CN109840557B - 图像识别方法和装置 - Google Patents
图像识别方法和装置 Download PDFInfo
- Publication number
- CN109840557B CN109840557B CN201910070194.5A CN201910070194A CN109840557B CN 109840557 B CN109840557 B CN 109840557B CN 201910070194 A CN201910070194 A CN 201910070194A CN 109840557 B CN109840557 B CN 109840557B
- Authority
- CN
- China
- Prior art keywords
- identification
- classification
- probability
- image
- maximum
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种图像识别方法和装置。该方法包括调用分类识别模块对识别图像进行识别,得到识别图像对应每个分类的分类概率,以及调用标识识别模块对识别图像进行识别,得到识别图像对应每个标识的的标识概率,其中,每个分类均对应至少一个的标识;比较最大的分类概率和最大的标识概率;当最大的分类概率大于最大的标识概率时,确定最大的分类概率对应分类,将对应该分类的多个标识中标识概率最大的标识作为识别结果输出。本申请可以解决了相关技术中图像识别方法无法准确地识别出烟盒的标识的技术问题。
Description
技术领域
本申请涉及图像数据处理技术领域,具体而言,涉及一种图像识别方法和装置。
背景技术
与传统行业不同,烟草行业的推广不能通过传媒广告展开,因此主动搜集烟草销售情报,了解掌握消费者的消费动向是烟草行业研发新品、制定销售方案的重要手段。因此,对烟盒图像识别方法的应用就极为重要了。
相关技术中烟盒图像识别方法,先对通过烟盒样本图像在网络模型训练出可以基于烟盒图像纹理识别出烟盒的种类的识别模块,但是目前大量的烟盒图像极为相似,例如,属于同一个品牌下两个烟盒,可能仅存在长宽比值的差异,因为上述烟盒图像极为相似,从而导致由这样烟盒样本图像训练处来的识别模块在对具有相似的烟盒图像识别时,识别出来对该烟盒实际的标识(该标识包含烟盒品牌和类型等详细信息)概率会分散其他相类似的烟盒对应的标识概率中,从而造成该烟盒的实际标识概率会低于其他烟盒的标识概率,进而导致识别模块输出了错误的烟盒标识,从而降低了烟盒识别的准确性。
针对相关技术中图像识别方法无法准确地识别出烟盒的标识的问题,目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种图像识别方法和装置,以解决相关技术中图像识别方法无法在烟盒陈列图像中准确地识别出烟盒的问题。
为了实现上述目的,第一方面,本申请提供了一种图像识别方法,该方法包括:
调用分类识别模块对识别图像进行识别,得到识别图像对应每个分类的分类概率,以及
调用标识识别模块对识别图像进行识别,得到识别图像对应每个标识的的标识概率,其中,每个分类均对应至少一个的标识;
比较最大的分类概率和最大的标识概率;
当最大的分类概率大于最大的标识概率时,确定最大的分类概率对应分类,将对应该分类的多个标识中标识概率最大的标识作为识别结果输出。
可选地,该方法还包括:
当最大的分类概率不大于最大的标识概率时,将最大的标识概率对应的标识作为识别结果输出。
可选地,调用分类识别模块对识别图像进行识别,包括:
调取多个不同的分类识别模块分别对识别图像进行识别;
对于每个分类识别模块,计算出识别图像对应每个分类的分类概率。
可选地,调用标识识别模块对识别图像进行识别,包括:
调取多个不同的标识识别模块分别对识别图像进行识别;
对于每个标识识别模块,计算出识别图像的识别图像对应每个标识的的标识概率。
第二方面,本申请实施例还提供了一种图像识别装置,该装置包括:
第一调用模块,用于调用分类识别模块对识别图像进行识别,得到识别图像对应每个分类的分类概率;
第二调用模块,用于调用标识识别模块对识别图像进行识别,得到识别图像对应每个标识的的标识概率,其中,每个分类均对应至少一个的标识;
比较模块,用于比较最大的分类概率和最大的标识概率;
第一输出模块,用于当最大的分类概率大于最大的标识概率时,确定最大的分类概率对应分类,将对应该分类的多个标识中标识概率最大的标识作为识别结果输出。
可选地,该装置还包括:
第二输出模块,用于当最大的分类概率不大于最大的标识概率时,将最大的标识概率对应的标识作为识别结果输出。
可选地,第一调用模块,用于:
调取多个不同的分类识别模块分别对识别图像进行识别;
对于每个分类识别模块,计算出识别图像对应每个分类的分类概率。
可选地,第二调用模块,用于:
调取多个不同的标识识别模块分别对识别图像进行识别;
对于每个标识识别模块,计算出识别图像的识别图像对应每个标识的的标识概率。
第三方面,本申请实施例还提供了一种计算机设备,该计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个计算机程序;
当一个或多个计算机程序被一个或多个处理器执行时,使得一个或多个处理器实现如上述的图像识别方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机代码,当计算机代码被执行时,上述的图像识别方法被执行。
在本申请提供的图像识别方法中,通过调用分类识别模块对识别图像进行识别,得到识别图像对应每个分类的分类概率,以及调用标识识别模块对识别图像进行识别,得到识别图像对应每个标识的的标识概率,其中,每个分类均对应至少一个的标识;比较最大的分类概率和最大的标识概率;当最大的分类概率大于最大的标识概率时,确定最大的分类概率对应分类,将对应该分类的多个标识中标识概率最大的标识作为识别结果输出。通过上述方法,通过分类识别模块识别出该识别图像对应每个分类的分类概率,以及通过标识识别模块识别出该识别图像对应每个标识对应的标识概率,当最大的分类概率大于最大的标识概率时,可以先基于分类概率确定识别图像的分类,在属于该分类的标识中选取标识概率最大的标识作为识别结果输出,从而实现了在识别图像中准确地识别该图像的标识的目的,进而解决了相关技术中图像识别方法无法准确地识别出烟盒的标识的技术问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请实施例提供的一种图像识别方法的流程示意图;
图2是本申请实施例提供的另一种图像识别方法的流程示意图;
图3是本申请实施例提供的一种图像识别装置的结构示意图;
图4是本申请实施例提供的另一种图像识别装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本申请的一个方面,本申请实施例提供了一种图像识别方法,该方法可以应用在包含有某种物品(例如烟盒等物品)的识别图像上,物品在识别图像中会存在多个纹理,因此,可以基于该纹理识别出该识别图像中物品的标识(标识为可以准确表达物品的信息)。图1是本申请实施例提供的一种图像识别方法的流程示意图,如图1所示,该方法包括如下的步骤S100至步骤S400:
S100,调用分类识别模块对识别图像进行识别,得到识别图像对应每个分类的分类概率。
其中,分类识别模块可以是通过多个样本图像通过网络模型训练获得的,可选地,获取多个样本图像(可以包括低分辨率、高分辨率、反光和遮挡等不同场景的样本图像),并确定每个样本图像的分类(分类方式是对图像相似的样本图像标记为同一个分类的标签),对于每个样本图像,对样本图像进行边缘检测,得到该样本图像的边缘信息,将该样品图像的边缘信息并入RGB通道中形成四通道图像,如图2所示,并基于样本图像的分类进行网络模型,从而得到可以识别出图像对应的分类的分类识别模块,其中,网络模型可以采用Res50网络模型,可以利用canny算子对样本图像进行边缘检测,从而得到样本图像的边缘信息。
具体地,调用分类识别模块对识别图像进行识别,从而得到识别图像对应每个分类的分类概率。
例如,第一分类的分类概率为0.3,第二分类的分类概率为0.2,第三分类的分类概率为0.5,也就是说,该识别图像最可能属于第三分类。
另外,在对步骤S100之前,该方法还可以包括,对识别图像进行边缘检测,从而得到识别图像的边缘信息,以便于分类识别模块可以更加准确地计算出每个分类的分类概率。
S200,调用标识识别模块对识别图像进行识别,得到识别图像对应每个标识的的标识概率,其中,每个分类均对应至少一个的标识。
其中,标识识别模块可以是通过多个样本图像通过网络模型训练获得的,可选地,获取多个样本图像(可以包括低分辨率、高分辨率、反光和遮挡等不同场景的样本图像),对于每个样本图像,对样本图像进行边缘检测,得到该样本图像的边缘信息,将该样品图像的边缘信息并入RGB通道中形成四通道图像,如图2所示,并基于样本图像的分类进行网络模型,从而得到可以识别出图像对应的标识的标识识别模块,其中,网络模型可以采用Res50网络模型,可以利用canny算子对样本图像进行边缘检测,从而得到该样本图像的边缘信息。每个分类均对应至少一个的标识,且每个标识都会对应一个分类。
具体地,调用标识识别模块对识别图像进行识别,从而得到识别图像对应每个标识的的标识概率。
例如,第一标识的标识概率为0.1,第二标识的标识概率为0.35,第三标识的标识概率为0.15,第四标识的标识概率为0.4,那么,也就是说,该识别图像最可能属于第四标识。
S300,比较最大的分类概率和最大的标识概率。
具体地,在全部的分类概率中选取数值最大的分类概率,在全部的标识概率中选取数值最大的标识概率,并根据最大的标识概率和最大的分类概率的数值大小,比较最大的分类概率和最大的标识概率大小。
例如,第一分类的分类概率为0.5,第二分类的分类概率为0.2,第三分类的分类概率为0.3,第一标识的标识概率为0.1,第二标识的标识概率为0.35,第三标识的标识概率为0.05,第四标识的标识概率为0.02,第五标识的标识概率为0.08,第六标识的标识概率为0.4,且第一标识、第二标识和第三标识属于第一分类,第四标识和第五标识属于第二分类,第六标识属于第三分类,选取第一分类的分类概率0.5与第六标识的标识概率0.4进行比较,即分类概率0.5大于标识概率0.4。
S400,当最大的分类概率大于最大的标识概率时,确定最大的分类概率对应分类,将对应该分类的多个标识中标识概率最大的标识作为识别结果输出。
具体地,当最大的分类概率大于最大的标识概率时,确定最大的分类概率对应分类,并确定该分类对应的全部标识,以及对应该分类的每个标识的标识概率,从该分类对应的全部标识中,选取标识概率数值最大的标识作为识别结果进行输出。
举例说明,第一分类的分类概率为0.5,第二分类的分类概率为0.2,第三分类的分类概率为0.3,第一标识的标识概率为0.1,第二标识的标识概率为0.35,第三标识的标识概率为0.05,第四标识的标识概率为0.02,第五标识的标识概率为0.08,第六标识的标识概率为0.4,且第一标识、第二标识和第三标识属于第一分类,第四标识和第五标识属于第二分类,第六标识属于第三分类,选取第一分类的分类概率0.5与第六标识的标识概率0.4进行比较,即分类概率0.5大于标识概率0.4,则确定分类概率0.5对应的为第一分类,且对应第一分类的标识包括第一标识、第二标识和第三标识,第一标识的标识概率为0.1,第二标识的标识概率为0.35,第三标识的标识概率为0.05,其中,第二标识的标识概率数值最大,则将第二标识作为识别结果进行输出。而相关技术中,仅通过步骤S200,确定第六标识的标识概率为0.4,在全部标识中数值最大,因此将第六标识作为识别结果进行输出,但是,因为第一标识、第二标识和第三标识所对应的实际图像可能极为相似,从而极有可能将第二标识的标识概率分散到了第一标识和第三标识中,进而造成在标识识别模块识别出第二标识的标识概率低于第六标识的标识概率。
在本实施例中,通过上述步骤S100至步骤S400,通过分类识别模块识别出该识别图像对应每个分类的分类概率,以及通过标识识别模块识别出该识别图像对应每个标识对应的标识概率,当最大的分类概率大于最大的标识概率时,可以先基于分类概率确定识别图像的分类,在属于该分类的标识中选取标识概率最大的标识作为识别结果输出,从而实现了在识别图像中准确地识别该图像的标识的目的。
在一个可行的实施方式中,图2是本申请实施例提供的另一种图像识别方法的流程示意图,如图2所示,该方法还包括如下的步骤S500:
S500,当最大的分类概率不大于最大的标识概率时,将最大的标识概率对应的标识作为识别结果输出。
具体地,当最大的分类概率不大于最大的标识概率时,从而直接确定最大的标识概率对应的标识,并将该标识作为识别结果输出。
举例说明,举例说明,第一分类的分类概率为0.6,第二分类的分类概率为0.4,第一标识的标识概率为0.8,第二标识的标识概率为0.05,第三标识的标识概率为0.15,因此,最大的分类概率0.6其不大于最大的标识概率0.8,因此将标识概率为0.8的第一标识直接作为识别结果输出。
在一个可行的实施方式中,步骤S100,调用分类识别模块对识别图像进行识别,包括:
调取多个不同的分类识别模块分别对识别图像进行识别;
对于每个分类识别模块,计算出识别图像对应每个分类的分类概率。
具体地,通过调取多个不同的分类识别模块对识别图像进行识别,进而对于每个分类识别模块,计算出识别图像对应每个分类的分类概率,从而确定每个分类会对应与分类识别模块数量相同的分类概率,在执行步骤S300时,依然从全部的分类概率选取最大的分类概率。
在一个可行的实施方式中,步骤S200,调用标识识别模块对识别图像进行识别,包括:
调取多个不同的标识识别模块分别对识别图像进行识别;
对于每个标识识别模块,计算出识别图像的识别图像对应每个标识的的标识概率。
具体地,通过调取多个不同的标识识别模块对识别图像进行识别,进而对于每个标识识别模块,计算出识别图像对应每个标识的标识概率,从而确定每个标识会对应与标识识别模块数量相同的分类概率,在执行步骤S300时,依然从全部的标识概率选取最大的标识概率,另外,在执行步骤S400时,每个标识选取其对应的最大的标识概率作为该标识的标识概率。
在本申请提供的图像识别方法中,通过步骤S100,调用分类识别模块对识别图像进行识别,得到识别图像对应每个分类的分类概率,以及步骤S200,调用标识识别模块对识别图像进行识别,得到识别图像对应每个标识的的标识概率,其中,每个分类均对应至少一个的标识;步骤S300,比较最大的分类概率和最大的标识概率;步骤S400,当最大的分类概率大于最大的标识概率时,确定最大的分类概率对应分类,将对应该分类的多个标识中标识概率最大的标识作为识别结果输出。通过上述方法,通过分类识别模块识别出该识别图像对应每个分类的分类概率,以及通过标识识别模块识别出该识别图像对应每个标识对应的标识概率,当最大的分类概率大于最大的标识概率时,可以先基于分类概率确定识别图像的分类,在属于该分类的标识中选取标识概率最大的标识作为识别结果输出,从而实现了在识别图像中准确地识别该图像的标识的目的,进而解决了相关技术中图像识别方法无法准确地识别出烟盒的标识的技术问题。
基于相同的技术构思,本申请实施例还提供了一种图像识别装置,图3是本申请实施例提供的一种图像识别装置的结构示意图,如图3所示,该装置包括:
第一调用模块10,用于调用分类识别模块对识别图像进行识别,得到识别图像对应每个分类的分类概率;
第二调用模块20,用于调用标识识别模块对识别图像进行识别,得到识别图像对应每个标识的的标识概率,其中,每个分类均对应至少一个的标识;
比较模块30,用于比较最大的分类概率和最大的标识概率;
第一输出模块40,用于当最大的分类概率大于最大的标识概率时,确定最大的分类概率对应分类,将对应该分类的多个标识中标识概率最大的标识作为识别结果输出。
具体的,本申请实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述,此处不再赘述。
可选地,图4是本申请实施例提供的另一种图像识别装置的结构示意图,如图4所示,该装置还包括:
第二输出模块50,用于当最大的分类概率不大于最大的标识概率时,将最大的标识概率对应的标识作为识别结果输出。
具体的,本申请实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述,此处不再赘述。
可选地,第一调用模块10,用于:
调取多个不同的分类识别模块分别对识别图像进行识别;
对于每个分类识别模块,计算出识别图像对应每个分类的分类概率。
具体的,本申请实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述,此处不再赘述。
可选地,第二调用模块20,用于:
调取多个不同的标识识别模块分别对识别图像进行识别;
对于每个标识识别模块,计算出识别图像的识别图像对应每个标识的的标识概率。
具体的,本申请实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述,此处不再赘述。
在本申请提供的图像识别装置中,通过第一调用模块10,用于调用分类识别模块对识别图像进行识别,得到识别图像对应每个分类的分类概率;第二调用模块20,用于调用标识识别模块对识别图像进行识别,得到识别图像对应每个标识的的标识概率,其中,每个分类均对应至少一个的标识;比较模块30,用于比较最大的分类概率和最大的标识概率;第一输出模块40,用于当最大的分类概率大于最大的标识概率时,确定最大的分类概率对应分类,将对应该分类的多个标识中标识概率最大的标识作为识别结果输出。这样,通过分类识别模块识别出该识别图像对应每个分类的分类概率,以及通过标识识别模块识别出该识别图像对应每个标识对应的标识概率,当最大的分类概率大于最大的标识概率时,可以先基于分类概率确定识别图像的分类,在属于该分类的标识中选取标识概率最大的标识作为识别结果输出,从而实现了在识别图像中准确地识别该图像的标识的目的,进而解决了相关技术中图像识别方法无法准确地识别出烟盒的标识的技术问题。
基于相同的技术构思,本申请实施例还提供了一种计算机设备,该计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个计算机程序;
当一个或多个计算机程序被一个或多个处理器执行时,使得一个或多个处理器实现上述的图像识别方法。
基于相同的技术构思,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机代码,当计算机代码被执行时,上述的图像识别方法被执行。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
本申请所涉及的计算机程序可以存储于计算机可读存储介质中,所述计算机可读存储介质可以包括:能够携带计算机程序代码的任何实体装置、虚拟装置、优盘、移动硬盘、磁碟、光盘、计算机存储器、只读计算机存储器(Read-Only Memory,ROM)、随机存取计算机存储器(Random Access Memory,RAM)、电载波信号、电信信号以及其他软件分发介质等。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种图像识别方法,其特征在于,该方法包括:
调用分类识别模块对识别图像进行识别,得到所述识别图像对应每个分类的分类概率,以及
调用标识识别模块对所述识别图像进行识别,得到所述识别图像对应每个标识的标识概率,其中,每个所述分类均对应至少一个的所述标识;
比较最大的所述分类概率和最大的所述标识概率;
当最大的所述分类概率大于最大的所述标识概率时,确定最大的所述分类概率对应所述分类,将对应该分类的多个所述标识中所述标识概率最大的标识作为识别结果输出。
2.根据权利要求1所述的图像识别方法,其特征在于,该方法还包括:
当最大的所述分类概率不大于最大的所述标识概率时,将最大的所述标识概率对应的标识作为识别结果输出。
3.根据权利要求1所述的图像识别方法,其特征在于,所述调用分类识别模块对识别图像进行识别,包括:
调取多个不同的分类识别模块分别对所述识别图像进行识别;
对于每个所述分类识别模块,计算出所述识别图像对应每个分类的分类概率。
4.根据权利要求1所述的图像识别方法,其特征在于,所述调用标识识别模块对所述识别图像进行识别,包括:
调取多个不同的标识识别模块分别对所述识别图像进行识别;
对于每个所述标识识别模块,计算出所述识别图像的所述识别图像对应每个标识的标识概率。
5.一种图像识别装置,其特征在于,该装置包括:
第一调用模块,用于调用分类识别模块对识别图像进行识别,得到所述识别图像对应每个分类的分类概率;
第二调用模块,用于调用标识识别模块对所述识别图像进行识别,得到所述识别图像对应每个标识的标识概率,其中,每个所述分类均对应至少一个的所述标识;
比较模块,用于比较最大的所述分类概率和最大的所述标识概率;
第一输出模块,用于当最大的所述分类概率大于最大的所述标识概率时,确定最大的所述分类概率对应所述分类,将对应该分类的多个所述标识中所述标识概率最大的标识作为识别结果输出。
6.根据权利要求5所述的图像识别装置,其特征在于,该装置还包括:
第二输出模块,用于当最大的所述分类概率不大于最大的所述标识概率时,将最大的所述标识概率对应的标识作为识别结果输出。
7.根据权利要求5所述的图像识别装置,其特征在于,所述第一调用模块,用于:
调取多个不同的分类识别模块分别对所述识别图像进行识别;
对于每个所述分类识别模块,计算出所述识别图像对应每个分类的分类概率。
8.根据权利要求5所述的图像识别装置,其特征在于,所述第二调用模块,用于:
调取多个不同的标识识别模块分别对所述识别图像进行识别;
对于每个所述标识识别模块,计算出所述识别图像的所述识别图像对应每个标识的标识概率。
9.一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个计算机程序;
当一个或多个计算机程序被一个或多个处理器执行时,使得一个或多个处理器实现如权利要求1-4任一项所述的图像识别方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机代码,当所述计算机代码被执行时,如权利要求1-4任一项所述的图像识别方法被执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910070194.5A CN109840557B (zh) | 2019-01-24 | 2019-01-24 | 图像识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910070194.5A CN109840557B (zh) | 2019-01-24 | 2019-01-24 | 图像识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109840557A CN109840557A (zh) | 2019-06-04 |
CN109840557B true CN109840557B (zh) | 2022-09-09 |
Family
ID=66884152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910070194.5A Active CN109840557B (zh) | 2019-01-24 | 2019-01-24 | 图像识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109840557B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079744B (zh) * | 2019-12-06 | 2020-09-01 | 鲁东大学 | 适用于复杂光照环境的车辆车牌智能识别方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573688A (zh) * | 2015-01-19 | 2015-04-29 | 电子科技大学 | 基于深度学习的移动平台烟草激光码智能识别方法及装置 |
CN109190663A (zh) * | 2018-07-26 | 2019-01-11 | 湖南省烟草公司株洲市公司 | 一种基于深度学习技术的识别烟盒品规的方法 |
-
2019
- 2019-01-24 CN CN201910070194.5A patent/CN109840557B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573688A (zh) * | 2015-01-19 | 2015-04-29 | 电子科技大学 | 基于深度学习的移动平台烟草激光码智能识别方法及装置 |
CN109190663A (zh) * | 2018-07-26 | 2019-01-11 | 湖南省烟草公司株洲市公司 | 一种基于深度学习技术的识别烟盒品规的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109840557A (zh) | 2019-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10692133B2 (en) | Color estimation device, color estimation method, and color estimation program | |
CN109308681B (zh) | 图像处理方法和装置 | |
CN103455542B (zh) | 多类识别器以及多类识别方法 | |
CN110147722A (zh) | 一种视频处理方法、视频处理装置及终端设备 | |
CN105787133B (zh) | 广告信息过滤方法及装置 | |
CN110188829B (zh) | 神经网络的训练方法、目标识别的方法及相关产品 | |
CN109784227B (zh) | 图像检测识别方法和装置 | |
CN108960412B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN111931809A (zh) | 数据的处理方法、装置、存储介质及电子设备 | |
CN113689324A (zh) | 一种基于二分类标签的人像物件的自动增删方法及装置 | |
CN111144215A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113223013A (zh) | 一种肺血管分段定位的方法、装置、设备及存储介质 | |
CN109871767A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN109840557B (zh) | 图像识别方法和装置 | |
CN111614959B (zh) | 一种视频打码方法、装置以及电子设备 | |
CN111401438A (zh) | 图像分拣方法、装置及系统 | |
CN109684392A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN110413869A (zh) | 用于推送信息的方法和装置 | |
CN112989869B (zh) | 人脸质量检测模型的优化方法、装置、设备及存储介质 | |
CN113408482A (zh) | 一种训练样本的生成方法及生成装置 | |
CN114004674A (zh) | 模型训练方法、商品推送方法、装置和电子设备 | |
CN112613415A (zh) | 脸部鼻型识别方法、装置、电子设备和介质 | |
CN113312364A (zh) | 基于区块链的智慧云业务更新方法及区块链业务系统 | |
CN112949672A (zh) | 商品识别方法、装置、设备以及计算机可读存储介质 | |
CN111797922A (zh) | 文本图像分类方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |