CN110276405A - 用于输出信息的方法和装置 - Google Patents
用于输出信息的方法和装置 Download PDFInfo
- Publication number
- CN110276405A CN110276405A CN201910559812.2A CN201910559812A CN110276405A CN 110276405 A CN110276405 A CN 110276405A CN 201910559812 A CN201910559812 A CN 201910559812A CN 110276405 A CN110276405 A CN 110276405A
- Authority
- CN
- China
- Prior art keywords
- classification
- rubbish
- recognition result
- image
- training
- 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.)
- Granted
Links
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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了用于输出信息的方法和装置,涉及云计算领域。上述方法的一具体实施方式包括:获取垃圾图像;根据预先训练的垃圾类别识别模型以及垃圾图像,识别垃圾图像中的垃圾对象的类别,得到类别识别结果,其中,垃圾类别识别模型用于表征垃圾图像与垃圾对象的类别的对应关系;根据预先训练的识别结果检测模型以及类别识别结果,确定类别识别结果是否正确,其中,识别结果检测模型用于判断类别识别结果是否正确;响应于确定类别识别结果正确,输出类别识别结果。该实施方式可以提高垃圾类别识别的准确度。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于输出信息的方法和装置。
背景技术
生活垃圾排出量日益增大,成分复杂多样,具有污染性、资源性和社会性等特点。某些垃圾如塑料、易拉罐等自然降解时间漫长,需要几十甚至上百年。使用卫生填埋方法处理这些垃圾,土地占用量大,被占用的土地长期得不到恢复,影响土地的可持续利用。使用焚烧方法处理这些垃圾,则会严重污染大气、破坏生产生活安全。而有些垃圾比如蔬菜残渣、果皮纸屑等则是可以用来进行高温堆肥或者回收重复利用。垃圾处理的目的是无害化、资源化和减量化,这就使得对垃圾进行精确分类,针对不同类别的垃圾采取不同的处理方法成为了需要迫切解决的问题。
发明内容
本申请实施例提出了用于输出信息的方法和装置。
第一方面,本申请实施例提供了一种用于输出信息的方法,包括:获取垃圾图像;根据预先训练的垃圾类别识别模型以及上述垃圾图像,识别上述垃圾图像中的垃圾对象的类别,得到类别识别结果,其中,上述垃圾类别识别模型用于表征垃圾图像与垃圾对象的类别的对应关系;根据预先训练的识别结果检测模型以及上述类别识别结果,确定上述类别识别结果是否正确,其中,上述识别结果检测模型用于判断类别识别结果是否正确;响应于确定上述类别识别结果正确,输出上述类别识别结果。
在一些实施例中,上述方法还包括:响应于确定上述类别识别结果错误,将上述垃圾图像及上述类别识别结果作为第一训练样本,重新训练上述识别结果检测模型。
在一些实施例中,上述响应于确定上述类别识别结果错误,将上述垃圾图像及上述类别识别结果作为第一训练样本,重新训练上述识别结果检测模型,包括:响应于确定上述类别识别结果错误,抠取上述垃圾图像中类别识别错误的垃圾对象的图像,将抠取得到的图像作为上述识别结果检测模型的输入,将错误的类别识别结果作为期望输出,重新训练上述识别结果检测模型。
在一些实施例中,上述垃圾类别识别模型通过以下第一训练步骤得到:获取第一训练样本集合,其中,第一训练样本包括样本垃圾图像以及标注的垃圾对象的类别;将上述第一训练样本集合中的至少一张样本垃圾图像作为输入,将所输入的样本垃圾图像标注的垃圾对象的类别作为期望输出,训练得到上述垃圾类别识别模型。
在一些实施例中,上述方法还包括:将上述第一训练样本集合中、未用于训练上述垃圾类别识别模型的样本垃圾图像作为测试样本垃圾图像;将上述测试样本垃圾图像输入上述垃圾类别识别模型,得到上述测试样本垃圾图像的类别识别结果;将上述测试样本垃圾图像的类别识别结果与所输入测试样本垃圾图像的标注的垃圾类别进行对比,确定上述测试样本垃圾图像的类别识别结果是否正确。
在一些实施例中,上述识别结果检测模型通过以下第二训练步骤得到:获取上述测试样本垃圾图像的类别识别结果中、错误的类别识别结果以及对应的测试样本垃圾图像;将获取的测试样本垃圾图像与其类别识别结果作为第二训练样本,得到第二训练样本集合;将上述第二训练样本集合中的至少一张样本垃圾图像作为输入,将与所输入的样本垃圾图像对应的识别垃圾类别作为期望输出,训练得到上述识别结果检测模型。
第二方面,本申请实施例提供了一种用于输出信息的装置,包括:获取单元,被配置成获取垃圾图像;识别单元,被配置成根据预先训练的垃圾类别识别模型以及上述垃圾图像,识别上述垃圾图像中的垃圾对象的类别,得到类别识别结果,其中,上述垃圾类别识别模型用于表征垃圾图像与垃圾对象的类别的对应关系;判断单元,被配置成根据预先训练的识别结果检测模型以及上述类别识别结果,确定上述类别识别结果是否正确,其中,上述识别结果检测模型用于判断类别识别结果是否正确;输出单元,被配置成响应于确定上述类别识别结果正确,输出上述类别识别结果。
在一些实施例中,上述装置还包括:再训练单元,被配置成响应于确定上述类别识别结果错误,将上述垃圾图像及上述类别识别结果作为第一训练样本,重新训练上述识别结果检测模型。
在一些实施例中,上述再训练单元进一步被配置成:响应于确定上述类别识别结果错误,抠取上述垃圾图像中类别识别错误的垃圾对象的图像,将抠取得到的图像作为上述识别结果检测模型的输入,将错误的类别识别结果作为期望输出,重新训练上述识别结果检测模型。
在一些实施例中,上述装置还包括第一训练单元,上述垃圾类别识别模型通过上述第一训练单元得到,上述第一训练单元被配置成:获取第一训练样本集合,其中,第一训练样本包括样本垃圾图像以及标注的垃圾对象的类别;将上述第一训练样本集合中的至少一张样本垃圾图像作为输入,将所输入的样本垃圾图像标注的垃圾对象的类别作为期望输出,训练得到上述垃圾类别识别模型。
在一些实施例中,上述装置还包括测试单元,被配置成:将上述第一训练样本集合中、未用于训练上述垃圾类别识别模型的样本垃圾图像作为测试样本垃圾图像;将上述测试样本垃圾图像输入上述垃圾类别识别模型,得到上述测试样本垃圾图像的类别识别结果;将上述测试样本垃圾图像的类别识别结果与所输入测试样本垃圾图像的标注的垃圾类别进行对比,确定上述测试样本垃圾图像的类别识别结果是否正确。
在一些实施例中,上述装置还包括第二训练单元,上述识别结果检测模型通过上述第二训练单元得到,上述第二训练单元被配置成:获取上述测试样本垃圾图像的类别识别结果中、错误的类别识别结果以及对应的测试样本垃圾图像;将获取的测试样本垃圾图像与其类别识别结果作为第二训练样本,得到第二训练样本集合;将上述第二训练样本集合中的至少一张样本垃圾图像作为输入,将与所输入的样本垃圾图像对应的识别垃圾类别作为期望输出,训练得到上述识别结果检测模型。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行,使得上述一个或多个处理器实现如第一方面任一实施例所描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面任一实施例所描述的方法。
本申请的上述实施例提供的用于输出信息的方法和装置,首先可以获取垃圾图像。然后,根据预先训练的垃圾类别识别模型以及上述垃圾图像,识别垃圾图像中的垃圾对象的类别,得到类别识别结果。其中,垃圾类别识别模型用于表征垃圾图像与垃圾对象的类别的对应关系。然后,根据预先训练的识别结果检测模型以及类别识别结果,确定类别识别结果是否正确。其中,识别结果检测模型用于判断类别识别结果是否正确。最后,如果类别识别结果正确,则输出类别识别结果。本实施例的方法,可以提高垃圾类别识别的准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于输出信息的方法的一个实施例的流程图;
图3是根据本申请的用于输出信息的方法的一个应用场景的示意图;
图4是根据本申请的用于输出信息的方法的又一个实施例的流程图;
图5是根据本申请的用于输出信息的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
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。
图1示出了可以应用本申请的用于输出信息的方法或用于输出信息的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括图像采集装置101,终端设备102、103,网络104和服务器105。网络104用以在图像采集装置101,终端设备102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
图像采集装置101用于采集垃圾处理区域的垃圾图像,并将垃圾图像通过网络104发送给终端设备102、103或服务器105。用户可以通过终端设备102、103接收的垃圾图像来对垃圾图像进行进一步的处理,例如,对垃圾图像中的垃圾对象进行标注。
图像采集装置101可以是硬件,也可以是软件。当图像采集装置101为硬件时,可以是具有显示屏并且支持图像拍摄的各种电子设备,包括但不限于照相机、智能照相机、智能摄像机、智能手机、笔记本电脑、平板电脑等等。当图像采集装置101为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
终端设备102、103上可以安装有各种通讯客户端应用,例如图像处理类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备102、103可以是硬件,也可以是软件。当终端设备102、103为硬件时,可以是具有显示屏并且支持图像处理的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
在一些场景中,图像采集装置101可以集成在终端设备102、103中。
服务器105可以是提供各种服务的服务器,例如对图像采集装置101所拍摄的照片进行处理的后台服务器。后台服务器可以对接收到的垃圾图像等数据进行分析等处理,并将处理结果(例如垃圾类别识别结果)反馈给终端设备102、103。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用于输出信息的方法可以由终端设备102、103执行,也可以由服务器105执行。相应地,用于输出信息的装置可以设置于终端设备102、103中,也可以设置于服务器105中。
应该理解,图1中的图像采集装置、终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的图像采集装置、终端设备、网络和服务器。
继续参考图2,示出了根据本申请的用于输出信息的方法的一个实施例的流程200。本实施例的用于输出信息的方法,包括以下步骤:
步骤201,获取垃圾图像。
在本实施例中,用于输出信息的方法的执行主体(例如图1所示的终端设备102、103或服务器105)可以通过有线连接方式或者无线连接方式获取垃圾图像。执行主体可以从与之通信连接的图像采集装置(例如图1所示的图像采集装置101)处获取垃圾图像,或者执行主体可以从本地的存储装置中获取垃圾图像。此处,垃圾图像是指包括垃圾对象的图像,其可以是设置在特定区域的图像采集装置采集的。上述特定区域可以包括垃圾倾倒区域、垃圾处理区域等。
需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤202,根据预先训练的垃圾类别识别模型以及垃圾图像,识别垃圾图像中的垃圾对象的类别,得到类别识别结果。
执行主体在获取到垃圾图像后,可以利用预先训练的垃圾类别识别模型来识别垃圾图像中垃圾对象的类别,从而可以得到类别识别结果。本实施例中,垃圾类别识别模型用于表征垃圾图像与垃圾对象的类别的对应关系。
在本实施例中,垃圾类别识别模型可以是人工神经网络,它从信息处理角度对人脑神经元网络进行抽象,建立某种简单模型,按不同的连接方式组成不同的网络。通常由大量的节点(或称神经元)之间相互联接构成,每个节点代表一种特定的输出函数,称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重(又叫做参数),网络的输出则依网络的连接方式、权重值和激励函数的不同而不同。人工神经网络通常包括多个层,每个层包括多个节点,通常,同一层的节点的权重可以相同,不同层的节点的权重可以不同,故人工神经网络的多个层的参数也可以不同。这里,执行主体可以将垃圾图像从人工神经网络的输入侧输入,依次经过人工神经网络中的各层的参数的处理(例如乘积、卷积等),并从人工神经网络的输出侧输出,输出侧输出的信息即为垃圾对象的类别。
在本实施例中,垃圾类别识别模型可以用于表征垃圾图像与垃圾对象的类别之间的对应关系,执行主体可以通过多种方式训练出可以表征垃圾图像与垃圾对象的类别之间的对应关系的垃圾类别识别模型。
作为一种示例,执行主体可以基于对大量标注有垃圾对象的类别的垃圾图像进行统计而生成存储有多个记录有垃圾图像与垃圾对象的类别之间的对应关系的对应关系表,并将该对应关系表作为垃圾类别识别模型。这样,执行主体可以将获取到的垃圾图像与该对应关系表中的多个标注有垃圾对象的类别的垃圾图像依次进行比较,若该对应关系表中的一张垃圾图像与获取到的垃圾图像相同或相似,则将该对应关系表中的垃圾图像中标注的垃圾对象的类别作为获取到的垃圾图像中垃圾对象的类别。
作为另一种示例,执行主体可以首先获取多张样本垃圾图像以及与各样本垃圾图像对应的垃圾对象的类别;然后将多张样本垃圾图像中的每张样本垃圾图像作为输入,将所输入的样本垃圾图像所对应的垃圾对象的类别作为期望输出,训练得到垃圾类别识别模型。这里,执行主体训练的可以是初始化垃圾类别识别模型,初始化垃圾类别识别模型可以是未经训练的垃圾类别识别模型或未训练完成的垃圾类别识别模型,初始化垃圾类别识别模型的各层可以设置有初始参数,参数在垃圾类别识别模型的训练过程中可以被不断地调整。初始化垃圾类别识别模型可以是各种类型的未经训练或未训练完成的人工神经网络或者对多种未经训练或未训练完成的人工神经网络进行组合所得到的模型,例如,初始化垃圾类别识别模型可以是未经训练的卷积神经网络,也可以是未经训练的循环神经网络,还可以是对未经训练的卷积神经网络、未经训练的循环神经网络和未经训练的全连接层进行组合所得到的模型。这样,执行主体可以将描述信息从垃圾类别识别模型的输入侧输入,依次经过垃圾类别识别模型中的各层的参数的处理,并从垃圾类别识别模型的输出侧输出,输出侧输出的信息即为垃圾对象的类别。
在本实施例的一些可选的实现方式中,垃圾类别识别模型可以通过图2中未示出的以下第一训练步骤得到:获取第一训练样本集合,其中,第一训练样本包括样本垃圾图像以及标注的垃圾对象的类别;将第一训练样本集合中的至少一张样本垃圾图像作为输入,将所输入的样本垃圾图像标注的垃圾对象的类别作为期望输出,训练得到垃圾类别识别模型。
本实现方式中,执行主体可以首先获取第一训练样本集合。其中的第一训练样本可以包括样本垃圾图像以及标注的垃圾对象的类别。执行主体可以将第一训练样本集合中的至少一张样本垃圾图像作为输入,将所输入的样本垃圾图像标注的垃圾对象的类别作为期望输出,训练得到垃圾类别识别模型。
在本实施例的一些可选的实现方式中,上述第一训练样本集合中的标注工作可以由技术人员来完成,也可以由特定的标注算法来实现。在进行标注工作前,上述方法还可以进一步包括图2中未示出的以下步骤:利用图像采集装置连续采集的特定区域的预设数量张垃圾图像。计算所采集的垃圾图像的亮度均值和灰度方差均值。然后,对于所采集的每张垃圾图像,确定该垃圾图像的亮度与亮度均值的差值是否大于预设亮度阈值,如果大于,则删除该垃圾图像。然后,对于删除处理后剩余的每张垃圾图像,确定该垃圾图像的灰度方差与灰度方差均值之间的差值是否小于预设灰度方差阈值,如果小于,则删除该垃圾图像。
本实现方式中,可以在特定区域(如垃圾处理区域)架设图像采集装置,并利用图像采集装置连续采集特定区域的垃圾图像。在采集大量垃圾图像(预设数量是一个比较大的数值)后,对所采集的大量垃圾图像进行数据清洗,以去除亮度不符合要求的垃圾图像和清晰度不符合要求的垃圾图像。
在本实施例的一些可选的实现方式中,上述第一训练样本集合可以包括测试集和训练集。执行主体可以利用训练集中的样本垃圾图像以及标注的垃圾对象的类别对垃圾类别识别模型进行训练,利用测试集中的样本垃圾图像以及标注的垃圾对象的类别对垃圾类别识别模型进行测试,以确定垃圾类别识别模型是否符合要求。则上述方法具体还可以包括图2中未示出的以下步骤:将第一训练样本集合中、未用于训练垃圾类别识别模型的样本垃圾图像作为测试样本垃圾图像;将测试样本垃圾图像输入垃圾类别识别模型,得到测试样本垃圾图像的类别识别结果;将测试样本垃圾图像的类别识别结果与所输入测试样本垃圾图像的标注的垃圾类别进行对比,确定测试样本垃圾图像的类别识别结果是否正确。
本实现方式中,执行主体可以将第一训练样本集合中、未用于训练垃圾类别识别模型的样本垃圾图像作为测试样本垃圾图像。然后,将测试样本垃圾图像输入垃圾类别识别模型,得到测试样本垃圾图像的类别识别结果。最后,将测试样本垃圾图像的类别识别结果与所输入测试样本垃圾图像的标注的垃圾类别进行对比,确定测试样本垃圾图像的类别识别结果是否正确。可以理解的是,如果测试样本垃圾图像的类别识别结果与所输入测试样本垃圾图像的标注的垃圾类别相同,则说明测试样本垃圾图像的类别识别结果正确。如果测试样本垃圾图像的类别识别结果与所输入测试样本垃圾图像的标注的垃圾类别不同。则说明测试样本垃圾图像的类别识别结果不正确。
步骤203,根据预先训练的识别结果检测模型以及类别识别结果,确定类别识别结果是否正确。
执行主体在得到类别识别结果后,可以利用预先训练的识别结果检测模型,来判断类别识别结果是否正确。本实施例中,识别结果检测模型用于判断类别识别结果是否正确。具体的,识别结果检测模型可以为二分类模型,其可以通过无监督训练方式得到。
步骤204,响应于确定类别识别结果正确,输出类别识别结果。
如果执行主体确定类别识别结果是正确的,则可以输出类别识别结果。此处的输出可以是指将类别识别结果输出给技术人员,以供技术人员根据类别识别结果进一步调整垃圾类别识别模型或识别结果检测模型的参数。或者,此处的输出可以是指将类别识别结果输出给垃圾处理装置,以供垃圾处理装置根据类别识别结果对不同类别的垃圾进行不同的处理(例如,垃圾分类等)。
在本实施例的一些可选的实现方式中,执行主体可以将上述类别识别结果输出,用户可以通过终端来查看上述类别识别结果。执行主体还可以接收用户对上述类别识别结果所发表的评论信息。执行主体可以对上述评论信息进行语义分析,得到语义分析结果。然后,绘制出与语义分析结果对应的曲线或图形。
继续参见图3,图3是根据本实施例的用于输出信息的方法的一个应用场景的示意图。在图3的应用场景中,照相机301设置在垃圾倾倒场景,并采集垃圾图像。然后将采集的垃圾图像发送给服务器302,服务器302在对垃圾进行处理后,确定垃圾对象的正确的类别识别结果。然后将上述类别识别结果输出给垃圾处理装置303,以供垃圾处理装置对倾倒出的垃圾进行垃圾分类。
本申请的上述实施例提供的用于输出信息的方法,首先可以获取垃圾图像。然后,根据预先训练的垃圾类别识别模型以及上述垃圾图像,识别垃圾图像中的垃圾对象的类别,得到类别识别结果。其中,垃圾类别识别模型用于表征垃圾图像与垃圾对象的类别的对应关系。然后,根据预先训练的识别结果检测模型以及类别识别结果,确定类别识别结果是否正确。其中,识别结果检测模型用于判断类别识别结果是否正确。最后,如果类别识别结果正确,则输出类别识别结果。本实施例的方法,可以提高垃圾类别识别的准确度。
继续参见图4,其示出了根据本申请的用于输出信息的方法的另一个实施例的流程400。如图4所示,本实施例的用于输出信息的方法包括以下步骤:
步骤401,获取垃圾图像。
步骤402,根据预先训练的垃圾类别识别模型以及垃圾图像,识别垃圾图像中的垃圾对象的类别,得到类别识别结果。
步骤403,根据预先训练的识别结果检测模型以及类别识别结果,确定类别识别结果是否正确。
步骤404,响应于确定类别识别结果正确,输出类别识别结果。
步骤401~404的原理与步骤201~204的原理类似,此处不再赘述。
步骤405,响应于确定类别识别结果错误,将垃圾图像及类别识别结果作为第一训练样本,重新训练识别结果检测模型。
本实施例中,如果执行主体确定类别识别结果错误,则可以将垃圾图像以及类别识别结果作为第一训练样本,重新训练识别结果检测模型。本实施例中,利用垃圾图像和错误的类别识别结果来训练识别结果检测模型,则可以使得识别结果检测模型可以学习错误的类别识别结果,从而可以对垃圾类别识别模型得出的结果进行进一步判断。
在本实施例的一些可选的实现方式中,上述步骤405具体可以通过图4中未示出的以下步骤来实现:响应于确定类别识别结果错误,抠取垃圾图像中类别识别错误的垃圾对象的图像,将抠取得到的图像作为识别结果检测模型的输入,将错误的类别识别结果作为期望输出,重新训练识别结果检测模型。
本实现方式中,执行主体在确认类别识别结果错误后,可以将垃圾图像中类别识别错误的垃圾对象的图像抠取出来。具体的,执行主体在抠取时,可以以固定的尺寸来抠取,如100×100像素。然后,执行主体可以将抠取得到的图像作为识别结果检测模型的输入,将错误的类别识别结果作为期望输出,重新训练识别结果检测模型。
在本实施例的一些可选的实现方式中,上述识别结果检测模型可以通过图2中未示出的以下第二训练步骤得到:获取测试样本垃圾图像的类别识别结果中、错误的类别识别结果以及对应的测试样本垃圾图像;将获取的测试样本垃圾图像与其类别识别结果作为第二训练样本,得到第二训练样本集合;将第二样训练本集合中的至少一张样本垃圾图像作为输入,将与所输入的样本垃圾图像对应的识别垃圾类别作为期望输出,训练得到识别结果检测模型。
本实现方式中,执行主体可以提取测试样本垃圾图像的类别识别结果中、错误的类别识别结果,然后确定上述错误的类别识别结果对应的测试样本垃圾图像。将获取到的测试样本垃圾图像以及错误的类别识别结果作为第二训练样本,得到第二训练样本集合。然后,将上述第二训练样本集合中的至少一张样本垃圾图像作为输入,将与所输入的样本垃圾图像对应的识别垃圾类别作为期望输出,训练得到识别结果检测模型。
本申请的上述实施例提供的用于输出信息的方法,可以从垃圾类别识别模型的测试过程中提取出错误的类别识别结果,并将上述错误的类别识别结果以及样本垃圾图像作为识别结果检测模型的训练样本,可以减少样本的获取时间,减少了人工的标注量。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于输出信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于输出信息的装置500包括:获取单元501、识别单元502、判断单元503以及输出单元504。
获取单元501,被配置成获取垃圾图像。
识别单元502,被配置成根据预先训练的垃圾类别识别模型以及垃圾图像,识别垃圾图像中的垃圾对象的类别,得到类别识别结果。其中,垃圾类别识别模型用于表征垃圾图像与垃圾对象的类别的对应关系。
判断单元503,被配置成根据预先训练的识别结果检测模型以及类别识别结果,确定类别识别结果是否正确。其中,识别结果检测模型用于判断类别识别结果是否正确。
输出单元504,被配置成响应于确定类别识别结果正确,输出类别识别结果。
在本实施例的一些可选的实现方式中,装置500还可以进一步包括图5中未示出的再训练单元,被配置成响应于确定类别识别结果错误,将垃圾图像及类别识别结果作为第一训练样本,重新训练识别结果检测模型。
在本实施例的一些可选的实现方式中,再训练单元可以进一步被配置成:响应于确定类别识别结果错误,抠取垃圾图像中类别识别错误的垃圾对象的图像,将抠取得到的图像作为识别结果检测模型的输入,将错误的类别识别结果作为期望输出,重新训练识别结果检测模型。
在本实施例的一些可选的实现方式中,装置500还可以进一步包括图5中未示出的第一训练单元,垃圾类别识别模型通过第一训练单元得到,第一训练单元被配置成:获取第一训练样本集合,其中,第一训练样本包括样本垃圾图像以及标注的垃圾对象的类别;将第一训练样本集合中的至少一张样本垃圾图像作为输入,将所输入的样本垃圾图像标注的垃圾对象的类别作为期望输出,训练得到垃圾类别识别模型。
在本实施例的一些可选的实现方式中,装置500还可以进一步包括图5中未示出的测试单元,被配置成:将第一训练样本集合中、未用于训练垃圾类别识别模型的样本垃圾图像作为测试样本垃圾图像;将测试样本垃圾图像输入垃圾类别识别模型,得到测试样本垃圾图像的类别识别结果;将测试样本垃圾图像的类别识别结果与所输入测试样本垃圾图像的标注的垃圾类别进行对比,确定测试样本垃圾图像的类别识别结果是否正确。
在本实施例的一些可选的实现方式中,装置500还可以进一步包括图5中未示出的第二训练单元,识别结果检测模型通过第二训练单元得到,第二训练单元被配置成:获取测试样本垃圾图像的类别识别结果中、错误的类别识别结果以及对应的测试样本垃圾图像;将获取的测试样本垃圾图像与其类别识别结果作为第二训练样本,得到第二训练样本集合;将第二训练样本集合中的至少一张样本垃圾图像作为输入,将与所输入的样本垃圾图像对应的识别垃圾类别作为期望输出,训练得到识别结果检测模型。
应当理解,用于输出信息的装置500中记载的单元501至单元504分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对用于输出信息的方法描述的操作和特征同样适用于装置500及其中包含的单元,在此不再赘述。
下面参考图6,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)600的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)等等的移动终端。图6示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取垃圾图像;根据预先训练的垃圾类别识别模型以及垃圾图像,识别垃圾图像中的垃圾对象的类别,得到类别识别结果,其中,垃圾类别识别模型用于表征垃圾图像与垃圾对象的类别的对应关系;根据预先训练的识别结果检测模型以及类别识别结果,确定类别识别结果是否正确,其中,识别结果检测模型用于判断类别识别结果是否正确;响应于确定类别识别结果正确,输出类别识别结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、识别单元、判断单元和输出单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取垃圾图像的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种用于输出信息的方法,包括:
获取垃圾图像;
根据预先训练的垃圾类别识别模型以及所述垃圾图像,识别所述垃圾图像中的垃圾对象的类别,得到类别识别结果,其中,所述垃圾类别识别模型用于表征垃圾图像与垃圾对象的类别的对应关系;
根据预先训练的识别结果检测模型以及所述类别识别结果,确定所述类别识别结果是否正确,其中,所述识别结果检测模型用于判断类别识别结果是否正确;
响应于确定所述类别识别结果正确,输出所述类别识别结果。
2.根据权利要求1所述的方法,其中,所述方法还包括:
响应于确定所述类别识别结果错误,将所述垃圾图像及所述类别识别结果作为第一训练样本,重新训练所述识别结果检测模型。
3.根据权利要求2所述的方法,其中,所述响应于确定所述类别识别结果错误,将所述垃圾图像及所述类别识别结果作为第一训练样本,重新训练所述识别结果检测模型,包括:
响应于确定所述类别识别结果错误,抠取所述垃圾图像中类别识别错误的垃圾对象的图像,将抠取得到的图像作为所述识别结果检测模型的输入,将错误的类别识别结果作为期望输出,重新训练所述识别结果检测模型。
4.根据权利要求1所述的方法,其中,所述垃圾类别识别模型通过以下第一训练步骤得到:
获取第一训练样本集合,其中,第一训练样本包括样本垃圾图像以及标注的垃圾对象的类别;
将所述第一训练样本集合中的至少一张样本垃圾图像作为输入,将所输入的样本垃圾图像标注的垃圾对象的类别作为期望输出,训练得到所述垃圾类别识别模型。
5.根据权利要求4所述的方法,其中,所述方法还包括:
将所述第一训练样本集合中、未用于训练所述垃圾类别识别模型的样本垃圾图像作为测试样本垃圾图像;
将所述测试样本垃圾图像输入所述垃圾类别识别模型,得到所述测试样本垃圾图像的类别识别结果;
将所述测试样本垃圾图像的类别识别结果与所输入测试样本垃圾图像的标注的垃圾类别进行对比,确定所述测试样本垃圾图像的类别识别结果是否正确。
6.根据权利要求5所述的方法,其中,所述识别结果检测模型通过以下第二训练步骤得到:
获取所述测试样本垃圾图像的类别识别结果中、错误的类别识别结果以及对应的测试样本垃圾图像;
将获取的测试样本垃圾图像与其类别识别结果作为第二训练样本,得到第二训练样本集合;
将所述第二训练样本集合中的至少一张样本垃圾图像作为输入,将与所输入的样本垃圾图像对应的识别垃圾类别作为期望输出,训练得到所述识别结果检测模型。
7.一种用于输出信息的装置,包括:
获取单元,被配置成获取垃圾图像;
识别单元,被配置成根据预先训练的垃圾类别识别模型以及所述垃圾图像,识别所述垃圾图像中的垃圾对象的类别,得到类别识别结果,其中,所述垃圾类别识别模型用于表征垃圾图像与垃圾对象的类别的对应关系;
判断单元,被配置成根据预先训练的识别结果检测模型以及所述类别识别结果,确定所述类别识别结果是否正确,其中,所述识别结果检测模型用于判断类别识别结果是否正确;
输出单元,被配置成响应于确定所述类别识别结果正确,输出所述类别识别结果。
8.根据权利要求7所述的装置,其中,所述装置还包括:
再训练单元,被配置成响应于确定所述类别识别结果错误,将所述垃圾图像及所述类别识别结果作为第一训练样本,重新训练所述识别结果检测模型。
9.根据权利要求8所述的装置,其中,所述再训练单元进一步被配置成:
响应于确定所述类别识别结果错误,抠取所述垃圾图像中类别识别错误的垃圾对象的图像,将抠取得到的图像作为所述识别结果检测模型的输入,将错误的类别识别结果作为期望输出,重新训练所述识别结果检测模型。
10.根据权利要求7所述的装置,其中,所述装置还包括第一训练单元,所述垃圾类别识别模型通过所述第一训练单元得到,所述第一训练单元被配置成:
获取第一训练样本集合,其中,第一训练样本包括样本垃圾图像以及标注的垃圾对象的类别;
将所述第一训练样本集合中的至少一张样本垃圾图像作为输入,将所输入的样本垃圾图像标注的垃圾对象的类别作为期望输出,训练得到所述垃圾类别识别模型。
11.根据权利要求10所述的装置,其中,所述装置还包括测试单元,被配置成:
将所述第一训练样本集合中、未用于训练所述垃圾类别识别模型的样本垃圾图像作为测试样本垃圾图像;
将所述测试样本垃圾图像输入所述垃圾类别识别模型,得到所述测试样本垃圾图像的类别识别结果;
将所述测试样本垃圾图像的类别识别结果与所输入测试样本垃圾图像的标注的垃圾类别进行对比,确定所述测试样本垃圾图像的类别识别结果是否正确。
12.根据权利要求11所述的装置,其中,所述装置还包括第二训练单元,所述识别结果检测模型通过所述第二训练单元得到,所述第二训练单元被配置成:
获取所述测试样本垃圾图像的类别识别结果中、错误的类别识别结果以及对应的测试样本垃圾图像;
将获取的测试样本垃圾图像与其类别识别结果作为第二训练样本,得到第二训练样本集合;
将所述第二训练样本集合中的至少一张样本垃圾图像作为输入,将与所输入的样本垃圾图像对应的识别垃圾类别作为期望输出,训练得到所述识别结果检测模型。
13.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910559812.2A CN110276405B (zh) | 2019-06-26 | 2019-06-26 | 用于输出信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910559812.2A CN110276405B (zh) | 2019-06-26 | 2019-06-26 | 用于输出信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110276405A true CN110276405A (zh) | 2019-09-24 |
CN110276405B CN110276405B (zh) | 2022-03-01 |
Family
ID=67963243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910559812.2A Active CN110276405B (zh) | 2019-06-26 | 2019-06-26 | 用于输出信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276405B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929760A (zh) * | 2019-10-30 | 2020-03-27 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种基于计算机视觉的垃圾分类软件 |
CN110956104A (zh) * | 2019-11-20 | 2020-04-03 | 河南华衍智能科技有限公司 | 一种检测垃圾桶溢出的方法、装置及系统 |
CN113051963A (zh) * | 2019-12-26 | 2021-06-29 | 中移(上海)信息通信科技有限公司 | 垃圾检测方法、装置、电子设备及计算机存储介质 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105772407A (zh) * | 2016-01-26 | 2016-07-20 | 耿春茂 | 一种基于图像识别技术的垃圾分类机器人 |
US20160350930A1 (en) * | 2015-05-28 | 2016-12-01 | Adobe Systems Incorporated | Joint Depth Estimation and Semantic Segmentation from a Single Image |
CN106294590A (zh) * | 2016-07-29 | 2017-01-04 | 重庆邮电大学 | 一种基于半监督学习的社交网络垃圾用户过滤方法 |
CN106874954A (zh) * | 2017-02-20 | 2017-06-20 | 佛山市络思讯科技有限公司 | 一种信息获取的方法以及相关装置 |
CN107600791A (zh) * | 2017-08-31 | 2018-01-19 | 芜湖职业技术学院 | 交互式垃圾自动分类回收箱 |
CN107784291A (zh) * | 2017-11-03 | 2018-03-09 | 北京清瑞维航技术发展有限公司 | 基于红外视频的目标检测跟踪方法和装置 |
CN108171275A (zh) * | 2018-01-17 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 用于识别花卉的方法和装置 |
CN108182706A (zh) * | 2017-12-08 | 2018-06-19 | 重庆广睿达科技有限公司 | 一种焚烧物的监控方法及系统 |
CN108256474A (zh) * | 2018-01-17 | 2018-07-06 | 百度在线网络技术(北京)有限公司 | 用于识别菜品的方法和装置 |
US20180204111A1 (en) * | 2013-02-28 | 2018-07-19 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
US20180248995A1 (en) * | 2009-10-28 | 2018-08-30 | Digimarc Corporation | Intuitive computing methods and systems |
CN108861183A (zh) * | 2018-03-26 | 2018-11-23 | 厦门快商通信息技术有限公司 | 一种基于机器学习的垃圾智能分类方法 |
CN109165582A (zh) * | 2018-08-09 | 2019-01-08 | 河海大学 | 一种城市街道垃圾检测和清洁度评估方法 |
CN109543979A (zh) * | 2018-11-14 | 2019-03-29 | 广州慧睿思通信息科技有限公司 | 一种环境监控管理方法、系统、服务平台及介质 |
CN109543690A (zh) * | 2018-11-27 | 2019-03-29 | 北京百度网讯科技有限公司 | 用于提取信息的方法和装置 |
CN109657708A (zh) * | 2018-12-05 | 2019-04-19 | 中国科学院福建物质结构研究所 | 基于图像识别-svm学习模型的工件识别装置及其方法 |
CN109797691A (zh) * | 2019-01-29 | 2019-05-24 | 浙江联运知慧科技有限公司 | 无人清扫车及其行车方法 |
-
2019
- 2019-06-26 CN CN201910559812.2A patent/CN110276405B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180248995A1 (en) * | 2009-10-28 | 2018-08-30 | Digimarc Corporation | Intuitive computing methods and systems |
US20180204111A1 (en) * | 2013-02-28 | 2018-07-19 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
US20160350930A1 (en) * | 2015-05-28 | 2016-12-01 | Adobe Systems Incorporated | Joint Depth Estimation and Semantic Segmentation from a Single Image |
CN105772407A (zh) * | 2016-01-26 | 2016-07-20 | 耿春茂 | 一种基于图像识别技术的垃圾分类机器人 |
CN106294590A (zh) * | 2016-07-29 | 2017-01-04 | 重庆邮电大学 | 一种基于半监督学习的社交网络垃圾用户过滤方法 |
CN106874954A (zh) * | 2017-02-20 | 2017-06-20 | 佛山市络思讯科技有限公司 | 一种信息获取的方法以及相关装置 |
CN107600791A (zh) * | 2017-08-31 | 2018-01-19 | 芜湖职业技术学院 | 交互式垃圾自动分类回收箱 |
CN107784291A (zh) * | 2017-11-03 | 2018-03-09 | 北京清瑞维航技术发展有限公司 | 基于红外视频的目标检测跟踪方法和装置 |
CN108182706A (zh) * | 2017-12-08 | 2018-06-19 | 重庆广睿达科技有限公司 | 一种焚烧物的监控方法及系统 |
CN108256474A (zh) * | 2018-01-17 | 2018-07-06 | 百度在线网络技术(北京)有限公司 | 用于识别菜品的方法和装置 |
CN108171275A (zh) * | 2018-01-17 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 用于识别花卉的方法和装置 |
CN108861183A (zh) * | 2018-03-26 | 2018-11-23 | 厦门快商通信息技术有限公司 | 一种基于机器学习的垃圾智能分类方法 |
CN109165582A (zh) * | 2018-08-09 | 2019-01-08 | 河海大学 | 一种城市街道垃圾检测和清洁度评估方法 |
CN109543979A (zh) * | 2018-11-14 | 2019-03-29 | 广州慧睿思通信息科技有限公司 | 一种环境监控管理方法、系统、服务平台及介质 |
CN109543690A (zh) * | 2018-11-27 | 2019-03-29 | 北京百度网讯科技有限公司 | 用于提取信息的方法和装置 |
CN109657708A (zh) * | 2018-12-05 | 2019-04-19 | 中国科学院福建物质结构研究所 | 基于图像识别-svm学习模型的工件识别装置及其方法 |
CN109797691A (zh) * | 2019-01-29 | 2019-05-24 | 浙江联运知慧科技有限公司 | 无人清扫车及其行车方法 |
Non-Patent Citations (2)
Title |
---|
PENGCHENG ZHANG 等: "Urban Street Cleanliness Assessment Using Mobile Edge Computing and Deep Learning", 《IEEE ACCESS》 * |
邹雷: "基于深度学习的车辆重识别方法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929760A (zh) * | 2019-10-30 | 2020-03-27 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种基于计算机视觉的垃圾分类软件 |
CN110956104A (zh) * | 2019-11-20 | 2020-04-03 | 河南华衍智能科技有限公司 | 一种检测垃圾桶溢出的方法、装置及系统 |
CN113051963A (zh) * | 2019-12-26 | 2021-06-29 | 中移(上海)信息通信科技有限公司 | 垃圾检测方法、装置、电子设备及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110276405B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020087974A1 (zh) | 生成模型的方法和装置 | |
CN109740018B (zh) | 用于生成视频标签模型的方法和装置 | |
CN109919244B (zh) | 用于生成场景识别模型的方法和装置 | |
CN107766940A (zh) | 用于生成模型的方法和装置 | |
CN110458107A (zh) | 用于图像识别的方法和装置 | |
US20230206420A1 (en) | Method for detecting defect and method for training model | |
CN111340131A (zh) | 图像的标注方法、装置、可读介质和电子设备 | |
CN109447156A (zh) | 用于生成模型的方法和装置 | |
CN110276405A (zh) | 用于输出信息的方法和装置 | |
CN110009059B (zh) | 用于生成模型的方法和装置 | |
CN109308490A (zh) | 用于生成信息的方法和装置 | |
CN109145828A (zh) | 用于生成视频类别检测模型的方法和装置 | |
CN109360028A (zh) | 用于推送信息的方法和装置 | |
CN109299477A (zh) | 用于生成文本标题的方法和装置 | |
JP2022088304A (ja) | ビデオを処理するための方法、装置、電子機器、媒体及びコンピュータプログラム | |
CN108062416B (zh) | 用于在地图上生成标签的方法和装置 | |
CN115699082A (zh) | 缺陷检测方法及装置、存储介质及电子设备 | |
CN109815365A (zh) | 用于处理视频的方法和装置 | |
CN109947989A (zh) | 用于处理视频的方法和装置 | |
US20230048386A1 (en) | Method for detecting defect and method for training model | |
CN111813910A (zh) | 客服问题的更新方法、系统、终端设备及计算机存储介质 | |
CN112231663A (zh) | 结合rpa和ai的数据采集方法、装置、设备及存储介质 | |
CN110211121A (zh) | 用于推送模型的方法和装置 | |
CN109389096A (zh) | 检测方法和装置 | |
CN110532983A (zh) | 视频处理方法、装置、介质和设备 |
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 |