CN109726721A - 一种基于卷积神经网络模型的象棋识别方法 - Google Patents
一种基于卷积神经网络模型的象棋识别方法 Download PDFInfo
- Publication number
- CN109726721A CN109726721A CN201811486062.2A CN201811486062A CN109726721A CN 109726721 A CN109726721 A CN 109726721A CN 201811486062 A CN201811486062 A CN 201811486062A CN 109726721 A CN109726721 A CN 109726721A
- Authority
- CN
- China
- Prior art keywords
- chess
- chess piece
- neural networks
- convolutional neural
- recognition
- 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 30
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 9
- 238000005286 illumination Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种基于卷积神经网络模型的象棋识别方法，包括S1)、利用工业相机采集包含棋子的棋盘图像；S2)、对棋盘图像进行hough圆检测，获取每个棋子区域图像；S3)、将棋子区域图像的分辨率修改为48*48；S4)、通过统计颜色阙值范围内的像素个数来判断每个棋子的颜色；S5)、将棋子区域图像输入训练好的基于卷积神经网络的象棋识别模型中，进行字符识别，输出棋子文字。本发明提供的方法能够进一步提高中国象棋识别准确率，识别准确率为99.995％以上；本发明基于HSV颜色空间下进行颜色识别，减少了光照强度变化对识别效果的影响；本发明识别速度快，单个棋子识别时间在20ms左右，对现有技术有较好的提高。
Description
技术领域
本发明涉及象棋技术领域，尤其是一种基于卷积神经网络模型的象棋识别方法。
背景技术
近年来随着计算机的快速发展，对深度学习的研究已经成为了当前的热门领域，中国象棋机器人等娱乐服务型机器人也成为了该领域的研究热点。现有的象棋机器人主要是基于图像处理的中国象棋识别和基于旋转差分的中国象棋识别，但是使用图像处理的方法识别中国象棋的方法中，依赖固定光照强度，同时该识别方法仅仅是使用欧式距离这种算法过于简单，对于棋子摆放角度任意性的问题，该方法难以准确识别棋子文字；而使用旋转差分方法识别中国象棋，效果虽然比使用欧式距离方法好，但由于每个棋子都需要不停地做旋转差分计算，计算重复性大，消耗时间长，同时该方法依赖合适差分角。
发明内容
针对现有技术的不足，本发明提供一种基于卷积神经网络模型的象棋识别方法，该方法能够提高象棋的识别准确性，解决现有技术中难以识别的问题。
本发明的技术方案为：一种基于卷积神经网络模型的象棋识别方法，包括以下步骤：
S1)、利用工业相机采集包含棋子的棋盘图像；
S2)、对获取的棋盘图像进行hough圆检测，以定位棋盘上的每个棋子位置，获取每个棋子区域图像；
S3)、将棋子区域图像的分辨率修改为48*48；
S4)、通过统计颜色阙值范围内的像素个数来判断每个棋子的颜色；
S5)、将棋子区域图像输入训练好的基于卷积神经网络的象棋识别模型中，进行字符识别，输出棋子文字。
进一步的，上述方法中，步骤S2)中，所述的hough圆检测，具体包括以下步骤：
S201)、将获取的棋盘图像的每个像素转换到abr参数空间，其中圆心坐标为(a,b)，r表示半径；
S202)、在abr空间中，圆锥面相交的点对应原图中的圆心(a,b)和半径r；
S203)、根据设定的棋子半径阈值范围挑选出符合要求的圆，即为检测到棋子的圆参数；
S204)、根据检测到的圆，画出最小外接矩形以示检测结果，以及为下一步棋子区域获取做准备。
进一步的，上述方法中，步骤S4)中，通过统计颜色阙值内像素点的个数来判断每个棋子的颜色，具体包括以下步骤：
S401)、将棋子区域图转换为HSV颜色空间图像；
S402)、提取颜色空间图像的H分量，即表示范围在0-180，其中，黑色的预设阈值为(30,130)，红色的预设阈值为(0,20)和(150，180)；
S403)、统计棋子区域图像中属于红色和黑色的阈值范围内的像素点个数，取数量多的作为该棋子颜色。
进一步的，上述方法中，步骤S5)中，基于卷积神经网络的象棋识别模型的训练包括以下步骤：
S501)、构建卷积网络模型；
S502)、以1°为单位旋转棋子，获得360张同一棋子的不同角度图，每个棋子使用同样的方法制作数据集，将所有棋子的数据集分为训练集和测试集，比例为3:1；
S503)、将训练集输入卷积网络模型中，基于Keras深度学习框架，使用梯度下降法训练模型，学习率设为0.001，训练次数为10000；
S504)、保存准确率最高的权重参数以及模型结构，从而得到训练好的基于卷积神经网络的象棋识别模型；
S505)、将检测集检测输入训练好的模型中，以检测模型的准确率。
进一步的，步骤S501)中，构建的卷积神经网络模型的包括依次连接的第一卷积层、池化层、第二卷积层、第三卷积层、全连接层、输出层。
进一步的，步骤S504)中，所述的训练好的基于卷积神经网络的象棋识别模型的识别准确率为99.995％以上，识别时间为22ms以下。
本发明的有益效果为：
1、本发明提供的识别方法能够进一步提高中国象棋识别准确率，识别准确率为99.995％以上；
2、本发明基于HSV颜色空间下进行颜色识别，减少了光照强度变化对识别效果的影响；
3、本发明识别速度快，单个棋子识别时间在20ms左右，识别速度相对现有技术进一步提高。
附图说明
图1为本发明棋子定位的效果图；
图2为本发明利用预设的颜色阙值确定棋子颜色的效果图；
图3为本发明构建的卷积神经网络模型的结构图；
图4为本发明模型的训练训练效果图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明：
一种基于卷积神经网络模型的象棋识别方法，包括以下步骤；
S1)、利用工业相机采集包含棋子的棋盘图像；
S2)、对获取的棋盘图像进行hough圆检测，以定位棋盘上的棋子位置，获取每个棋子区域图像，其定位效果图可参见图1，具体包括以下步骤：
S201)、将获取的棋盘图像的每个像素转换到abr参数空间，其中圆心坐标为(a,b),r表示半径；
S202)、在abr空间中，圆锥面相交的点对应原图中的圆心(a,b)和半径r；
S203)、根据设定的棋子半径阈值范围挑选出符合要求的圆，即为检测到棋子的圆参数；
S204)、根据检测到的圆，画出最小外接矩形以示检测结果，以及为下一步棋子区域获取做准备；
S3)、将棋子区域图像的分辨率修改为48*48；
S4)、通过统计颜色阙值范围内的像素个数来判断每个棋子的颜色，颜色识别效果图可参见图2，具体包括以下步骤：
S401)、将棋子区域图转换为HSV颜色空间图像；
S402)、提取颜色空间图像的H分量，即表示范围在0-180，其中，黑色的预设阈值为(30,130)，红色的预设阈值为(0,20)和(150,180)；
S403)、统计棋子区域图像中属于红色和黑色的阈值范围内的像素点个数，取数量多的作为该棋子颜色；
S5)、将棋子区域图像输入训练好的基于卷积神经网络的象棋识别模型中，进行字符识别，输出棋子文字，其中，基于卷积神经网络的象棋识别模型的训练包括以下步骤：
S501)、构建包括第一卷积层、池化层、第二卷积层、第三卷积层、全连接层、输出层的卷积神经网络模型，该网络模型的结构示意图参见图3；
S502)、以1°为单位旋转棋子，获得360张同一棋子的不同角度图，每个棋子使用同样的方法制作数据集，将所有棋子的数据集分为训练集和测试集，比例为3:1；
S503)、将训练集输入卷积网络模型中，基于Keras深度学习框架，使用梯度下降法训练模型，学习率设为0.001，训练次数为10000，训练的效果图参见图4；
S504)、保存准确率最高的权重参数以及模型结构；
S505)、将检测集检测输入训练好的模型中，以检测模型的准确率，对其中部分棋子进行编号，依次为1-10，并对该棋子进行识别，检测其准确率和识别时间，其中每个棋子的识别时间如表1所示，
表1 单个棋子的识别时间
从表1中可以看出，单个棋子的识别时间为20ms左右，相对于现有识别机器人其识别速度有较明显的提高。
上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
Claims (6)
1.一种基于卷积神经网络模型的象棋识别方法，其特征在于，包括以下步骤：
S1)、利用工业相机采集包含棋子的棋盘图像；
S2)、对获取的棋盘图像进行hough圆检测，以定位棋盘上的每个棋子位置，获取每个棋子区域图像；
S3)、将棋子区域图像的分辨率修改为48*48；
S4)、通过统计颜色阙值范围内的像素个数来判断每个棋子的颜色；
S5)、将棋子区域图像输入训练好的基于卷积神经网络的象棋识别模型中，进行字符识别，输出棋子文字。
2.根据权利要求1所述的一种基于卷积神经网络模型的象棋识别方法，其特征在于：骤S2)中，所述的hough圆检测，具体包括以下步骤：
S201)、将获取的棋盘图像的每个像素转换到abr参数空间，其中圆心坐标为(a,b)，r表示半径；
S202)、在abr参数空间中，圆锥面相交的点对应原图中的圆心(a,b)和半径r；
S203)、根据设定的棋子半径阈值范围挑选出符合要求的圆，即为检测到棋子的圆参数；
S204)、根据检测到的圆，画出最小外接矩形以示检测结果，以及为下一步棋子区域获取做准备。
3.根据权利要求1所述的一种基于卷积神经网络模型的象棋识别方法，其特征在于：步骤S4)中，通过统计颜色阙值内像素点的个数来判断每个棋子的颜色，具体包括以下步骤：
S401)、将棋子区域图转换为HSV颜色空间图像；
S402)、提取颜色空间图像的H分量，即表示范围在0-180，其中，黑色的预设阈值为(30,130)，红色的预设阈值为(0,20)和(150，180)；
S403)、统计棋子区域图像中属于红色和黑色的阈值范围内的像素点个数，取数量多的作为该棋子颜色。
4.根据权利要求1所述的一种基于卷积神经网络模型的象棋识别方法，其特征在于：步骤S5)中，基于卷积神经网络的象棋识别模型的训练包括以下步骤：
S501)、构建卷积网络模型；
S502)、以1°为单位旋转棋子，获得360张同一棋子的不同角度图，每个棋子使用同样的方法制作数据集，将所有棋子的数据集分为训练集和测试集，比例为3:1；
S503)、将训练集输入卷积网络模型中，基于Keras深度学习框架，使用梯度下降法训练模型，学习率设为0.001，训练次数为10000；
S504)、保存准确率最高的权重参数以及模型结构；
S505)、将检测集检测输入训练好的模型中，以检测模型的准确率。
5.根据权利要求4所述的一种基于卷积神经网络模型的象棋识别方法，其特征在于：步骤S501)中，构建的卷积神经网络模型的包括依次连接的第一卷积层、池化层、第二卷积层、第三卷积层、全连接层、输出层。
6.根据权利要求4所述的一种基于卷积神经网络模型的象棋识别方法，其特征在于：步骤S504)中，所述的训练好的基于卷积神经网络的象棋识别模型的识别准确率为99.995％以上，识别时间为22ms以下。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811486062.2A CN109726721A (zh) | 2018-12-06 | 2018-12-06 | 一种基于卷积神经网络模型的象棋识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811486062.2A CN109726721A (zh) | 2018-12-06 | 2018-12-06 | 一种基于卷积神经网络模型的象棋识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109726721A true CN109726721A (zh) | 2019-05-07 |
Family
ID=66295607
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811486062.2A Pending CN109726721A (zh) | 2018-12-06 | 2018-12-06 | 一种基于卷积神经网络模型的象棋识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109726721A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472625A (zh) * | 2019-08-05 | 2019-11-19 | 浙江大学 | 一种基于傅里叶描述子的象棋棋子视觉识别方法 |
| CN111330255A (zh) * | 2020-01-16 | 2020-06-26 | 北京理工大学 | 一种基于深度卷积神经网络的亚马逊棋招法生成方法 |
| CN111339995A (zh) * | 2020-03-16 | 2020-06-26 | 合肥闪捷信息科技有限公司 | 一种基于神经网络的敏感图像识别方法 |
| TWI748780B (zh) * | 2020-12-02 | 2021-12-01 | 明新學校財團法人明新科技大學 | 暗棋機器人 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018072326A1 (zh) * | 2016-10-21 | 2018-04-26 | 广州视源电子科技股份有限公司 | 基于图像识别的焊点类型检测和装置 |
| CN108671534A (zh) * | 2018-05-21 | 2018-10-19 | 湖南大学 | 一种基于目标轮廓与骨架特征的机器人象棋开局摆棋方法和系统 |
-
2018
- 2018-12-06 CN CN201811486062.2A patent/CN109726721A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018072326A1 (zh) * | 2016-10-21 | 2018-04-26 | 广州视源电子科技股份有限公司 | 基于图像识别的焊点类型检测和装置 |
| CN108671534A (zh) * | 2018-05-21 | 2018-10-19 | 湖南大学 | 一种基于目标轮廓与骨架特征的机器人象棋开局摆棋方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 伍锡如: "基于深度学习的工业分拣机器人快速视觉识别与定位算法", 《机器人》 * |
| 张洪波: "模式识别及其在计算机视觉中的实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472625A (zh) * | 2019-08-05 | 2019-11-19 | 浙江大学 | 一种基于傅里叶描述子的象棋棋子视觉识别方法 |
| CN110472625B (zh) * | 2019-08-05 | 2022-12-20 | 浙江大学 | 一种基于傅里叶描述子的象棋棋子视觉识别方法 |
| CN111330255A (zh) * | 2020-01-16 | 2020-06-26 | 北京理工大学 | 一种基于深度卷积神经网络的亚马逊棋招法生成方法 |
| CN111330255B (zh) * | 2020-01-16 | 2021-06-08 | 北京理工大学 | 一种基于深度卷积神经网络的亚马逊棋招法生成方法 |
| CN111339995A (zh) * | 2020-03-16 | 2020-06-26 | 合肥闪捷信息科技有限公司 | 一种基于神经网络的敏感图像识别方法 |
| CN111339995B (zh) * | 2020-03-16 | 2024-02-20 | 合肥闪捷信息科技有限公司 | 一种基于神经网络的敏感图像识别方法 |
| TWI748780B (zh) * | 2020-12-02 | 2021-12-01 | 明新學校財團法人明新科技大學 | 暗棋機器人 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109726721A (zh) | 一种基于卷积神经网络模型的象棋识别方法 | |
| CN105046252B (zh) | 一种人民币冠字码识别方法 | |
| CN107066998A (zh) | 一种利用移动设备的指针式圆形单仪表盘实时识别方法 | |
| CN108961235A (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
| CN106407981A (zh) | 一种车牌识别方法、装置及系统 | |
| CN108710919A (zh) | 一种基于多尺度特征融合深度学习的裂缝自动化勾画方法 | |
| CN103729649B (zh) | 一种图像旋转角度检测方法和装置 | |
| CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
| CN105513066B (zh) | 一种基于种子点选取与超像素融合的通用物体检测方法 | |
| CN105513086B (zh) | 一种教育玩具套件及其基于形状匹配的魔方检测定位方法 | |
| CN105719318A (zh) | 一种教育玩具套件及其基于hsv的魔方颜色识别方法 | |
| WO2017128602A1 (zh) | 一种教育玩具套件及其定位孔检测定位方法 | |
| CN106485749B (zh) | 一种基于角点的矩形引脚元件粗定位方法 | |
| CN109035292A (zh) | 基于深度学习的运动目标检测方法及装置 | |
| CN104036516B (zh) | 基于对称性分析的摄像机标定棋盘图像角点检测方法 | |
| CN110472575A (zh) | 一种基于深度学习和计算机视觉的串番茄成熟度检测方法 | |
| CN105809173B (zh) | 一种基于仿生物视觉变换的图像rstn不变属性特征提取及识别方法 | |
| CN106097833A (zh) | 一种教育玩具套件及其数字识别方法 | |
| CN106384355A (zh) | 一种投影交互系统中的自动标定方法 | |
| CN110032932B (zh) | 一种基于视频处理和决策树设定阈值的人体姿态识别方法 | |
| CN107944457A (zh) | 一种复杂场景下的绘画物体识别与提取方法 | |
| CN106874913A (zh) | 一种菜品检测方法 | |
| CN107633232A (zh) | 一种基于深度学习的低维人脸模型训练方法 | |
| CN107038416A (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
| WO2018032631A1 (zh) | 一种教育玩具套件及其电路元件和电线的识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190507 |