牌识别方法及装置 |
CN108038459A (zh) * | 2017-12-20 | 2018-05-15 | 深圳先进技术研究院 | 一种水下生物的检测识别方法、终端设备及存储介质 |
CN108271753A (zh) * | 2018-01-05 | 2018-07-13 | 广州翼鲲生物科技有限公司 | 一种害虫防治方法和系统 |
CN108446612A (zh) * | 2018-03-07 | 2018-08-24 | 腾讯科技(深圳)有限公司 | 车辆识别方法、装置及存储介质 |
-
2018
- 2018-08-28 CN CN201810989590.3A patent/CN109117857B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106388A (zh) * | 2011-11-15 | 2013-05-15 | 中国科学院深圳先进技术研究院 | 图像识别方法和系统 |
CN106534806A (zh) * | 2016-12-15 | 2017-03-22 | 大连文森特软件科技有限公司 | 基于ar增强现实技术的鸟类识别娱乐系统 |
CN106780183A (zh) * | 2016-12-15 | 2017-05-31 | 大连文森特软件科技有限公司 | 基于ar增强现实技术和游人保护的开放式鸟类游园系统 |
CN107886114A (zh) * | 2017-10-27 | 2018-04-06 | 小草数语(北京)科技有限公司 | 植物叶片的特征提取方法、识别方法、装置和计算机设备 |
CN107944450A (zh) * | 2017-11-16 | 2018-04-20 | 深圳市华尊科技股份有限公司 | 一种车牌识别方法及装置 |
CN108038459A (zh) * | 2017-12-20 | 2018-05-15 | 深圳先进技术研究院 | 一种水下生物的检测识别方法、终端设备及存储介质 |
CN108271753A (zh) * | 2018-01-05 | 2018-07-13 | 广州翼鲲生物科技有限公司 | 一种害虫防治方法和系统 |
CN108446612A (zh) * | 2018-03-07 | 2018-08-24 | 腾讯科技(深圳)有限公司 | 车辆识别方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
基于思维进化的机器学习的遮挡人脸识别;李根 等;《吉林大学学报(工学版)》;20140915;第44卷(第5期);全文 * |
生物特征识别技术综述;郑方 等;《信息安全研究》;20160105;第2卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109117857A (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117857B (zh) | 一种生物属性的识别方法、装置及设备 | |
CN110148120B (zh) | 一种基于cnn与迁移学习的病害智能识别方法及系统 | |
WO2022033150A1 (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN110349147B (zh) | 模型的训练方法、眼底黄斑区病变识别方法、装置及设备 | |
CN108288051B (zh) | 行人再识别模型训练方法及装置、电子设备和存储介质 | |
CN110458217B (zh) | 图像识别方法及装置、眼底图像识别方法和电子设备 | |
CN112949710B (zh) | 一种图像的聚类方法和装置 | |
WO2020228515A1 (zh) | 伪造人脸的识别方法、装置和计算机可读存储介质 | |
CN111598164B (zh) | 识别目标对象的属性的方法、装置、电子设备和存储介质 | |
WO2019033569A1 (zh) | 眼球动作分析方法、装置及存储介质 | |
CN111783997B (zh) | 一种数据处理方法、装置及设备 | |
CN112381104A (zh) | 一种图像识别方法、装置、计算机设备及存储介质 | |
US20210089825A1 (en) | Systems and methods for cleaning data | |
CN113761259A (zh) | 一种图像处理方法、装置以及计算机设备 | |
CN112561879B (zh) | 模糊度评价模型训练方法、图像模糊度评价方法及装置 | |
CN108875931A (zh) | 神经网络训练及图像处理方法、装置、系统 | |
CN110751069A (zh) | 一种人脸活体检测方法及装置 | |
CN103177266A (zh) | 储藏物害虫智能识别系统 | |
CN110443181A (zh) | 人脸识别方法及装置 | |
CN112418327A (zh) | 图像分类模型的训练方法、装置、电子设备以及存储介质 | |
CN111126254A (zh) | 图像识别方法、装置、设备及存储介质 | |
CN111340213A (zh) | 神经网络的训练方法、电子设备、存储介质 | |
CN108334602B (zh) | 数据标注方法和装置、电子设备、计算机存储介质 | |
CN113743251B (zh) | 一种基于弱监督场景的目标搜索方法及装置 | |
CN108664921B (zh) | 一种安卓平台下基于词袋模型的图像识别方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |