CN110348514A - 一种基于Faster R-CNN模型的玉石识别方法及装置 - Google Patents

一种基于Faster R-CNN模型的玉石识别方法及装置 Download PDF

Info

Publication number
CN110348514A
CN110348514A CN201910619575.4A CN201910619575A CN110348514A CN 110348514 A CN110348514 A CN 110348514A CN 201910619575 A CN201910619575 A CN 201910619575A CN 110348514 A CN110348514 A CN 110348514A
Authority
CN
China
Prior art keywords
faster
jade
cnn model
training
images
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
CN201910619575.4A
Other languages
English (en)
Inventor
李娜
陆明
许涛
李伟
左德昊
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.)
Hefei Huaiyue Technology Co Ltd
Original Assignee
Hefei Huaiyue 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 Hefei Huaiyue Technology Co Ltd filed Critical Hefei Huaiyue Technology Co Ltd
Priority to CN201910619575.4A priority Critical patent/CN110348514A/zh
Publication of CN110348514A publication Critical patent/CN110348514A/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
    • G06F18/21—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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于Faster R‑CNN模型的玉石识别方法及装置，所述方法包括：获取包含玉石的待识别图像；利用预先训练的Faster R‑CNN模型识别出待识别图像中的玉石的样式类别。应用本发明实施例，使用预先训练的Faster R‑CNN模型进行玉石的识别，在识别时仅需要根据包含玉石的待识别图像即可，相对于现有技术中需要用户掌握一定的玉石识别知识，本发明实施例无需用户掌握任何玉石识别知识，解决了现有技术中很多用户无法准确的识别出玉石的样式类别的技术问题。

Description

一种基于Faster R-CNN模型的玉石识别方法及装置
技术领域
本发明涉及一种玉石识别方法及装置，更具体涉及一种基于Faster R-CNN 模型的玉石识别方法及装置。
背景技术
目前，珠宝玉石行业取得了巨大发展，玉石的雕刻技术独具特色，玉石产 品琳琅满目，品类繁多。随着人民物质生活水平的不断提高，越来越多的人渴 望购买玉石产品，并且也具备了购买的经济实力。
玉石的样式类别很多，达到了数十种，由于专业知识的原因，很多用户无 法准确的识别出玉石的样式类别，因此，如何能够使用户能够准确的识别出玉 石的样式类别是亟待解决的技术问题。
发明内容
本发明所要解决的技术问题在于提供了一种基于Faster R-CNN模型的玉石 识别方法及装置，以解决现有技术存在的很多用户无法准确的识别出玉石的样 式类别的技术问题。
本发明是通过以下技术方案解决上述技术问题的：
本发明实施例提供了一种基于Faster R-CNN模型的玉石识别方法，所述方 法包括：
获取包含玉石的待识别图像；
利用预先训练的Faster R-CNN模型识别出待识别图像中的玉石的样式类 别。
可选的，所述Faster R-CNN模型的训练过程包括：
获取各个样式类别的玉石图像，其中，所述样式类别包括：手镯、貔貅、 观音、佛公、无事牌、平安扣、如意、金枝玉叶、福豆、戒指、葫芦、生肖守 护佛、鼠、牛、虎、兔、龙、蛇、马、羊、猴、鸡、狗以及猪中的一种或组合；
对玉石图像进行数据增强，得到数据增强后的玉石图像；
将每一个样式类别对应的增强后的玉石图像划分为训练集和测试集；
对各个训练集和测试集进行标注，得到标注后的训练集和测试集；
利用标注后的训练集训练Faster R-CNN模型直至Faster R-CNN模型收敛， 并使用标注后的测试集测试训练后的Faster R-CNN模型，得到训练后的Faster R-CNN模型的准确率；
判断所述准确率是否大于预设阈值；
若是，将所述训练后的Faster R-CNN模型作为目标Faster R-CNN模型；
若否，更新Faster R-CNN模型中的超参数与权重，并返回执行所述利用标 注后的训练集训练Faster R-CNN模型直至Faster R-CNN模型收敛的步骤，直至 Faster R-CNN模型收敛。
可选的，所述方法还包括：
将与待识别图像中包含的玉石的样式类别相同或者相似的玉石推荐给对应 于所述待识别图像的用户。
可选的，所述方法还包括：
利用预先训练的Faster R-CNN模型识别出待识别图像中的玉石的位置。
本发明实施例还提供了一种基于Faster R-CNN模型的玉石识别装置，所述 装置包括：
获取模块，用于获取包含玉石的待识别图像；
识别模块，用于利用预先训练的Faster R-CNN模型识别出待识别图像中的 玉石的样式类别。
可选的，所述Faster R-CNN模型的训练过程包括：
获取各个样式类别的玉石图像，其中，所述样式类别包括：手镯、貔貅、 观音、佛公、无事牌、平安扣、如意、金枝玉叶、福豆、戒指、葫芦、生肖守 护佛、鼠、牛、虎、兔、龙、蛇、马、羊、猴、鸡、狗以及猪中的一种或组合；
对玉石图像进行数据增强，得到数据增强后的玉石图像；
将每一个样式类别对应的增强后的玉石图像划分为训练集和测试集；
对各个训练集和测试集进行标注，得到标注后的训练集和测试集；
利用标注后的训练集训练Faster R-CNN模型直至Faster R-CNN模型收敛， 并使用标注后的测试集测试训练后的Faster R-CNN模型，得到训练后的Faster R-CNN模型的准确率；
判断所述准确率是否大于预设阈值；
若是，将所述训练后的Faster R-CNN模型作为目标Faster R-CNN模型；
若否，更新Faster R-CNN模型中的超参数与权重，并返回执行所述利用标 注后的训练集训练Faster R-CNN模型直至Faster R-CNN模型收敛的步骤，直至 Faster R-CNN模型收敛。
可选的，所述装置还包括：
推荐模块，用于将与待识别图像中包含的玉石的样式类别相同或者相似的 玉石推荐给对应于所述待识别图像的用户。
可选的，所述识别模块，用于：
利用预先训练的Faster R-CNN模型识别出待识别图像中的玉石的位置。
本发明相比现有技术具有以下优点：
应用本发明实施例，使用预先训练的Faster R-CNN模型进行玉石的识别， 在识别时仅需要根据包含玉石的待识别图像即可，相对于现有技术中需要用户 掌握一定的玉石识别知识，本发明实施例无需用户掌握任何玉石识别知识，解 决了现有技术中很多用户无法准确的识别出玉石的样式类别的技术问题。
附图说明
图1为本发明实施例提供的一种基于Faster R-CNN模型的玉石识别方法的 流程示意图；
图2为本发明实施例提供的一种基于Faster R-CNN模型的玉石识别方法的 原理示意图；
图3为本发明实施例提供的一种基于Faster R-CNN模型的玉石识别装置的 结构示意图；
图4为本发明实施例提供的另一种基于Faster R-CNN模型的玉石识别装置 的结构示意图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提 下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围 不限于下述的实施例。
本发明实施例提供了一种基于Faster R-CNN模型的玉石识别方法及装置， 下面首先就本发明实施例提供的一种基于Faster R-CNN模型的玉石识别方法进 行介绍。
图1为本发明实施例提供的一种基于Faster R-CNN模型的玉石识别方法的 流程示意图；图2为本发明实施例提供的一种基于Faster R-CNN(Faster Region-RConvolutional Neural Networks，快速区域卷积神经网络)模型的玉石识别方法的 原理示意图，如图1和图2所示，所述方法包括：
S101：获取包含玉石的待识别图像。
在实际应用中，用户可以通过手机、照相机等摄像设备获取包含玉石的待 识别图像，本发明实施例在此并不对待识别图像的获取方法进行限定。
S102：利用预先训练的Faster R-CNN模型识别出待识别图像中的玉石的样 式类别。
具体的，S102步骤可以包括以下步骤：
A：通过网络爬虫技术，从天猫、京东等电商平台的珠宝玉石网店中按样式 类别获取各个样式类别的玉石图像，其中，所述样式类别包括：手镯、貔貅、 观音、佛公、无事牌、平安扣、如意、金枝玉叶、福豆、戒指、葫芦、生肖守 护佛、鼠、牛、虎、兔、龙、蛇、马、羊、猴、鸡、狗以及猪中的一种或组合。
表1为本发明实施例中玉石样式类别汇总表，如表1所示，
表1
序号 样式类别 序号 样式类别
1 手镯 13 马
2 貔貅 14 虎
3 观音 15 鼠
4 佛公 16 牛
5 无事牌 17 兔
6 平安扣 18 龙
7 如意 19 蛇
8 金枝玉叶 20 羊
9 福豆 21 猴
10 戒指 22 鸡
11 葫芦 23 狗
12 生肖守护佛 24 猪
B：对玉石图像进行数据增强，得到数据增强后的玉石图像。
具体的，针对A步骤中得到的每一个样式类别中的每一张玉石图像，均使 用图片生成器keras.preprocessing.image.ImageDataGenerator对其进行数据增强， 以扩展数据集。
表2为本发明实施例所涉及ImageDataGenerator的参数名称、含义和取值表， 如表2所示：
表2
C：将每一个样式类别对应的增强后的玉石图像划分为训练集和测试集。
将步骤B中所得每种样式类别对应的图片数据集分别划分为训练集和测试 集，即每种样式类别都有一个训练图片集和测试图片集。
例如，存在20个样式类别，本步骤就可以得到20个训练集和20个测试集。
D：标注数据集。
示例性的，可以使用labelImg软件对所有的训练集以及所有的测试集中的 图片进行标注，在使用软件labelImg对图片进行标注时，labelImg生成的标注结 果会保存在一个xml文件中。表3为labelImg生成的标注结果对应的xml文件 中的字段名称、字段含义，如表3所示：
表3
键名 含义
annotation 注解
folder 文件所在文件夹名
filename 文件名
path 文件路径
width 图片宽度
height 图片高度
depth 图片深度
segmented 是否用于分割
name 类别名称
pose 拍摄角度
truncated 是否是被截断的
difficult 目标是否难以识别
bndbox.xmin 标注框顶点的最小x值
bndbox.ymin 标注框顶点的最小y值
bndbox.xmax 标注框顶点的最大x值
bndbox.ymax 标注框顶点的最大y值
然后根据标注后的训练集和标注后的测试集生成满足微软COCO数据集格 式的json文件，可以得到训练集对应的json文件和测试集对应的json文件。
表4为json文件中包含的键名以及键名的值，如表4所示：
表4
键名 描述 值类型
info 数据集基本信息 info
images 图片数据列表 [image]
annotations 注解数据列表 [annotation]
licenses 许可证列表 [license]
categories 类别名称列表 [category]
表5为表4中值类型为info的键名中包含的键名以及键名的值，值类型info 也是json格式如表5所示：
表5
表6为表4中值类型为image的键名中包含的键名以及键名的值，值类型 image也是Json格式，如表6所示：
表6
键名 描述 值类型
id 图片编号 int
width 图片宽度 int
height 图片高度 int
file_name 文件名 str
license 许可证编号 int
flickr_url 图片的URL str
coco_url 图片在COCO数据集中的地址 str
date_captured 获取图片的时间 datetime
表7为表4中值类型为license的键名中包含的键名以及键名的值，值类型license也是Json格式，如表7所示：
表7
键名 描述 值类型
id 许可证编号 int
name 许可证名字 str
url 许可证在互联网中的地址 str
表8为表4中值类型为annotation的键名中包含的键名以及键名的值，值类 型annotation也是Json格式，表示目标对象注释，如表8所示：
表8
键名 描述 值类型
id 实例编号 int
image_id 图片编号 int
category_id 图片中目标的类别编号 int
segmentation 目标的轮廓信息 RLE或[polygon]
area 目标的面积 float
bbox 边界框的坐标、宽度和高度 [x,y,width,height]
iscrowd 是否为多个目标，取值为0或1 int
在表8中，RLE(run-length encoding，游程编码)是控制论中一种对二值 图像编码的方式。
表9为表4中值类型为category的键名中包含的键名以及键名的值，值类 型category也是Json格式，如表9所示：
表9
键名 描述 值类型
id 类别编号 int
name 类别名称 str
supercategory 父类别名称 str
其中的name在本发明中表示玉石样式类别，取值范围如表1所示。
E：利用标注后的训练集训练Faster R-CNN模型直至Faster R-CNN模型收 敛，并使用标注后的测试集测试训练后的Faster R-CNN模型，得到训练后的 Faster R-CNN模型的准确率。
具体的，在进行Faster R-CNN模型的训练过程中使用到的模型配置参数表 如表10所示：
表10
示例性的，在进行Faster R-CNN模型训练时，可以将各个样式类别的标注 后的训练集组成训练集的集合进行Faster R-CNN模型的训练，也可以分别使用 各个样式类别的训练集训练同一个Faster R-CNN模型。
在训练过程中，每一次迭代结束都会计算当前次迭代对应的准确率。该准 确率是指在测试集中当前次迭代后的模型的识别准确率。
在实际应用中，可以使用Facebook的Detectron软件包中的行Faster R-CNN。
F：判断所述准确率是否大于预设阈值；若是，执行G步骤；若否，执行H 步骤。
示例性的，可以使用Facebook的Detectron软件包在测试集和此测试集对应 的json文件上测试上述所得模型。在本发明中，测试模型时的相关主要配置参 数取值如表11所示：
表11
表12为应用表11中的配置参数进行训练后的Faster R-CNN模型对应的准 确率，如表12所示：
表12
平均准确率 AP<sub>50</sub> AP<sub>75</sub> AP<sub>S</sub> AP<sub>M</sub> AP<sub>L</sub>
0.686 0.875 0.783 0.256 0.491 0.696
测试结果表明，此模型已经取得了良好的效果。后面只需要不断地增加新 数据，就可以进一步提高准确率。
AP50为IoU(Intersection over Union，重叠度)阈值为0.5时的准确率；AP75为IoU阈值为0.75时的准确率；APs为准确率最小值；APM为平均准确率中间 值；APL为准确率最大值。
在实际应用中，可以将预设阈值设为平均准确率为0.6，由于表12中的平 均准确率大于0.6，则执行G步骤；否则则执行H步骤。
G：将所述训练后的Faster R-CNN模型作为目标Faster R-CNN模型；
H：更新Faster R-CNN模型中的超参数与权重，并返回执行所述利用标注 后的训练集训练Faster R-CNN模型直至Faster R-CNN模型收敛的步骤，直至 Faster R-CNN模型收敛。
需要说明的是，Faster R-CNN模型中的超参数与权重的更新方法为现有技 术，这里不再赘述。
步骤6：训练模型。使用Facebook的Detectron软件包在训练集和此训练集对 应的json文件上训练模型。
步骤7：评价模型。使用Facebook的Detectron软件包在测试集和此测试集对 应的json文件上测试上述所得模型。在本发明中，测试模型时的相关主要配置 参数取值如表11所示：
表11
TEST.SCALE 800
TEST.NMS 0.5
TEST.RPN_PRE_NMS_top_N 1000
TEST.RPN_POST_NMS_top_N 1000
最终的评测结果如表12所示：
表12
AP AP50 AP75 APS APM APL
0.686 0.875 0.783 0.256 0.491 0.696
测试结果表明，此模型已经取得了良好的效果。后面只需要不断地增加新 数据，就可以进一步提高准确率。
步骤8：检测玉石。云端服务加载玉石检测模型后，客户端将玉石数据发送 到云端，云端服务使用模型检测出玉石的样式以及玉石在图片中的位置，然后 将检测结果返回到客户端。
应用本发明图1所示实施例，使用预先训练的Faster R-CNN模型进行玉石 的识别，在识别时仅需要根据包含玉石的待识别图像即可，相对于现有技术中 需要用户掌握一定的玉石识别知识，本发明实施例无需用户掌握任何玉石识别 知识，解决了现有技术中很多用户无法准确的识别出玉石的样式类别的技术问 题。
在本发明实施例的一种具体实施方式中，所述方法还包括：
将与待识别图像中包含的玉石的样式类别相同或者相似的玉石推荐给对应 于所述待识别图像的用户。
示例性的，用户佩戴某一种样式类别的玉石，说明用户对该样式类别的玉 石具有偏好；因此，在利用本发明图1所示实施例识别出待识别图像中的玉石 的样式类别后，将与该样式类别相同的玉石推荐给用户，可以减少用户筛选玉 石的时间，提高交易效率。
另外，将与待识别图像中的玉石的样式类别相似程度大于设定值的玉石推 荐给用户，可以扩大用户的选择范围，提高用户的玉石购物体验。
需要说明的是，样式类别的相似度可以为样式类别的轮廓线条的相似度， 还可以为颜色的相似度。
在本发明实施例的一种具体实施方式中，所述方法还包括：
利用预先训练的Faster R-CNN模型识别出待识别图像中的玉石的位置。
虽然针对单个玉石进行识别的速度很快，但是当需要识别的玉石数量较多 时，人工逐一识别需要较长的时间。因此，现有技术存在玉石识别效率较低的 技术问题。应用本发明实施例，可以批量地、准确地根据玉石图片自动检测出 玉石样式以及玉石在图片中的位置。
对于玉石加工工厂而言，便于实现玉石分类的自动化、机械化。
对于用户而言，则仅需上传其自拍照，部署了训练后的模型的云端就能够 检测出其是否佩戴玉石、玉石的样式以及佩戴玉石的部位，并根据这些信息进 行智能推荐、智能匹配等操作。
综上，应用本发明实施例，能够准确地检测出玉石样式和/或玉石位置等信 息，进而可以为玉石加工智能化提供了技术保障。还可以减少玉石专业人员的 配备数量，进而降低玉石加工工厂的人力成本。
与本发明图1所示实施例相对应，本发明实施例还提供了一种基于Faster R-CNN模型的玉石识别装置。
图3为本发明实施例提供的一种基于Faster R-CNN模型的玉石识别装置的 结构示意图；图4为本发明实施例提供的另一种基于Faster R-CNN模型的玉石 识别装置的结构示意图，如图3和图4所示，所述装置包括：
获取模块301，用于获取包含玉石的待识别图像；
识别模块302，用于利用预先训练的Faster R-CNN模型识别出待识别图像 中的玉石的样式类别。
如图4所示，获取模块301对应图4中的图片获取及预处理模块。
识别模块302对应图4中的数据集构造模块、模型训练模块、模型评价模 块以及玉石检测模块。
在实际应用中，本发明实施例可以部署在云端；用户可以在手机端、PC (PersonalComputer，个人电脑)端、WEB端进行待识别照片的输入。
应用本发明图3所示实施例，使用预先训练的Faster R-CNN模型进行玉石 的识别，在识别时仅需要根据包含玉石的待识别图像即可，相对于现有技术中 需要用户掌握一定的玉石识别知识，本发明实施例无需用户掌握任何玉石识别 知识，解决了现有技术中很多用户无法准确的识别出玉石的样式类别的技术问 题。
在本发明实施例的一种具体实施方式中，所述Faster R-CNN模型的训练过 程包括：
获取各个样式类别的玉石图像，其中，所述样式类别包括：手镯、貔貅、 观音、佛公、无事牌、平安扣、如意、金枝玉叶、福豆、戒指、葫芦、生肖守 护佛、鼠、牛、虎、兔、龙、蛇、马、羊、猴、鸡、狗以及猪中的一种或组合；
对玉石图像进行数据增强，得到数据增强后的玉石图像；
将每一个样式类别对应的增强后的玉石图像划分为训练集和测试集；
对各个训练集和测试集进行标注，得到标注后的训练集和测试集；
利用标注后的训练集训练Faster R-CNN模型直至Faster R-CNN模型收敛， 并使用标注后的测试集测试训练后的Faster R-CNN模型，得到训练后的Faster R-CNN模型的准确率；
判断所述准确率是否大于预设阈值；
若是，将所述训练后的Faster R-CNN模型作为目标Faster R-CNN模型；
若否，更新Faster R-CNN模型中的超参数与权重，并返回执行所述利用标 注后的训练集训练Faster R-CNN模型直至Faster R-CNN模型收敛的步骤，直至 Faster R-CNN模型收敛。
在本发明实施例的一种具体实施方式中，所述装置还包括：
推荐模块，用于将与待识别图像中包含的玉石的样式类别相同或者相似的 玉石推荐给对应于所述待识别图像的用户。
应用本发明上述实施例，可以识别出玉石的位置。
在本发明实施例的一种具体实施方式中，所述识别模块302，用于：
利用预先训练的Faster R-CNN模型识别出待识别图像中的玉石的位置。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发 明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明 的保护范围之内。

Claims (8)

1.一种基于Faster R-CNN模型的玉石识别方法，其特征在于，所述方法包括：
获取包含玉石的待识别图像；
利用预先训练的Faster R-CNN模型识别出待识别图像中的玉石的样式类别。
2.根据权利要求1所述的一种基于Faster R-CNN模型的玉石识别方法，其特征在于，所述Faster R-CNN模型的训练过程包括：
获取各个样式类别的玉石图像，其中，所述样式类别包括：手镯、貔貅、观音、佛公、无事牌、平安扣、如意、金枝玉叶、福豆、戒指、葫芦、生肖守护佛、鼠、牛、虎、兔、龙、蛇、马、羊、猴、鸡、狗以及猪中的一种或组合；
对玉石图像进行数据增强，得到数据增强后的玉石图像；
将每一个样式类别对应的增强后的玉石图像划分为训练集和测试集；
对各个训练集和测试集进行标注，得到标注后的训练集和标注后的测试集；
利用标注后的训练集训练Faster R-CNN模型直至Faster R-CNN模型收敛，并使用标注后的测试集测试训练后的Faster R-CNN模型，得到训练后的Faster R-CNN模型的准确率；
判断所述准确率是否大于预设阈值；
若是，将所述训练后的Faster R-CNN模型作为目标Faster R-CNN模型；
若否，更新Faster R-CNN模型中的超参数与权重，并返回执行所述利用标注后的训练集训练Faster R-CNN模型直至Faster R-CNN模型收敛的步骤，直至Faster R-CNN模型收敛。
3.根据权利要求1所述的一种基于Faster R-CNN模型的玉石识别方法，其特征在于，所述方法还包括：
将与待识别图像中包含的玉石的样式类别相同或者相似的玉石推荐给对应于所述待识别图像的用户。
4.根据权利要求1所述的一种基于Faster R-CNN模型的玉石识别方法，其特征在于，所述方法还包括：
利用预先训练的Faster R-CNN模型识别出待识别图像中的玉石的位置。
5.一种基于Faster R-CNN模型的玉石识别装置，其特征在于，所述装置包括：
获取模块，用于获取包含玉石的待识别图像；
识别模块，用于利用预先训练的Faster R-CNN模型识别出待识别图像中的玉石的样式类别。
6.根据权利要求5所述的一种基于Faster R-CNN模型的玉石识别装置，其特征在于，所述Faster R-CNN模型的训练过程包括：
获取各个样式类别的玉石图像，其中，所述样式类别包括：手镯、貔貅、观音、佛公、无事牌、平安扣、如意、金枝玉叶、福豆、戒指、葫芦、生肖守护佛、鼠、牛、虎、兔、龙、蛇、马、羊、猴、鸡、狗以及猪中的一种或组合；
对玉石图像进行数据增强，得到数据增强后的玉石图像；
将每一个样式类别对应的增强后的玉石图像划分为训练集和测试集；
对各个训练集和测试集进行标注，得到标注后的训练集和测试集；
利用标注后的训练集训练Faster R-CNN模型直至Faster R-CNN模型收敛，并使用标注后的测试集测试训练后的Faster R-CNN模型，得到训练后的Faster R-CNN模型的准确率；
判断所述准确率是否大于预设阈值；
若是，将所述训练后的Faster R-CNN模型作为目标Faster R-CNN模型；
若否，更新Faster R-CNN模型中的超参数与权重，并返回执行所述利用标注后的训练集训练Faster R-CNN模型直至Faster R-CNN模型收敛的步骤，直至Faster R-CNN模型收敛。
7.根据权利要求5所述的一种基于Faster R-CNN模型的玉石识别装置，其特征在于，所述装置还包括：
推荐模块，用于将与待识别图像中包含的玉石的样式类别相同或者相似的玉石推荐给对应于所述待识别图像的用户。
8.根据权利要求5所述的一种基于Faster R-CNN模型的玉石识别装置，其特征在于，所述识别模块，用于：
利用预先训练的Faster R-CNN模型识别出待识别图像中的玉石的位置。
CN201910619575.4A 2019-07-10 2019-07-10 一种基于Faster R-CNN模型的玉石识别方法及装置 Pending CN110348514A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910619575.4A CN110348514A (zh) 2019-07-10 2019-07-10 一种基于Faster R-CNN模型的玉石识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910619575.4A CN110348514A (zh) 2019-07-10 2019-07-10 一种基于Faster R-CNN模型的玉石识别方法及装置

Publications (1)

Publication Number Publication Date
CN110348514A true CN110348514A (zh) 2019-10-18

Family

ID=68174824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910619575.4A Pending CN110348514A (zh) 2019-07-10 2019-07-10 一种基于Faster R-CNN模型的玉石识别方法及装置

Country Status (1)

Country Link
CN (1) CN110348514A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486905A (zh) * 2021-07-01 2021-10-08 深圳星坊科技有限公司 珠宝特征信息获取方法、装置、计算机设备和存储介质
WO2022028323A1 (zh) * 2020-08-07 2022-02-10 华为技术有限公司 分类模型的训练方法、超参数的搜索方法以及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596137A (zh) * 2018-05-02 2018-09-28 济南浪潮高新科技投资发展有限公司 一种基于图像识别算法的商品扫描录入方法
CN108763423A (zh) * 2018-05-24 2018-11-06 哈工大机器人（合肥）国际创新研究院 一种基于用户照片的玉石推荐方法及装置
CN108764313A (zh) * 2018-05-17 2018-11-06 西安电子科技大学 基于深度学习的超市商品识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596137A (zh) * 2018-05-02 2018-09-28 济南浪潮高新科技投资发展有限公司 一种基于图像识别算法的商品扫描录入方法
CN108764313A (zh) * 2018-05-17 2018-11-06 西安电子科技大学 基于深度学习的超市商品识别方法
CN108763423A (zh) * 2018-05-24 2018-11-06 哈工大机器人（合肥）国际创新研究院 一种基于用户照片的玉石推荐方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙俊: "基于卷积神经网络的电商图片物体识别", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
张彩甜: "模式识别技术的应用——珠宝玉石计算机辅助鉴定及信息系统", 《福建电脑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022028323A1 (zh) * 2020-08-07 2022-02-10 华为技术有限公司 分类模型的训练方法、超参数的搜索方法以及装置
CN113486905A (zh) * 2021-07-01 2021-10-08 深圳星坊科技有限公司 珠宝特征信息获取方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN103577475B (zh) 一种图片自动化分类方法、图片处理方法及其装置
CN110378235A (zh) 一种模糊人脸图像识别方法、装置及终端设备
CN109196514A (zh) 图像分类和标记
CN109416731A (zh) 文档光学字符识别
DE60208223D1 (de) Anordnung und verfahren zur gesichtserkennung unter verwendung von teilen des gelernten modells
CN109325456A (zh) 目标识别方法、装置、目标识别设备及存储介质
CN110348514A (zh) 一种基于Faster R-CNN模型的玉石识别方法及装置
CN112214707A (zh) 网页内容表征方法、分类方法、装置及设备
CN109948549A (zh) Ocr数据生成方法、装置、计算机设备及存储介质
CN111738252B (zh) 图像中的文本行检测方法、装置及计算机系统
CN103164687A (zh) 一种色情图像侦测的方法和系统
CN112070079A (zh) 基于特征图重赋权的x光违禁品包裹检测方法及装置
CN108537129A (zh) 训练样本的标注方法、装置和系统
CN103824090A (zh) 一种自适应的人脸低层特征选择方法及人脸属性识别方法
Jolly et al. How do convolutional neural networks learn design?
CN111881901A (zh) 截图内容检测方法、设备及计算机可读存储介质
Hartl Computer-vision based pharmaceutical pill recognition on mobile phones
CN106778851A (zh) 基于手机取证数据的社交关系预测系统及其方法
CN106846399A (zh) 一种获取图像的视觉重心的方法及装置
CN109035666B (zh) 一种火烟检测方法、装置及终端设备
Fiedler et al. An open source vision pipeline approach for robocup humanoid soccer
CN109460761A (zh) 基于维度聚类和多尺度预测的银行卡卡号检测与识别方法
Liu et al. APHS-YOLO: A Lightweight Model for Real-Time Detection and Classification of Stropharia Rugoso-Annulata
CN111680708A (zh) 一种给图片加标签的方法和系统
Kurnaz et al. Alet (automated labeling of equipment and tools): A dataset for tool detection and human worker safety detection

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: 20191018

RJ01 Rejection of invention patent application after publication