CN109460711A - 对象识别方法、装置、存储介质及终端 - Google Patents
对象识别方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN109460711A CN109460711A CN201811187663.3A CN201811187663A CN109460711A CN 109460711 A CN109460711 A CN 109460711A CN 201811187663 A CN201811187663 A CN 201811187663A CN 109460711 A CN109460711 A CN 109460711A
- Authority
- CN
- China
- Prior art keywords
- identified
- length
- center
- segmentation
- mass coordinate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000011218 segmentation Effects 0.000 claims abstract description 45
- 238000000605 extraction Methods 0.000 claims abstract description 37
- 238000013136 deep learning model Methods 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 33
- 238000005259 measurement Methods 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 241000406668 Loxodonta cyclotis Species 0.000 claims description 2
- 241001465754 Metazoa Species 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种对象识别方法、装置、存储介质及终端,其中对象识别方法包括:将采集到的待识别对象的图像发送至已训练完成的深度学习模型中,进行所述待识别对象的分割与提取操作;根据分割与提取操作的结果得到所述待识别对象的长度和质心坐标;将获取到的所述待识别对象的长度和质心坐标送入三维空间场景中进行3D映射,得到待识别对象的长度。本申请实施例可精准获得对象长度。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种对象识别方法、装置、存储介质及终端。
背景技术
本申请对于背景技术的描述属于与本申请相关的相关技术,仅仅是用于说明和便于理解本申请的申请内容,不应理解为申请人明确认为或推定申请人认为是本申请在首次提出申请的申请日的现有技术。
在生产生活中,有时需要获得某些对象的信息,例如尺寸信息。一般尺寸信息都是通过人工测量获得。需要耗费人工,并且在一些情况下,人工现场测量存在一定难度。
以畜牧业为例,当需要获得养殖对象的长度时,人工现场测量人力成本较高,并且有些情况难以实现人工现场测量。
发明内容
有鉴于此,本申请实施例提供一种对象识别方法、装置、存储介质及终端。
为达到上述目的,本申请主要提供如下技术方案:
第一方面,本申请实施例提供了一种对象识别方法,包括:
将采集到的待识别对象的图像发送至已训练完成的深度学习模型中,进行所述待识别对象的分割与提取操作;
根据分割与提取操作的结果得到所述待识别对象的长度和质心坐标;
将获取到的所述待识别对象的长度和质心坐标送入三维空间场景中进行3D映射,得到待识别对象的长度。
作为可选实施例,还包括:获取所述待识别对象的图片,将所述图片划分为训练样本与测试样本;以所述训练样本与测试样本对神经网络进行训练和测试,得到深度学习模型。
作为可选实施例,还包括:对获取的所述训练样本进行归一化处理。
作为可选实施例,其中,所述根据分割与提取的结果获得所述待识别对象的长度和质心坐标包括:对得到的所述分割结果图进行预处理;根据预处理后的图像计算所述待识别对象的力矩,获取一阶矩和二阶矩;根据得到的所述一阶矩和所述二阶矩计算所述待识别对象的质心。
作为可选实施例,其中,所述预处理操作包括:对得到的所述分割结果图执行灰度处理、5x5的内核高斯平滑,阈值化赋值为127。
作为可选实施例,还包括:通过RANSAC算法来对得到的所述待识别对象的长度和质心坐标进行剔除噪音操作。
作为可选实施例,还包括:基于视觉惯性测量系统,建立三维空间场景。
第二方面,本申请实施例提供了一种对象识别装置,包括:
分割与提取模块,用于将采集到的待识别对象的图像发送至已训练完成的深度学习模型中,进行所述待识别对象的分割与提取操作;
计算模块,用于将分割与提取操作的结果通过质心和长度检测算法获得所述待识别对象的长度和质心坐标;
测量模块,用于将获取到的所述待识别对象的长度和质心坐标送入三维空间场景中进行3D映射,以获取所述待识别对象的长度数据。
第三方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的方法的步骤。
第四方面,本申请实施例提供了一种终端,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,所述处理器执行所述程序时实现上述的方法的步骤。
本申请实施例的有益效果在于:
本申请提供一种对象识别方法,该方法为基于AR技术和单目测距原理以及深度学习的目标检测算法和机器学习误差校正算法,实现高精度、高速度的对象长度测量(例如动物体长测量)。可以大大降低人工成本和劳动强度。
附图说明
图1为本申请的对象识别方法的一实施例的流程图;
图2为本申请的对象识别方法的一实施例的流程图;
图3为本申请的对象识别方法的一实施例的流程图
图4为本申请的对象识别方法的一实施例的流程图;
图5为本申请的对象识别装置的一实施例的结构示意图;
图6为本申请的对象识别装置的一实施例的结构示意图;
图7为本申请的对象识别装置的一实施例的结构示意图;
图8为本申请的对象识别装置的一实施例的结构示意图。
具体实施方式
下面结合具体实施例对本申请作进一步详细描述,但不作为对本申请的限定。在下述说明中,不同的“一实施例”或“实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
本申请涉及的一种对象识别方法,基于AR技术和单目测距原理以及深度学习的对象检测算法,实现高精度的识别对象的尺寸。本申请的方法可以适用于养殖业等。例如以猪等动物为待识别对象,实现动物体长的高精度识别。
本申请实施例提供了一种对象识别方法,包括:将采集到的待识别对象的图像发送至已训练完成的深度学习模型中,进行所述待识别对象的分割与提取操作;根据分割与提取操作的结果获取所述待识别对象的长度和质心坐标;将获取到的所述待识别对象的长度和质心坐标送入三维空间场景中进行3D映射,得到待识别对象的长度。
本申请实施例针对现有技术的不足,本申请具体提供一种基于AR技术和单目测距原理以及深度学习的目标检测算法和机器学习误差校正算法,实现高精度、高速度的对象识别(例如动物的体长测量)。可以大大降低人工成本。本申请的附加方面和优点将在下面的描述部分中变得明显,或通过本申请的实践了解到。
图1为本申请实施例的对象识别方法的流程图。参见图1,本申请实施例的对象识别方法具体包括:
将采集到的待识别对象的图像发送至已训练完成的深度学习模型中,进行待识别对象的分割与提取操作。
根据分割与提取操作的结果得到待识别对象的质心坐标和长度。例如通过质心和长度检测算法计算得到。
将获取到的待识别对象的长度和质心坐标送入三维空间场景中进行3D映射,得到待识别对象的长度。
本申请涉及的一种对象识别方法,针对现有技术的不足,和改变传统对象长度获得方法,例如动物的体长测量的方式,本申请提供一种对象识别方法,该方法为基于AR技术和单目测距原理以及深度学习的目标检测算法和机器学习误差校正算法,实现高精度、高速度的对象长度测量(例如动物体长测量)。可以大大降低人工成本和劳动强度。
图2为本申请的对象识别方法一实施例的流程图。参见图2,本实施例的对象识别方法具体包括:
获取待识别对象的图片。
获取待识别对象的实际长度。其中,待识别对象为动物时,其实际长度(体长)数据可以由待识别对象耳根到尾根的距离、待识别对象鼻头到尾根的距离组成。
通过人工标注的方式分别对待识别对象进行标注。标注之后划分为训练样本与测试样本。其中,需要说明的是,训练样本用于对模型的训练,测试模型用于对训练所得的模型的准确率的测试。测试样本和训练样本可以部分重合。
以训练样本与测试样本对神经网络进行训练和测试,得到深度学习模型。
将采集到的待识别对象的图像发送至已训练完成的深度学习模型中,进行待识别对象的分割与提取操作。
根据分割与提取操作的结果得到待识别对象的质心坐标和长度。例如通过质心和长度检测算法计算得到。
将获取到的所述待识别对象的长度和质心坐标送入三维空间场景中进行3D映射,得到待识别对象的长度。
本申请涉及的一种对象识别方法,获取待识别对象的图片,对图片作为样本进行划分为训练样本与测试样本的操作,以及对待识别对象进行多角度的图像摄取的操作,以及获取待识别对象的实际体长的操作,使得将获取到的对象的多张照片作为样本,迅速高效地划分为训练样本集与测试样本集。由此,提高了训练样本集生成的高效性与精准性。
图3为本申请的对象识别方法的一实施例的流程图。参见图3,本实施例的对象识别方法包括:
获取待识别对象的图片,对图片作为样本进行划分为训练样本与测试样本。
对待识别对象进行多角度的图像采集。
获取待识别对象的实际长度。其中,待识别对象为动物(例如猪)时,其实际长度(体长)数据可以由待识别对象耳根到尾根的距离、待识别对象鼻头到尾根的距离组成。
对获取的训练样本进行归一化处理操作。
通过人工标注的方式对待识别对象进行标注。标注之后划分为训练样本与测试样本。
以训练样本与测试样本对神经网络进行训练和测试,得到深度学习模型。
将采集到的待识别对象的图像发送至已训练完成的深度学习模型中,进行待识别对象的分割与提取操作。
根据分割与提取操作的结果得到待识别对象的质心坐标和长度。例如通过质心和长度检测算法计算得到。
通过RANSAC算法来对得到的质心坐标和长度进行剔除噪音操作。
将获取到的待识别对象的长度和质心坐标送入三维空间场景中进行3D映射,得到待识别对象的长度。
本实施例中,对获取的训练样本进行归一化处理操作,使其在图片尺寸和像素大小等方面保持均匀一致,这样使得神经网络在训练时排除了其他无关特征,同时可以加速网络的收敛性,加快神经网络的学习速度。此外,通过RANSAC算法来进行剔除噪音操作,使得长度值异常、测量不准确等因素有很好的规避性。
图4为本申请的对象识别方法的一实施例的流程图。参见图4,本实施例的对象识别方法包括:
获取待识别对象的图片,对图片作为样本进行划分为训练样本与测试样本。
对待识别对象进行多角度的图像采集。
获取待识别对象的实际长度。其中,待识别对象为动物(例如猪)时,其实际长度(体长)数据可以由待识别对象耳根到尾根的距离、待识别对象鼻头到尾根的距离组成。
对获取的训练样本进行归一化处理操作。
通过人工标注的方式对待识别对象进行标注。标注之后划分为训练样本与测试样本。
以训练样本与测试样本对神经网络进行训练和测试,得到深度学习模型。
将采集到的待识别对象的图像发送至已训练完成的深度学习模型中,进行待识别对象的分割与提取操作。
根据得到的待识别对象的分割结果进行预处理操作。
根据预处理后的图像分别计算待识别对象和参照物轮廓的力矩,获取一阶矩和二阶矩。其中,预处理操作包括:对得到的动物和所述参照物的分割结果图执行灰度处理、5x5的内核高斯平滑,阈值化赋值为127。
根据得到的一阶矩和二阶矩分别计算待识别对象的质心。具体的,根据得到的一阶矩和二阶矩分别计算待识别对象质心,包括:根据零阶矩公式与一阶矩公式获取待识别对象质心坐标;通过获取的待识别对象的质心坐标计算参照物的半长轴;其中,对一副二维连续图像f(x,y),p+q阶矩的定义为:
其中,p和q为非负整数,对离散化的数字图像,上式可变为:
0阶矩公式
1阶矩公式
质心坐标为:x=m10/m00;y=m01/m00;
其中,0阶矩m00为待识别对象的质量,根据1阶矩的m10和m01计算出待识别对象的质心,i表示图像的高度,j表示图像的长度。
通过RANSAC算法来对获取的长度和质心坐标进行剔除噪音操作。
根据分割与提取操作的结果得到待识别对象的质心坐标和长度。例如通过质心和长度检测算法计算得到。
本实施例,通过针对将分割与提取操作的结果通过质心和长度检测算法进行对所述待识别对象的质心坐标和长的计算,为测量待识别对象的尺寸提高了精确性与易用性。
第二方面,本申请实施例提供了一种对象识别装置,该装置可实现上述实施例的方法,上述方法实施例的相关描述可用于理解以下实施例的对象识别装置。图5为本申请的对象识别装置的一实施例的结构示意图。如图5所示,本实施例的对象识别装置包括:分割与提取模块200、计算模块400和测量模块600。
具体的,分割与提取模块200用于将采集到的待识别对象的图像发送至已训练完成的深度学习模型中,进行待识别对象的分割与提取操作;计算模块400用于将分割与提取操作的结果通过质心和长度检测算法进行对待识别对象的质心坐标和长度的计算;测量模块600用于将获取到的所述待识别对象的长度和质心坐标送入三维空间场景中进行3D映射,以获取所述待识别对象的长度。
本申请涉及的一种对象识别装置,其基于AR技术和单目测距原理以及深度学习的目标检测算法和机器学习误差校正算法,实现高精度、高速度的对象长度测量(例如动物体长测量)。可以大大降低人工成本和劳动强度。
图6为本申请的对象识别装置的一实施例的结构示意图。参见图6,作为可选实施例,本实施例的对象识别装置在上述实施例的基础上添加了划分模块、采集模块、获取模块。
本实施例的对象识别装置,包括:划分模块100、采集模块110、获取模块120、分割与提取模块200、计算模块400和测量模块600。
其中,采集模块110用于对待识别对象进行多角度的图像采集。划分模块100用于获取待识别对象的图片,对图片作为样本进行划分为训练样本与测试样本。
此外,本申请提出的一种对象识别装置10还包括:获取模块120用于获取待识别对象的实际长度。其中,待识别对象为动物时,其实际长度(体长)数据可以由待识别对象耳根到尾根的距离、待识别对象鼻头到尾根的距离组成。此外,本申请提出的一种对象识别装置还包括:分割与提取模块200用于将采集到的待识别对象的图像发送至已训练完成的深度学习模型中,进行待识别对象的分割与提取操作;计算模块400用于将分割与提取操作的结果通过质心和长度检测算法进行对待识别对象的质心坐标和长度的计算;测量模块600用于将获取到的所述待识别对象的长度和质心坐标送入三维空间场景中进行3D映射,以获取所述待识别对象的长度。
本实施例中,划分模块、采集模块与获取模块的添加,使得将采集到的动物的多张照片作为样本,迅速高效地划分为训练样本集与测试样本集。由此,提高了训练样本集生成的高效性与精准性。
作为可选实施例,本实施例的对象识别装置在上述实施例的基础上还包括:归一化处理模块700和去噪模块800。
图7为本申请的对象识别装置的一实施例的结构示意图。参见图7,其中,归一化处理模块700用于对获取的训练样本进行归一化处理操作。去噪模块800用于通过RANSAC算法来对获取的长度和质心坐标进行剔除噪音操作。
此外,本申请提出的一种对象识别装置还包括:采集模块110用于对待识别对象进行多角度的图像采集。划分模块100用于对获取的待识别对象的图片作为样本进行划分为训练样本与测试样本。
此外,本申请提出的一种对象识别装置还包括:获取模块120用于获取待识别对象的实际长度。
此外,本申请提出的一种对象识别装置还包括:分割与提取模块200用于将采集到的待识别对象的图像发送至已训练完成的深度学习模型中,进行待识别对象的分割与提取操作;计算模块400用于将分割与提取操作的结果通过质心和长度检测算法进行对待识别对象的质心坐标和长度的计算;测量模块600用于将获取到的所述待识别对象的长度和质心坐标送入三维空间场景中进行3D映射,以获取所述待识别对象的长度。
本实施例中,归一化处理模块的添加,使其在图片尺寸和像素大小等方面保持均匀一致,这样使得神经网络在训练时排除了其他无关特征,同时可以加速网络的收敛性,加快神经网络的学习速度。此外,去噪模块的添加,使得长度值异常、测量不准确等因素有很好的规避性。
图8为本申请的对象识别装置的一实施例的结构示意图。参见图8,作为可选实施例,本实施例的对象识别装置在上述实施例的基础上,计算模块400包括:预处理单元410、获取单元420与计算单元430。其中,计算模块400包括:预处理单元410用于根据得到的待识别对象的分割结果图进行预处理操作;获取单元420用于根据预处理后的图像分别计算待识别对象的力矩,获取一阶矩和二阶矩;计算单元430用于根据得到的一阶矩和二阶矩分别计算待识别对象质心。
此外,本申请提出的一种对象识别装置还包括:归一化处理模块700用于对获取的训练样本进行归一化处理操作。去噪模块800用于通过RANSAC算法来对获取的长度和质心坐标进行剔除噪音操作。此外,划分模块100用于获取待识别对象的图片,对图片作为样本进行划分为训练样本与测试样本。采集模块110用于对待识别对象进行多角度的图像采集。
此外,本申请提出的一种对象识别装置还包括:获取模块120用于获取待识别对象的实际体长。此外,本申请提出的一种对象识别装置还包括:分割与提取模块200用于将采集到的待识别对象的图像发送至已训练完成的深度学习模型中,进行待识别对象的分割与提取操作;计算模块400用于将分割与提取操作的结果通过质心和长度检测算法进行对待识别对象的质心坐标和长度的计算;测量模块600用于将获取到的所述待识别对象的长度和质心坐标送入三维空间场景中进行3D映射,以获取所述待识别对象的长度。
本实施例,通过对计算模块与测量模块内部具体操作功能的细化,为测量待识别对象提高了精确性与易用性。
下面以猪作为示例对本申请进行说明。具体为:采集照片,获得原始采样照片,进行多角度拍摄,以获取各种不同的拍摄场景,并搜集真实的猪的体长,体长包括两个部分:耳根到尾根的距离;鼻头到尾根的距离。将这些样本划分为训练样本集和测试样本集。
此外,将上述采集到的待测图像送入训练好的深度学习模型中,进行待测目标猪的分割提取;再将上述得到的猪的分割结果送入质心和长度检测算法中进行长度计算和质心坐标计算。最后采用RANSAC算法来对上述计算结果剔除噪音,即长度值异常、测量不准确等因素可以有效地规避。再根据上述得到的结果,送入三维空间场景中进行3D映射,得到精准的猪的体长。。
需要说明的是,预处理具体可以包括:执行灰度处理,5x5的内核高斯平滑,最后阈值化(阈值为127)。
进一步地,RANSAC算法剔除计算结果的偏差,所谓偏差即是指由于某种原因导致的较大误差或者错误,例如:测量过程中的读数错误、测量不全、检测算法未检测到完整的猪导致最后结果异常等。可以先从所有数据中随机选择一部分数据,用MSE的方法进行线性拟合得到一个线性模型,然后用这个模型测试其他的数据,根据损失函数,得到符合这个模型的点,称为一致性集合。如果足够多的数据都被归类于一致性集合,那么说明这个估计的模型是正确的;如果这个集合中的数据太少,那么说明模型不合适,弃之,返回第一步。在我们找到正确的模型时,没有归类到该模型的一致性集合的数据,我们认为是跟其他绝大多数数据差距较大的数据,舍去。
以上对本申请提出的一种对象识别方法进行了详细介绍,本文中应用猪的识别项目这一具体个例对本申请的原理及实施方式进行了阐述,目的是帮助理解本申请使用的方法和核心思想;同时对于本领域的相关技术人员,在具体项目实施和应用场景下均会有所改变。综上,本说明书内容不应理解为对本申请的限制
本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一实施例方法的步骤。其中,计算机可读存储介质可以包括但不限于任何类型的盘,包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC),或适合于存储指令和/或数据的任何类型的媒介或设备。
本申请实施例还提供了一种终端,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,处理器执行程序时实现上述任一实施例方法的步骤。在本申请实施例中,处理器为计算机系统的控制中心,可以是实体机的处理器,也可以是虚拟机的处理器。
本申请实施例中的电子装置包括但不限于手机、平板电脑等。
本说明书中,对于动物的识别方法实施例、终端实施例、计算机可读存储介质实施例而言,由于其基本相似于对象识别方法、装置实施例,相关之处参见对象识别方法、装置实施例的说明书部分即可,以避免重复性描述。
本领域的技术人员可以清楚地了解到本申请实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”或“单元”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件,其中硬件例如可以是FPGA(FieId-Programmable Gate Array,现场可编程门阵列)、IC(Integrated Circuit,集成电路)等。
在本申请中,术语“第一”、“第二”等仅用于描述的目的,而不能理解为指示或暗示相对重要性或顺序;术语“多个”则指两个或两个以上,除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;“相连”可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
本申请的描述中,需要理解的是,术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作,因此,不能理解为对本申请的限制。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种对象识别方法,包括:
将采集到的待识别对象的图像发送至已训练完成的深度学习模型中,进行所述待识别对象的分割与提取操作;
根据分割与提取操作的结果得到所述待识别对象的长度和质心坐标;
将获取到的所述待识别对象的长度和质心坐标送入三维空间场景中进行3D映射,得到待识别对象的长度。
2.根据权利要求1所述的方法,还包括:
获取所述待识别对象的图片,将所述图片划分为训练样本与测试样本;
以所述训练样本与测试样本对神经网络进行训练和测试,得到深度学习模型。
3.根据权利要求2所述的方法,还包括:对获取的所述训练样本进行归一化处理。
4.根据权利要求1所述的方法,其中,所述根据分割与提取的结果获得所述待识别对象的长度和质心坐标包括:对得到的所述分割结果图进行预处理;
根据预处理后的图像计算所述待识别对象的力矩,获取一阶矩和二阶矩;
根据得到的所述一阶矩和所述二阶矩计算所述待识别对象的质心。
5.根据权利要求4所述的方法,其中,所述预处理操作包括:对得到的所述分割结果图执行灰度处理、5x5的内核高斯平滑,阈值化赋值为127。
6.根据权利要求1所述的方法,还包括:通过RANSAC算法来对得到待识别对象的长度和质心坐标进行剔除噪音操作。
7.根据权利要求1所述的方法,还包括:基于视觉惯性测量系统,建立三维空间场景。
8.一种对象识别装置,包括:
分割与提取模块,用于将采集到的待识别对象的图像发送至已训练完成的深度学习模型中,进行所述待识别对象的分割与提取操作;
计算模块,用于将分割与提取操作的结果通过质心和长度检测算法获得所述待识别对象的长度和质心坐标;
测量模块,用于将获取到的所述待识别对象的长度和质心坐标送入三维空间场景中进行3D映射,以获取所述待识别对象的长度数据。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任意一项所述方法的步骤。
10.一种终端,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1-7中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811187663.3A CN109460711A (zh) | 2018-10-11 | 2018-10-11 | 对象识别方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811187663.3A CN109460711A (zh) | 2018-10-11 | 2018-10-11 | 对象识别方法、装置、存储介质及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109460711A true CN109460711A (zh) | 2019-03-12 |
Family
ID=65607518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811187663.3A Pending CN109460711A (zh) | 2018-10-11 | 2018-10-11 | 对象识别方法、装置、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109460711A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102914267A (zh) * | 2012-09-27 | 2013-02-06 | 无锡天授信息科技有限公司 | 一种运动目标尺寸检测系统及方法 |
US20130058543A1 (en) * | 2011-09-06 | 2013-03-07 | The Proctor & Gamble Company | Systems, devices, and methods for image analysis |
CN103020582A (zh) * | 2012-09-20 | 2013-04-03 | 苏州两江科技有限公司 | 计算机通过视频图像识别车辆类型的方法 |
-
2018
- 2018-10-11 CN CN201811187663.3A patent/CN109460711A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130058543A1 (en) * | 2011-09-06 | 2013-03-07 | The Proctor & Gamble Company | Systems, devices, and methods for image analysis |
CN103020582A (zh) * | 2012-09-20 | 2013-04-03 | 苏州两江科技有限公司 | 计算机通过视频图像识别车辆类型的方法 |
CN102914267A (zh) * | 2012-09-27 | 2013-02-06 | 无锡天授信息科技有限公司 | 一种运动目标尺寸检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709950B (zh) | 一种基于双目视觉的巡线机器人跨越障碍导线定位方法 | |
CN111340797A (zh) | 一种激光雷达与双目相机数据融合检测方法及系统 | |
CN109272546B (zh) | 一种鱼苗长度测量方法及系统 | |
CN108830856B (zh) | 一种基于时间序列sd-oct视网膜图像的ga自动分割方法 | |
CN107767358B (zh) | 一种图像中物体模糊度确定方法和装置 | |
CN109559342B (zh) | 动物体长的测量方法和装置 | |
CN113706472B (zh) | 公路路面病害检测方法、装置、设备及存储介质 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN113435355A (zh) | 多目标奶牛身份识别方法及系统 | |
CN107194916A (zh) | 一种基于特征点匹配的视觉测量系统 | |
CN102201060A (zh) | 一种基于形状语义的非参数轮廓跟踪评价方法 | |
CN107292340A (zh) | 基于卷积神经网络的侧线鳞识别方法 | |
CN115115711B (zh) | 鼻咽拭子采样中的视觉标定方法及相关设备 | |
CN109460711A (zh) | 对象识别方法、装置、存储介质及终端 | |
CN115829969A (zh) | 一种最小抑菌浓度的识别方法、装置、设备及存储介质 | |
CN112293295B (zh) | 一种奶牛早期跛行识别方法及装置 | |
CN108664919A (zh) | 一种基于单样本的行为识别与检测方法 | |
CN113627255A (zh) | 一种小鼠行为量化分析方法、装置、设备及可读存储介质 | |
CN112084889A (zh) | 一种图像行为识别方法、装置、计算设备及存储介质 | |
Wiling | Monitoring of Sona Massori Paddy Crop and its Pests Using Image Processing | |
CN116630867B (zh) | 一种基于Mask R-CNN的白带滴虫检测与跟踪方法 | |
CN110717406A (zh) | 一种人脸检测的方法、装置及终端设备 | |
CN114983394A (zh) | 动物体尺测定方法、装置、设备及存储介质 | |
CN110287972B (zh) | 一种动物图像轮廓提取与匹配方法 | |
CN113283448B (zh) | 一种脑电影像特征提取模型的训练方法及装置 |
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 |
Application publication date: 20190312 |
|
RJ01 | Rejection of invention patent application after publication |