CN109635832A - 一种基于云平台的目标识别方法及系统 - Google Patents

一种基于云平台的目标识别方法及系统 Download PDF

Info

Publication number
CN109635832A
CN109635832A CN201811278789.1A CN201811278789A CN109635832A CN 109635832 A CN109635832 A CN 109635832A CN 201811278789 A CN201811278789 A CN 201811278789A CN 109635832 A CN109635832 A CN 109635832A
Authority
CN
China
Prior art keywords
neural network
image
identified
cloud platform
trained neural
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
Application number
CN201811278789.1A
Other languages
English (en)
Inventor
黄永祯
于仕琪
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.)
Zhongke Water Drop Technology (shenzhen) Co Ltd
Watrix Technology Beijing Co Ltd
Original Assignee
Zhongke Water Drop Technology (shenzhen) Co Ltd
Watrix Technology Beijing 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 Zhongke Water Drop Technology (shenzhen) Co Ltd, Watrix Technology Beijing Co Ltd filed Critical Zhongke Water Drop Technology (shenzhen) Co Ltd
Priority to CN201811278789.1A priority Critical patent/CN109635832A/zh
Publication of CN109635832A publication Critical patent/CN109635832A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns

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)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种基于云平台的目标识别方法及系统，包括：获取待识别图像；在云平台上通过训练后的神经网络对所述待识别图像进行识别，获取所述待识别图像中目标物体，所述训练后的神经网络通过初始神经网络对训练样本集进行训练后获得。本发明实施例提供的一种基于云平台的目标识别方法及系统，在云平台上进行神经网络的训练和目标物体的识别，由于云计算具有低成本、高性能、通用性强、利用率高的特点，它的出现可以解决传统的目标识别方法成本较高的问题。

Description

一种基于云平台的目标识别方法及系统
技术领域
本发明实施例涉及目标识别技术领域，尤其涉及一种基于云平台的目标识别方法及系统。
背景技术
随着物联网、工业互联网以及云计算的飞速发展，目标识别技术逐步向自动化、智能化的方向发展，其中视觉系统及图像处理技术的应用越来越广泛。然而，鉴于缝制工序的复杂性与多样性，导致对智能缝制系统的应用需求也逐渐多元化，随之而来的是海量的处理数据。
视觉系统的数据处理核心即图像处理软件系统，其随着不同的应用需求而不断变化，总体呈现一种扩展态势。而现有技术中内嵌图像处理系统的智能相机无法不能满足多元化的需求，其具有以下不足：
(1)单一的功能和羸弱图像处理能力，制约着整机系统的进一步发展；
(2)基于单机的图像处理系统不便于应用软件部署及更新迭代，也不利于功能扩展与复用，且关联多个从机的复杂型系统的图像资源处理能力非常有限；
(3)每个本地控制系统均需布置相应的图像处理软件系统，导致硬件成本较高，资源利用率低。
发明内容
本发明实施例提供一种基于云平台的目标识别方法及系统，用以解决现有技术中传统的目标识别方法成本过高的缺点。
第一方面，本发明实施例提供一种基于云平台的目标识别方法方法，包括：
获取待识别图像；
在云平台上通过训练后的神经网络对所述待识别图像进行识别，获取所述待识别图像中目标物体，所述训练后的神经网络通过初始神经网络对训练样本集进行训练后获得。
第二方面，本发明实施例提供一种基于云平台的目标识别系统，包括：
获取模块，用于获取待识别图像和训练样本集；
识别模块，用于在云平台上通过训练后的神经网络对所述待识别图像进行识别，获取所述待识别图像中目标物体，所述训练后的神经网络通过初始神经网络对训练样本集进行训练后获得。
第三方面，本发明实施例提供一种电子设备，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面提供的一种基于云平台的目标识别方法。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面提供的一种基于云平台的目标识别方法。
本发明实施例提供的一种基于云平台的目标识别方法及系统，在云平台上进行神经网络的训练和目标物体的识别，由于云计算具有低成本、高性能、通用性强、利用率高的特点，它的出现可以解决传统的目标识别方法成本较高的问题。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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，还可以根据这些附图获得其他的附图。
图1为本发明实施例一种基于云平台的目标识别方法的流程图；
图2为本发明实施例提供一种基于云平台的目标识别系统的结构示意图；
图3示例了一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
图1为本发明实施例一种基于云平台的目标识别方法的流程图，如图1所示，该方法包括：
S1，获取待识别图像；
S2，在云平台上通过训练后的神经网络对所述待识别图像进行识别，获取所述待识别图像中目标物体，所述训练后的神经网络通过初始神经网络对训练样本集进行训练后获得。
需要说明的是，顾名思义，云平台是一种平台，这种平台允许开发者们或是将写好的程序放在“云”里运行，或是使用“云”里提供的服务，或二者皆是。至于这种平台的名称，现在我们可以听到不止一种称呼，比如按需平台、平台即服务等等。但无论称呼它什么，这种新的支持应用的方式有着巨大的潜力。
首先云平台接收客户端发送过来的待识别图像，待识别图像中包含有需要识别出来的目标物体。训练样本集可以是客户端发送给云平台的，也可以是云平台通过其它方式获取的，训练样本集中的每个训练样本都包含有目标物体，并且每个训练样本中的目标物体都已经被标定出来，也就是说目标物体在每张训练样本中的位置都是已知的。
通过初始神经网络，对训练样本集中的每一幅训练样本进行训练，获得训练后的神经网络，然后通过获得的训练后的神经网络对待识别图像进行识别，获得待识别图像中目标物体的位置。
本发明实施例提供的一种基于云平台的目标识别方法，在云平台上进行神经网络的训练和目标物体的识别，由于云计算具有低成本、高性能、通用性强、利用率高的特点，它的出现可以解决传统的目标识别方法成本较高的问题。
在上述实施例的基础上，优选地，所述通过训练后的神经网络对所述待识别图像进行识别，获取所述待识别图像中所述目标物体，之后还包括：
将识别后的待识别图像发送至所述客户端，以使得用户对所述待识别图像中识别出来的所述目标物体的范围进行调整。
在识别出待识别图像中的目标物体之后，将待识别图像发送至客户端，此时发送给客户端的待识别图像中目标物体的位置已经被标注出来，如果待识别图像中标注出来的目标物体位置偏差较大，用户会对标注出目标物体位置进行调整，使得标注出目标物体的位置与待识别图像中目标物体的实际位置吻合。
在上述实施例的基础上，优选地，还包括：
将训练后的神经网络对测试样本集中的每一测试样本进行测试，获取平均测试误差。
在对初始神经网络进行训练之后，得到训练后的神经网络，要看该训练后的神经网络是否合格，将训练后的神经网络对测试样本集中的每个测试样本进行测试，得到平均测试误差。
在上述实施例的基础上，优选地，还包括：
若所述平均测试误差在预设范围之内，则通过训练后的神经网络对所述待识别图像进行识别；若所述平均测试误差在所述预设范围之外，则通过所述训练样本集重新对所述初始神经网络经训练，重新获取训练后的神经网络。
将该平均测试误差与预设范围进行比较，如果平均测试误差在预设范围之内，说明训练后的神经网络符合要求，可以用该训练后的神经网络对待识别图像进行识别。
如果平均测试误差在预设范围之外，说明训练后的神经网络不符合要求，需要重新对初始神经网络进行训练，以使得训练后的神经网络符合要求。
在上述实施例的基础上，优选地，所述初始神经网络为卷积神经网络。
需要说明的是，卷积神经网络是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理。卷积神经网络包括卷积层和池化层。
卷积神经网络包括一维卷积神经网络、二维卷积神经网络以及三维卷积神经网络。一维卷积神经网络常应用于序列类的数据处理；二维卷积神经网络常应用于图像类文本的识别；三维卷积神经网络主要应用于医学图像以及视频类数据识别。
图2为本发明实施例提供一种基于云平台的目标识别系统的结构示意图，如图2所示，该系统包括获取模块201和识别模块202，其中：
获取模块201用于获取待识别图像；
识别模块203用于在云平台上通过训练后的神经网络对所述待识别图像进行识别，获取所述待识别图像中所述目标物体，所述训练后的神经网络通过初始神经网络对训练样本集进行训练后获得。
首先获取模块201接收到客户端发送的待识别图像，获取模块201可以接收客户端发送过来的训练样本集，也可以通过其它方式获取训练样本集，待识别图像中包含有目标物体，训练样本集中包含多张训练样本，每张训练样本中都包含有目标物体，并且该目标物体已经被标定出。识别模块202利用训练后的神经网络对待识别图像进行识别，得到识别图像中的目标物体，训练后的神经网络是利用初始神经网络对训练样本集中每张训练样本进行训练，获得训练后的神经网络。
本发明实施例提供一种基于云平台的目标识别系统，在云平台上进行神经网络的训练和目标物体的识别，由于云计算具有低成本、高性能、通用性强、利用率高的特点，它的出现可以解决传统的目标识别方法成本较高的问题。
图3示例了一种电子设备的实体结构示意图，如图3所示，该服务器可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和总线340，其中，处理器310，通信接口320，存储器330通过总线340完成相互间的通信。通信接口340可以用于服务器与智能电视之间的信息传输。处理器310可以调用存储器330中的逻辑指令，以执行如下方法：
获取待识别图像；
在云平台上通过训练后的神经网络对所述待识别图像进行识别，获取所述待识别图像中所述目标物体，所述训练后的神经网络通过初始神经网络对训练样本集进行训练后获得。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：
获取待识别图像；
在云平台上通过训练后的神经网络对所述待识别图像进行识别，获取所述待识别图像中所述目标物体，所述训练后的神经网络通过初始神经网络对训练样本集进行训练后获得。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于云平台的目标识别方法，其特征在于，包括：
获取待识别图像；
在云平台上通过训练后的神经网络对所述待识别图像进行识别，获取所述待识别图像中目标物体；
所述训练后的神经网络通过初始神经网络对训练样本集进行训练后获得。
2.根据权利要求1所述方法，其特征在于，所述通过训练后的神经网络对所述待识别图像进行识别，获取所述待识别图像中所述目标物体，之后还包括：
将识别后的待识别图像发送至客户端，以使得用户对所述待识别图像中识别出来的所述目标物体的位置进行调整。
3.根据权利要求1所述方法，其特征在于，所述通过训练后的神经网络对所述待识别图像进行识别，获取所述待识别图像中所述目标物体，之后还包括：
将训练后的神经网络对测试样本集中的每一测试样本进行测试，获取平均测试误差。
4.根据权利要求3所述方法，其特征在于，所述获取平均测试误差之后还包括：
若所述平均测试误差在预设范围之内，则通过训练后的神经网络对所述待识别图像进行识别，若所述平均测试误差在所述预设范围之外，则通过所述训练样本集重新对所述初始神经网络经训练，重新获取训练后的神经网络。
5.根据权利要求1所述方法，其特征在于，所述初始神经网络为卷积神经网络。
6.一种基于云平台的目标识别系统，其特征在于，包括：
获取模块，用于获取待识别图像；
识别模块，用于在云平台上通过训练后的神经网络对所述待识别图像进行识别，获取所述待识别图像中目标物体，所述训练后的神经网络通过初始神经网络对训练样本集进行训练后获得。
7.一种电子设备，其特征在于，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1-5中任一项所述的方法。
8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至5任一所述的方法。
CN201811278789.1A 2018-10-30 2018-10-30 一种基于云平台的目标识别方法及系统 Pending CN109635832A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811278789.1A CN109635832A (zh) 2018-10-30 2018-10-30 一种基于云平台的目标识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811278789.1A CN109635832A (zh) 2018-10-30 2018-10-30 一种基于云平台的目标识别方法及系统

Publications (1)

Publication Number Publication Date
CN109635832A true CN109635832A (zh) 2019-04-16

Family

ID=66066865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811278789.1A Pending CN109635832A (zh) 2018-10-30 2018-10-30 一种基于云平台的目标识别方法及系统

Country Status (1)

Country Link
CN (1) CN109635832A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112435210A (zh) * 2019-08-26 2021-03-02 银河水滴科技（北京）有限公司 一种环形器件的质量检测方法及装置
CN114429583A (zh) * 2022-01-12 2022-05-03 国际竹藤中心 基于神经网络模型的竹种智能识别方法和系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106375721A (zh) * 2016-09-14 2017-02-01 重庆邮电大学 一种基于云平台的智能视频监控系统
CN106375640A (zh) * 2016-08-30 2017-02-01 黄爱国 基于多功能智慧灯柱的反恐智能化监控系统及工作方法
CN107085869A (zh) * 2017-01-16 2017-08-22 田桂昌 基于物联网与云计算的数据处理系统
CN107145546A (zh) * 2017-04-26 2017-09-08 北京环境特性研究所 基于深度学习的监控视频人员模糊检索方法
CN107277470A (zh) * 2017-08-10 2017-10-20 四川天翼网络服务有限公司 一种网络联动管理方法及数字化警务联动管理方法
US20180018358A1 (en) * 2013-10-16 2018-01-18 University Of Tennessee Research Foundation Method and apparatus for constructing a neuroscience-inspired artificial neural network with visualization of neural pathways
US10013773B1 (en) * 2016-12-16 2018-07-03 Waymo Llc Neural networks for object detection
CN108710910A (zh) * 2018-05-18 2018-10-26 中国科学院光电研究院 一种基于卷积神经网络的目标识别方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180018358A1 (en) * 2013-10-16 2018-01-18 University Of Tennessee Research Foundation Method and apparatus for constructing a neuroscience-inspired artificial neural network with visualization of neural pathways
CN106375640A (zh) * 2016-08-30 2017-02-01 黄爱国 基于多功能智慧灯柱的反恐智能化监控系统及工作方法
CN106375721A (zh) * 2016-09-14 2017-02-01 重庆邮电大学 一种基于云平台的智能视频监控系统
US10013773B1 (en) * 2016-12-16 2018-07-03 Waymo Llc Neural networks for object detection
CN107085869A (zh) * 2017-01-16 2017-08-22 田桂昌 基于物联网与云计算的数据处理系统
CN107145546A (zh) * 2017-04-26 2017-09-08 北京环境特性研究所 基于深度学习的监控视频人员模糊检索方法
CN107277470A (zh) * 2017-08-10 2017-10-20 四川天翼网络服务有限公司 一种网络联动管理方法及数字化警务联动管理方法
CN108710910A (zh) * 2018-05-18 2018-10-26 中国科学院光电研究院 一种基于卷积神经网络的目标识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
致熵: "如何判断深度神经网络是否过拟合？", 《知乎》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112435210A (zh) * 2019-08-26 2021-03-02 银河水滴科技（北京）有限公司 一种环形器件的质量检测方法及装置
CN112435210B (zh) * 2019-08-26 2024-03-01 银河水滴科技（北京）有限公司 一种环形器件的质量检测方法及装置
CN114429583A (zh) * 2022-01-12 2022-05-03 国际竹藤中心 基于神经网络模型的竹种智能识别方法和系统

Similar Documents

Publication Publication Date Title
US10936919B2 (en) Method and apparatus for detecting human face
CN110020620B (zh) 一种大姿态下的人脸识别方法、装置及设备
CN108830235B (zh) 用于生成信息的方法和装置
US10902245B2 (en) Method and apparatus for facial recognition
KR102591961B1 (ko) 모델 트레이닝 방법 및 장치, 및 이를 위한 단말 및 저장 매체
CN112232293B (zh) 图像处理模型训练、图像处理方法及相关设备
CN111950638B (zh) 基于模型蒸馏的图像分类方法、装置和电子设备
US10691928B2 (en) Method and apparatus for facial recognition
CN109558892A (zh) 一种基于神经网络的目标识别方法及系统
JP7123133B2 (ja) 両眼画像の深度推定方法及び装置、機器、プログラム並びに媒体
CN109840477B (zh) 基于特征变换的受遮挡人脸识别方法及装置
CN108230346B (zh) 用于分割图像语义特征的方法和装置、电子设备
CN113436100B (zh) 用于修复视频的方法、装置、设备、介质和产品
CN110751069A (zh) 一种人脸活体检测方法及装置
CN114282581A (zh) 基于数据增强的训练样本获取方法、装置和电子设备
KR20200102409A (ko) 키 프레임 스케줄링 방법 및 장치, 전자 기기, 프로그램과 매체
CN109635832A (zh) 一种基于云平台的目标识别方法及系统
CN114612531B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN113128526B (zh) 图像识别方法、装置、电子设备和计算机可读存储介质
CN109241930B (zh) 用于处理眉部图像的方法和装置
CN108921792B (zh) 用于处理图片的方法和装置
CN117115900B (zh) 一种图像分割方法、装置、设备及存储介质
CN112101185B (zh) 一种训练皱纹检测模型的方法、电子设备及存储介质
CN109034085B (zh) 用于生成信息的方法和装置
CN109800707A (zh) 一种基于cnn模型的人脸识别方法、装置及存储介质

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: 20190416

RJ01 Rejection of invention patent application after publication