CN109472280B - 一种更新物种识别模型库的方法、存储介质及电子设备 - Google Patents

一种更新物种识别模型库的方法、存储介质及电子设备 Download PDF

Info

Publication number
CN109472280B
CN109472280B CN201811051389.7A CN201811051389A CN109472280B CN 109472280 B CN109472280 B CN 109472280B CN 201811051389 A CN201811051389 A CN 201811051389A CN 109472280 B CN109472280 B CN 109472280B
Authority
CN
China
Prior art keywords
species
image
user
new
updating
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
Application number
CN201811051389.7A
Other languages
English (en)
Other versions
CN109472280A (zh
Inventor
邓立邦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Matview Intelligent Science & Technology Co ltd
Original Assignee
Guangdong Matview Intelligent Science & Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Matview Intelligent Science & Technology Co ltd filed Critical Guangdong Matview Intelligent Science & Technology Co ltd
Priority to CN201811051389.7A priority Critical patent/CN109472280B/zh
Publication of CN109472280A publication Critical patent/CN109472280A/zh
Application granted granted Critical
Publication of CN109472280B publication Critical patent/CN109472280B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种更新物种识别模型库的方法，包括以下步骤：当无法识别用户所拍摄图片的物种类型时，启动新物种更新模式，提示用户输入该物种的物种信息，其中，物种信息包括物种各个角度的图像以及物种名称；根据用户所输入的物种信息，通过识别模型进行识别训练，建立该物种的图像指纹库，将图像指纹库加入到物种识别系统的物种识别模型库中；训练完毕后，邀请用户进行识别测试，验证是否能对用户所提交的新图像进行识别。该方法通过在用户使用过程中引导用户上传新物种的数据样本，解决了数据获取和信息标注耗时费力的问题。

Description

一种更新物种识别模型库的方法、存储介质及电子设备
技术领域
本发明涉及图像识别技术领域，尤其涉及一种更新物种识别模型库的方法、存储介质及电子设备。
背景技术
近来机器学习领域实现了很多重大的进展，这些进展让计算机系统具备了解决复杂的真实世界问题的能力，利用图像识别技术进行物种分类和判断在人们的生产、生活中得到越来越多的实际应用，如根据植物图片判断植物名称，根据小动物图片判断动物的种类和名称等的各种识别学习型产品都在市场上大量出现。
深度学习以及广义上的机器学习领域内的许多近来的进步，都可归功于经过了在有标注的大数据集上的训练之后具有高度预测能力的模型——其训练样本数量非常庞大。这常常被称为监督学习(supervised learning)，因为它需要监督——以有标注数据的形式来训练机器学习系统。(相对地，一些机器学习方法则是直接运行在原始数据上，不需要任何监督，这种范式被称为无监督学习(unsupervised learning)。)
现有产品对各种待识别物进行识别时，仅能判断已经建立好识别库能有效匹配的物种，而要实现全物种的分类识别，需要对每一细分物种进行数据图像的分类整理。然而，获得足够的高质量有标注数据的难度非常大，为每一个新物种都收集足够的有标注数据在人力消耗和时间消耗上都是让人无法接受的。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供一种更新物种识别模型库的方法，其能实现在用户的使用过程中，提示并引导用户对系统无法识别的新物种进行多图像上传和相关信息标注，以使系统可获取新物种的数据样本进行训练，将训练好的模板加入到识别模型中，提高模型的识别物种数量，通过在使用过程中引导用户上传新物种的数据样本，解决了数据获取和信息标注耗时费力的问题。
本发明的目的之二在于提供一种计算机可读存储介质，该存储介质中的程序运行时能实现在用户的使用过程中，提示并引导用户对系统无法识别的新物种进行多图像上传和相关信息标注，以使系统可获取新物种的数据样本进行训练，将训练好的模板加入到识别模型中，提高模型的识别物种数量，通过在使用过程中引导用户上传新物种的数据样本，解决了数据获取和信息标注耗时费力的问题。
本发明的目的之三在于提供一种电子设备，其能实现在用户的使用过程中，提示并引导用户对系统无法识别的新物种进行多图像上传和相关信息标注，以使系统可获取新物种的数据样本进行训练，将训练好的模板加入到识别模型中，提高模型的识别物种数量，通过在使用过程中引导用户上传新物种的数据样本，解决了数据获取和信息标注耗时费力的问题。
本发明的目的之一采用如下技术方案实现：
一种更新物种识别模型库的方法，包括以下步骤：
当无法识别用户所拍摄图片的物种类型时，启动新物种更新模式，提示用户输入该物种的物种信息，其中，所述物种信息包括物种各个角度的图像以及物种名称；
根据用户所输入的物种信息，通过识别模型进行识别训练，建立该物种的图像指纹库，将所述图像指纹库加入到物种识别系统的物种识别模型库中；
训练完毕后，邀请用户进行识别测试，验证是否能对用户所提交的新图像进行识别；
若可识别出该物种，则通过测试，结束新物种更新模式；
若无法识别该物种，则根据用户所提交的新图像再次通过识别模型进行识别训练并提取图像指纹集，将训练后提取的图像指纹集加入到该物种的图像指纹库并再次邀请用户进行识别测试。
进一步地，所述启动新物种更新模式，提示用户输入该物种的物种信息具体为：
启动新物种更新模式，通过文字或语音引导用户进行新物种更新操作，提示用户上传新物种图像，提示用户通过文字或语音录入新物种名称。
进一步地，所述新物种图像包括3至10张不同角度、大小及光线下的图像。
进一步地，所述根据用户所输入的物种信息，通过识别模型进行识别训练，建立该物种的图像指纹库，将所述图像指纹库加入到物种识别系统的物种识别模型库中具体为：
对用户所输入的物种图像进行预处理；
查找预处理后的各张物种图像中的颜色突变区域，建立特征点，计算图像中建立的特征点的空间密度分布数据，其中，颜色突变区域指色相距离超过60度的相邻像素点；
根据所述空间密度分布数据进行识别训练并根据所述空间密度分布数据生成标准图像指纹集，建立该新物种的图像指纹库，将训练好的图像指纹库加入到物种识别系统的物种识别模型库中。
进一步地，所述预处理具体为：根据图像分析设置合理的阈值，将图像二值化、去除干扰点并进行图像切割，将图像归一化并将所有图像均设置为统一规格。
进一步地，所述计算图像中建立的特征点的空间密度分布数据具体为：将每一张图像划分为M*N个方格区域，计算每个方格中特征点的密度分布，得到M*N维特征向量。
进一步地，所述验证是否能对用户所提交的新图像进行识别具体为：
对用户所提交的新图像进行预处理；
查找处预处理后的图像颜色突变区域，建立特征点，计算出图像中建立的特征点的空间密度分布数据；
与物种识别模型库中预存的图像指纹库中的数据进行比对，判断图像中物种的名称。
进一步地，所述判断图像中物种的名称具体为：当待识别物种图像中建立的特征点的空间密度分布数据与物种识别模型库中的某一物种的图像指纹库相似度达到85％时判定为该物种，否则判定为无法识别。
本发明的目的之二采用如下技术方案实现：
一种计算机可读存储介质，所述计算机可读存储介质存储有可执行计算机程序，所述计算机程序运行时可实现上述的更新物种识别模型库的方法。
本发明的目的之三采用如下技术方案实现：
一种电子设备，包括存储器、处理器以及存储在存储器上且可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的更新物种识别模型库的方法。
相比现有技术，本发明的有益效果在于：
该更新物种识别模型库的方法能实现在用户的使用过程中，提示并引导用户对系统无法识别的新物种进行多图像上传和相关信息标注，以使系统可获取新物种的数据样本进行训练，将训练好的模板加入到识别模型中，提高系统的识别物种数量。该方法通过在使用过程中引导用户上传新物种的数据样本，解决了数据获取和信息标注耗时费力的问题。
附图说明
图1为本发明提供的一种更新物种识别模型库的方法的流程示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
请参阅图1，一种更新物种识别模型库的方法，包括以下步骤：
S1、当无法识别用户所拍摄图片的物种类型时，启动新物种更新模式，提示用户输入该物种的物种信息，其中，物种信息包括物种各个角度的图像以及物种名称；
S2、根据用户所输入的物种信息，通过识别模型进行识别训练，建立该物种的图像指纹库，将图像指纹库加入到物种识别系统的物种识别模型库中；
S3、训练完毕后，邀请用户进行识别测试，验证是否能对用户所提交的新图像进行识别；
S4、若可识别出该物种，则通过测试，结束新物种更新模式；
S5、若无法识别该物种，则根据用户所提交的新图像再次通过识别模型进行识别训练并提取图像指纹集，将训练后提取的图像指纹集加入到该物种的图像指纹库并再次邀请用户进行识别测试。
通过以上方法，当用户在使用物种识别系统进行物种识别过程中出现系统无法识别的物种类型时，启动新物种更新模式，提示用户输入新物种的图像以及名称，从而物种识别系统可根据用户所输入的物种图像及名称进行识别训练，建立该物种的图像指纹库并加入到物种识别模型库中，对识别模型库进行更新，增加物种识别系统的物种数量。
当用户想要知道某个物种而本物种识别系统无法识别时，此时，系统会提示且引导用户上传物种信息，也就是告知了用户可以进行新物种更新；若用户尚且不知道该物种名称，用户通常会通过其他途径来获取该物种的名称，当用户知道了物种的名称之后，用户即可进行上述的操作来更新物种识别系统的识别模型库。出于对用户积极性的考虑，可设置一些奖励机制，当用户完成若干个物种更新时，可发放一些奖励给用户，以鼓励用户进行物种更新。
作为一种优选的实施方式，启动新物种更新模式，提示用户输入该物种的物种信息具体为：
启动新物种更新模式，通过文字或语音引导用户进行新物种更新操作，提示用户上传新物种图像，提示用户通过文字或语音录入新物种名称。
在本实施例中，物种识别系统以APP的形式呈现给用户使用，可通过在页面设置相关按钮，如“新增物种”按钮，引导用户点击按钮进入上传物种信息操作，上传新物种图像的方式有两种，一是拍照上传，二是上传已有照片；引导用户上传3至10张不同角度、大小及光线下的新物种图像，图像可包括该物种的整体或各个部位的局部细节图。如当新物种为植物时，照片可以为该植物的根、枝干、叶、花或果实的其中一种或几种局部组合，也可以为该植物的整体图像；如新物种为汽车，则可以为汽车的外观各个角度的整体视图或车标、内饰、灯、仪表盘等部位图像。
作为一种优选的实施方式，根据用户所输入的物种信息，通过识别模型进行识别训练，建立该物种的图像指纹库，将图像指纹库加入到物种识别系统的物种识别模型库中具体为：
对用户所输入的物种图像进行预处理，根据图像分析设置合理的阈值，将图像二值化、去除干扰点并进行图像切割，通过质心对齐和线性插值放大的方法将图像归一化并将所有图像均设置为统一规格；通过预处理，提高服务器对图片的处理识别性能。
查找预处理后的各张物种图像中的颜色突变区域，建立特征点，计算图像中建立的特征点的空间密度分布数据，其中，颜色突变区域指色相距离超过60度的相邻像素点，也就是指图像中存在物种的位置区域；
计算图像中建立的特征点的空间密度分布数据具体为：将每一张图像划分为M*N个方格区域，计算每个方格中特征点的密度分布，得到M*N维特征向量；
根据空间密度分布数据，即根据M*N维特征向量进行识别训练并根据M*N维特征向量生成标准图像指纹集，建立该新物种的图像指纹库，将训练好的图像指纹库加入到物种识别系统的物种识别模型库中。
对于物种图像的识别训练采用卷积神经网络模型来进行训练，通过提取各个图像的特征向量，根据其特征向量进行识别训练，然后以各个图像的特征向量作为标准图像指纹集，并存储在该物种的图像指纹库中，然后将图像指纹库加入带物种识别模型库中，通过反复训练修正，提高识别的准确率，训练时需指出每张新物种图像的正确值。
作为一种优选的实施方式，验证是否能对用户所提交的新图像进行识别具体为：
对用户所提交的新图像进行预处理；
查找处预处理后的图像颜色突变区域，建立特征点，计算出图像中建立的特征点的空间密度分布数据；
与物种识别模型库中预存的图像指纹库中的数据进行比对，判断图像中物种的名称。
作为一种优选的实施方式，判断图像中物种的名称具体为：当待识别物种图像中建立的特征点的空间密度分布数据与物种识别模型库中的某一物种的图像指纹库相似度达到85％时判定为该物种，否则判定为无法识别。
相似度阈值设置为85％，可大概率保证不会出现因两个物种的相似度较高而出现误判以及因拍摄角度的不同带来的差异而导致误判，使得判断结果较准确。
本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有可执行计算机程序，计算机程序运行时可实现上述的更新物种识别模型库的方法。
此外，一种电子设备，包括存储器、处理器以及存储在存储器上且可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的更新物种识别模型库的方法。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。

Claims (7)

1.一种更新物种识别模型库的方法，其特征在于，包括以下步骤：
当无法识别用户所拍摄图片的物种类型时，启动新物种更新模式，提示用户输入该物种的物种信息，其中，所述物种信息包括物种各个角度的图像以及物种名称，具体为：
启动新物种更新模式，通过文字或语音引导用户进行新物种更新操作，提示用户上传新物种图像，提示用户通过文字或语音录入新物种名称；
根据用户所输入的物种信息，通过识别模型进行识别训练，建立该物种的图像指纹库，将所述图像指纹库加入到物种识别系统的物种识别模型库中,具体为：
对用户所输入的物种图像进行预处理；
查找预处理后的各张物种图像中的颜色突变区域，建立特征点，计算图像中建立的特征点的空间密度分布数据，其中，颜色突变区域指色相距离超过60度的相邻像素点；
根据所述空间密度分布数据进行识别训练并根据所述空间密度分布数据生成标准图像指纹集，建立该新物种的图像指纹库，将训练好的图像指纹库加入到物种识别系统的物种识别模型库中；
训练完毕后，邀请用户进行识别测试，验证是否能对用户所提交的新图像进行识别，具体为：
对用户所提交的新图像进行预处理；
查找预处理后的图像颜色突变区域，建立特征点，计算出图像中建立的特征点的空间密度分布数据；
与物种识别模型库中预存的图像指纹库中的数据进行比对，判断图像中物种的名称；
若可识别出该物种，则通过测试，结束新物种更新模式；
若无法识别该物种，则根据用户所提交的新图像再次通过识别模型进行识别训练并提取图像指纹集，将训练后提取的图像指纹集加入到该物种的图像指纹库并再次邀请用户进行识别测试。
2.如权利要求1所述的更新物种识别模型库的方法，其特征在于，所述新物种图像包括3至10张不同角度、大小及光线下的图像。
3.如权利要求1所述的更新物种识别模型库的方法，其特征在于，所述预处理具体为：根据图像分析设置合理的阈值，将图像二值化、去除干扰点并进行图像切割，将图像归一化并将所有图像均设置为统一规格。
4.如权利要求3所述的更新物种识别模型库的方法，其特征在于，所述计算图像中建立的特征点的空间密度分布数据具体为：将每一张图像划分为M*N个方格区域，计算每个方格中特征点的密度分布，得到M*N维特征向量。
5.如权利要求1所述的更新物种识别模型库的方法，其特征在于，所述判断图像中物种的名称具体为：当待识别物种图像中建立的特征点的空间密度分布数据与物种识别模型库中的某一物种的图像指纹库相似度达到85％时判定为该物种，否则判定为无法识别。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有可执行计算机程序，所述计算机程序运行时可实现如权利要求1至5任一项所述的更新物种识别模型库的方法。
7.一种电子设备，其特征在于，包括存储器、处理器以及存储在存储器上且可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的更新物种识别模型库的方法。
CN201811051389.7A 2018-09-10 2018-09-10 一种更新物种识别模型库的方法、存储介质及电子设备 Active CN109472280B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811051389.7A CN109472280B (zh) 2018-09-10 2018-09-10 一种更新物种识别模型库的方法、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811051389.7A CN109472280B (zh) 2018-09-10 2018-09-10 一种更新物种识别模型库的方法、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN109472280A CN109472280A (zh) 2019-03-15
CN109472280B true CN109472280B (zh) 2023-04-07

Family

ID=65663059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811051389.7A Active CN109472280B (zh) 2018-09-10 2018-09-10 一种更新物种识别模型库的方法、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN109472280B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378303B (zh) * 2019-07-25 2021-07-09 杭州睿琪软件有限公司 用于对象识别的方法及系统
CN110490086B (zh) * 2019-07-25 2021-08-20 杭州睿琪软件有限公司 一种用于对象识别结果二次确认的方法及系统
CN110704646A (zh) * 2019-10-16 2020-01-17 支付宝(杭州)信息技术有限公司 一种豢养物档案建立方法及装置
CN112579802A (zh) * 2020-10-28 2021-03-30 深圳市农产品质量安全检验检测中心(深圳市动物疫病预防控制中心) 农产品种类模型库建立方法
CN112395439B (zh) * 2020-11-17 2024-03-01 林铭 一种图像数据库实现方法及其系统和网络通信设备
CN113920462A (zh) * 2021-10-19 2022-01-11 广东邦鑫数据科技股份有限公司 基于人工智能的船舶智能检测方法及系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2397423B (en) * 2001-09-17 2005-06-01 Ca Minister Agriculture & Food A method and apparatus for identifying and quantifying characteristics of seeds and other small objects
WO2005058018A2 (en) * 2003-12-16 2005-06-30 Aerulean Plant Identification Systems, Inc. System and method for plant identification
CN101694696A (zh) * 2009-09-30 2010-04-14 浙江大学 动植物描述和甄别的分子条码系统的制备方法及其用途
US9275293B2 (en) * 2014-02-28 2016-03-01 Thrift Recycling Management, Inc. Automated object identification and processing based on digital imaging and physical attributes
KR102601848B1 (ko) * 2015-11-25 2023-11-13 삼성전자주식회사 데이터 인식 모델 구축 장치 및 방법과 데이터 인식 장치
WO2017221259A1 (en) * 2016-06-23 2017-12-28 S Jyothi Automatic recognition of indian prawn species
CN106203490A (zh) * 2016-06-30 2016-12-07 江苏大学 一种安卓平台下基于属性学习和交互反馈的图像在线识别、检索方法
CN107977668A (zh) * 2017-07-28 2018-05-01 北京物灵智能科技有限公司 一种机器人图像识别方法及系统
CN107844744A (zh) * 2017-10-09 2018-03-27 平安科技（深圳）有限公司 结合深度信息的人脸识别方法、装置及存储介质

Also Published As

Publication number Publication date
CN109472280A (zh) 2019-03-15

Similar Documents

Publication Publication Date Title
CN109472280B (zh) 一种更新物种识别模型库的方法、存储介质及电子设备
CN108960245B (zh) 轮胎模具字符的检测与识别方法、装置、设备及存储介质
WO2021047232A1 (zh) 交互行为识别方法、装置、计算机设备和存储介质
CN109815364A (zh) 一种海量视频特征提取、存储和检索方法及系统
CN108509342A (zh) 一种精准快速的App自动化测试方法
CN108647595B (zh) 基于多属性深度特征的车辆重识别方法
CN113761259A (zh) 一种图像处理方法、装置以及计算机设备
Mann et al. Automatic flower detection and phenology monitoring using time‐lapse cameras and deep learning
CN111190595A (zh) 基于界面设计图自动生成界面代码的方法、装置、介质及电子设备
CN110751500A (zh) 分享图片的处理方法、装置、计算机设备及存储介质
CN117252842A (zh) 一种飞机蒙皮缺陷检测及网络模型训练方法
Thompson et al. finFindR: Computer-assisted recognition and identification of bottlenose dolphin photos in r
CN109284702B (zh) 一种基于图像模式的答题卷给分及阅卷系统
CN112199376B (zh) 一种基于聚类分析的标准知识库管理方法及系统
CN108932270B (zh) 基于贝叶斯和反馈算法的枇杷属种质资源检索对照方法
CN112287836A (zh) 一种基于人工智能图像识别系统以及图像识别装置
CN108846386B (zh) 一种手绘图案智能识别和纠正方法
CN107563327B (zh) 一种基于自步反馈的行人重识别方法及系统
CN114118305A (zh) 一种样本筛选方法、装置、设备及计算机介质
CN111475699B (zh) 网站数据爬取方法和装置、电子设备、及可读存储介质
CN111402262A (zh) 一种多模态数据标注方法、系统及相关装置
CN109784356A (zh) 基于Fisher判别分析的矩阵变量受限玻尔兹曼机图像分类方法
CN115309941B (zh) 一种基于ai的智能标签检索方法及系统
CN117237984B (zh) 基于标签一致性的mt腿部识别方法、系统、介质和设备
CN111259843B (zh) 基于视觉稳定特征分类配准的多媒体导航仪测试方法

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