CN110781973B - 物品识别模型训练方法、物品识别方法、装置及电子设备 - Google Patents

物品识别模型训练方法、物品识别方法、装置及电子设备 Download PDF

Info

Publication number
CN110781973B
CN110781973B CN201911050320.7A CN201911050320A CN110781973B CN 110781973 B CN110781973 B CN 110781973B CN 201911050320 A CN201911050320 A CN 201911050320A CN 110781973 B CN110781973 B CN 110781973B
Authority
CN
China
Prior art keywords
article
model
target
picture
pictures
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
Application number
CN201911050320.7A
Other languages
English (en)
Other versions
CN110781973A (zh
Inventor
杜义贤
周俊杰
王刚
陈德
石金进
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.)
Guangdong Lyric Robot Automation Co Ltd
Original Assignee
Guangdong Lyric Robot Automation 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 Guangdong Lyric Robot Automation Co Ltd filed Critical Guangdong Lyric Robot Automation Co Ltd
Priority to CN201911050320.7A priority Critical patent/CN110781973B/zh
Publication of CN110781973A publication Critical patent/CN110781973A/zh
Application granted granted Critical
Publication of CN110781973B publication Critical patent/CN110781973B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (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)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种物品识别模型训练方法、物品识别方法、装置及电子设备，其中，该物品识别模型训练方法包括：将物品样本图片集中的所有物品图片按照设定划分规则进行分段处理，以得到每张物品图片的多张分段样本图；将每张物品图片的多张分段样本图输入待训练模型进行训练，以得到目标物品识别模型。

Description

物品识别模型训练方法、物品识别方法、装置及电子设备
技术领域
本申请涉及物品识别技术领域，具体而言，涉及一种物品识别模型训练方法、物品识别方法、装置及电子设备。
背景技术
就物品的识别主要是将不同类型的物品进行分别识别。现有的一般做法是对每款物品，均建立一个样本库，各款物品独立使用一个样本库，从而导致各个同一种物品的不同型号的物品无法实现缺陷样本之间的共享利用，难以适应不同型号的物品尺寸的需求，从而影响对不同型号的物品的检测效果。
发明内容
有鉴于此，本申请实施例的目的在于提供一种物品识别模型训练方法、物品识别方法、装置及电子设备。能够达到确定出的目标物品识别模型能够对各类物品进行有效识别的效果。
第一方面，本发明实施例提供一种物品识别模型训练方法，包括：
将物品样本图片集中的所有物品图片按照设定划分规则进行分段处理，以得到每张物品图片的多张分段样本图；
将每张物品图片的多张分段样本图输入待训练模型进行训练，以得到目标物品识别模型。
在可选的实施方式中，所述将物品样本图片集中的所有物品图片按照设定划分规则进行分段处理，以得到每张物品图片的多张分段样本图的步骤，包括：
确定所述物品样本集中的每张物品图片中的物品的目标物品型号；
按照每张物品图片中的物品的目标物品型号对应的设定划分规则，对每张物品图片进行分段处理，以得到每张物品图片的多张分段样本图。
本申请实施例提供的物品识别模型训练方法，还可以每款不同型号的物品可以配置一设定划分规则，可以满足不同型号物品的需求，从而可以使划分后的分段样本图能够更符合物品的检测需求。
在可选的实施方式中，所述目标物品型号对应的设定划分规则按照以下方式确定：
针对所述目标物品型号的物品图片集中的物品图片，将物品图片按照所述目标物品型号的划分宽度、当前划分段数进行划分，以得到多张划分图片；
将所述多张划分图片输入所述目标物品型号对应的指定识别模型进行识别，以确定当前划分段数对应的准确率；
当所述当前划分段数对应的准确率小于第一设定值时，对所述当前划分段数进行更新；
当所述当前划分段数对应的准确率大于第一设定值时，将所述准确率大于设定值时的当前划分段数作为目标划分段数；所述目标物品型号的设定划分规则为按照所述目标划分段数及目标物品型号的划分宽度将所述目标物品型号的物品图片划分成多张划分图片。
本申请实施例提供的物品识别模型训练方法，就一目标物品型号的物品而言，可以通过循环的识别，确定出能够更好地对物品缺陷进行识别的一划分宽度，从而使划分后的多张分段样本图作为训练样本能够更好地确定出物品中的缺陷。
在可选的实施方式中，在所述针对所述物品图片集中的物品图片，将物品图片按照所述目标物品型号的划分宽度、当前划分段数进行划分，以得到多张划分图片的步骤之前，所述方法还包括：
将所述物品图片集输入所述指定识别模型进行识别，以确定出所述物品图片集中的各个物品图片的物品缺陷宽度分布；
根据所述物品缺陷宽度分布确定所述目标物品型号的划分宽度。
本申请实施例提供的物品识别模型训练方法，还可以直接对物品图片集中的图片进行识别，确定出物品缺陷可能存在的宽度分布，从而进一步目标物品型号的划分宽度。通过上述的方式确定出的划分宽度能够更好地将物品上可能存在的缺陷划分至一张分段样本图，从而可以更容易识别到物品上可能存在的缺陷。
在可选的实施方式中，在所述针对所述物品图片集中的物品图片，将物品图片按照所述目标物品型号的划分宽度、当前划分段数进行划分，以得到多张划分图片的步骤之前，所述方法还包括：
获取目标物品型号的标记物品图片集，所述标记物品图片集中的每张图片携带至少一个缺陷标记，所述缺陷标记包括缺陷宽度；
根据所述标记物品图片集确定出所述标记物品图片集的物品缺陷宽度分布；
根据所述物品缺陷宽度分布确定出所述目标物品型号的划分宽度。
本申请实施例提供的物品识别模型训练方法，还可以对已经标记好的标记物品图片集中的物品缺陷宽度分布，从而筛选出能够更好地将物品上可能存在的缺陷划分至一张分段样本图的划分宽度。
在可选的实施方式中，所述目标物品型号对应的设定划分规则按照以下方式确定：
针对所述目标物品型号的物品图片集中的物品图片，将物品图片按照所述目标物品型号的划分宽度、当前划分段数、当前重叠率进行划分，以得到多张划分图片；
将所述多张划分图片输入所述目标物品型号的指定识别模型进行识别，以确定当前划分段数对应的准确率；
当所述当前划分段数对应的准确率小于第二设定值时，对所述当前划分段数和所述当前重叠率进行更新；
当所述当前划分段数对应的准确率大于第二设定值，且所述当前重叠率在设定范围内时，并将所述准确率大于设定值时的当前划分段数作为目标划分段数，以及将所述准确率大于设定值时的当前重叠率作为目标重叠率；所述目标物品型号的设定划分规则为按照所述目标划分段数、目标重叠率及目标物品型号的划分宽度将所述目标物品型号的物品图片划分成多张划分图片。
本申请实施例提供的物品识别模型训练方法，还可以就一目标物品型号的物品而言，可以通过循环的识别，确定出能够更好地对物品缺陷进行识别的一划分宽度和重叠率，从而使划分后的多张分段样本图作为训练样本能够更好地确定出物品中的缺陷。
在可选的实施方式中，所述将物品图片按照所述目标物品型号的划分宽度、当前划分段数、当前重叠率进行划分，以得到多张划分图片，包括：
沿着所述物品图片长度方向依次获取宽度为所述目标物品型号的划分宽度、数量为当前划分段数的多张划分图片，其中，相邻两张划分图片的重叠区域的图像面积相对于划分图片的占比为当前重叠率。
本申请实施例提供的物品识别模型训练方法，按照上述方式对物品图进行划分，从而可以使划分后的各张划分图片能够更好地独立包含物品中可能存在的缺陷。
在可选的实施方式中，所述将物品样本图片集中的所有物品图片按照设定划分规则进行分段处理，以得到每张物品图片的多张分段样本图的步骤，包括：
确定所述物品样本集中的每张物品图片中的物品的目标物品尺寸；
按照每张物品图片中的物品的目标物品尺寸对应的设定划分规则，对每张物品图片进行分段处理，以得到每张物品图片的多张分段样本图。
本申请实施例提供的物品识别模型训练方法，还可以每款不同尺寸的物品可以配置一设定划分规则，可以满足不同尺寸物品的需求，从而可以使划分后的分段样本图能够更符合物品的检测需求。
第二方面，本发明实施例提供一种物品识别方法，包括：
将待识别物品图像按照设定划分规则进行分段处理，以得到所述待识别物品图像的多张分段识别图片；
将所述多张分段识别图片输入前述实施方式任意一项所述的方法中训练得到的目标物品识别模型进行识别，得到识别结果。
第三方面，本发明实施例提供一种物品识别模型训练装置，包括：
第一处理模块，用于将物品样本图片集中的所有物品图片按照设定划分规则进行分段处理，以得到每张物品图片的多张分段样本图；
训练模块，用于将所有物品图片的多张分段样本图输入待训练模型进行训练，以得到目标物品识别模型。
第四方面，本发明实施例提供一种物品识别装置，包括：
第二处理模块，用于将待识别物品图像按照设定划分规则进行分段处理，以得到所述待识别物品图像的多张分段识别图片；
识别模块，用于将所述多张分段识别图片输入前述实施方式任意一项所述的方法中训练得到的目标物品识别模型进行识别，得到识别结果。
第五方面，本发明实施例提供一种电子设备，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述机器可读指令被所述处理器执行时执行如前述实施方式任一所述的方法的步骤。
第六方面，本发明实施例提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如前述实施方式任一所述的方法的步骤。
本申请实施例提供的物品识别模型训练方法、物品识别方法、装置及电子设备，采用在训练前，先将样本图片划分成多张分段样本图，从而基于分段样本图训练得到的目标物品识别模型的识别对象不局限于某一种型号或尺寸的物品，可以对各类物品进行有效识别。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的电子设备的方框示意图。
图2为本申请实施例提供的物品识别模型训练方法的流程图。
图3为本申请实施例提供的物品识别模型训练方法的步骤201的详细流程图。
图4为本申请实施例提供的物品识别模型训练方法的规则的确定的详细流程图。
图5为本申请实施例提供的一物品的划分示意图。
图6为本申请实施例提供的物品识别模型训练方法的规则的确定的详细流程图。
图7为本申请实施例提供的物品识别模型训练方法的步骤201的详细流程图。
图8为本申请实施例提供的物品识别模型训练装置的功能模块示意图。
图9为本申请实施例提供的物品识别方法的流程图。
图10为本申请实施例提供的物品识别装置的功能模块示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例一
为便于对本实施例进行理解，首先对执行本申请实施例所公开的物品识别模型训练方法或物品识别方法的电子设备进行详细介绍。
如图1所示，是电子设备的方框示意图。电子设备100可以包括存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115、显示单元116。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对电子设备100的结构造成限定。例如，电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
上述的存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115及显示单元116各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。上述的处理器113用于执行存储器中存储的可执行模块。
其中，存储器111可以是，但不限于，随机存取存储器(Random Access Memory，简称RAM)，只读存储器(Read Only Memory，简称ROM)，可编程只读存储器(ProgrammableRead-Only Memory，简称PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，简称EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，简称EEPROM)等。其中，存储器111用于存储程序，所述处理器113在接收到执行指令后，执行所述程序，本申请实施例任一实施例揭示的过程定义的电子设备100所执行的方法可以应用于处理器113中，或者由处理器113实现。
上述的处理器113可能是一种集成电路芯片，具有信号的处理能力。上述的处理器113可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(digital signalprocessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述的外设接口114将各种输入/输出装置耦合至处理器113以及存储器111。在一些实施例中，外设接口114，处理器113以及存储控制器112可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
上述的输入输出单元115用于提供给用户输入数据。所述输入输出单元115可以是，但不限于，鼠标和键盘等。
上述的显示单元116在电子设备100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器进行计算和处理。
本实施例中的电子设备100可以用于执行本申请实施例提供的各个方法中的各个步骤。下面通过几个实施例详细描述物品识别模型训练方法或物品识别方法的实现过程。
实施例二
请参阅图2，是本申请实施例提供的物品识别模型训练方法的流程图。下面将对图2所示的具体流程进行详细阐述。
步骤201，将物品样本图片集中的所有物品图片按照设定划分规则进行分段处理，以得到每张物品图片的多张分段样本图。
可选地，物品样本图片集可以是电芯图片集、板材图片集、毛皮图片集等。
可选地，上述的物品样本图片集可以为通过CCD(charge coupled device，中文称：电荷耦合器件)视觉相机对物品进行拍照获得。
可选地，在将物品图片分段处理成多张分段样本图之前，还可以对物品图片进行边缘检测，根据检测结果对物品图片进行剪裁，从而确定出物品图片中的物品区域图。可选地，可以仅对物品区域图进行分段处理，以得到每张物品图片的多张分段样本图。
物品外形上的不同主要可以通过两个方面进行区别，第一可以通过物品的型号进行区别；第二可以通过物品的尺寸进行区别。下面分别以不同型号对应不同的划分规则对物品图片进行划分或不同尺寸对应不同的划分规则对物品图片进行划分的实施方式进行描述。
在一种实施方式中，如图3所示，步骤201可以包括以下步骤。
步骤2011，确定所述物品样本集中的每张物品图片中的物品的目标物品型号。
可选地，可以通过图像识别的方式对物品图片中的字符串进行识别，从而根据识别到的字符串得倒每一物品的目标物品型号。可选地，步骤2011可以包括：对物品图片中的型号字符串定位，然后对型号字符串进行字符分割，确定出多个字符区域，最后对分割的字符区域进行识别确定出目标物品型号。
示例性地，对上述的字符区域的识别可以使用一预先训练好的通过神经网络模型。
步骤2012，按照每张物品图片中的物品的目标物品型号对应的设定划分规则，对每张物品图片进行分段处理，以得到每张物品图片的多张分段样本图。
可选地，可以沿着物品图片的宽方向将图片划分成多张分段样本图；还可以沿着物品图片的长方向将图片划分成多张分段样本图。
在一实施方式中，如图4所示，关于目标物品型号对应的设定划分规则的确定可以通过以下步骤实现。
步骤D1，针对所述目标物品型号的物品图片集中的物品图片，将物品图片按照所述目标物品型号的划分宽度、当前划分段数进行划分，以得到多张划分图片。
可选地，可以将物品图片沿着物品的长方向或宽方向截取宽度为目标物品型号的划分宽度，数量为当前划分段数张的划分图片。
示例性地，若当前划分段数与目标物品型号的划分宽度的乘积等于物品的长，则可以将物品图片等分成当前划分段数张划分图片。
示例性地，若当前划分段数与目标物品型号的划分宽度的乘积大于物品的长，则可以使当前划分段数张划分图片中的各图片之间存在重叠。
示例性地，相邻两张划分图片的重叠区域可以相等。在一个实例中，如图5所示，图示中的待分段处理的物品图片中的物品长度为L、当前划分段数为8、目标物品型号的划分宽度为d。图5所示的o表示相邻的重叠区域的宽度。则各个数据之间的关系可表示为：L＝8*d-(8-1)*o。
示例性地，相邻两张划分图片的重叠区域也可以不相等。示例性地，从物品的底部向上划分，重叠区域逐渐减小。示例性地，物品容易产生缺陷的区域的重叠区域设置较大，物品不容易产生缺陷的区域的重叠区域设置较小。
可选地，初始的当前划分段数不小于目标物品型号的物品长度与目标物品型号的划分宽度的除数。通过公式可以表示为：n≥L/d，其中，n表示当前划分段数。
步骤D2，将所述多张划分图片输入所述目标物品型号对应的指定识别模型进行识别，以确定当前划分段数对应的准确率。
上述的指定识别模型可以是预先以目标物品型号的物品图片集作为训练样本训练得到的识别模型。
步骤D3，当所述当前划分段数对应的准确率小于第一设定值时，对所述当前划分段数进行更新。
上述的第一设定值可以根据不同需求设置，例如，如果识别精度要求高，则可以取一较大的值，例如，98％、95％、93％等值。例如，如果识别精度要求较低，则可以取一较小的值，例如，70％、75％、80％等值。
可选地，如果当前划分段数划分后的多张划分图片中的各划分图片的相同区域较少，可能导致一些缺陷被划分至两张相邻截取的划分图片中，则可以增加划分段数。
步骤D4，当所述当前划分段数对应的准确率大于第一设定值时，将所述准确率大于设定值时的当前划分段数作为目标划分段数。
其中，目标物品型号的设定划分规则为按照所述目标划分段数及目标物品型号的划分宽度将所述目标物品型号的物品图片划分成多张图片。
通过上述的步骤D1至步骤D3循环执行，可以确定出一准确率相对较高时对应的目标划分段数。
在可选的实施方式中，步骤D1之前，目标物品型号对应的设定划分规则的确定还可以包括：步骤D5，确定所述目标物品型号的划分宽度。
在一种实施方式中，步骤D5可以被实施为：将所述物品图片集输入所述指定识别模型进行识别，以确定出所述物品图片集中的各个物品图片的物品缺陷宽度分布；根据所述物品缺陷宽度分布确定所述目标物品型号的划分宽度。
其中，任一物品图片对应的物品的缺陷可以为一处缺陷或多处缺陷，当然，物品图片对应的物品也可以没有缺陷。可选地，目标物品型号的物品图片集中的任一物品图片若存在缺陷，则可以确定出物品图片对应的物品上的每一缺陷的宽度。
根据上述的物品图片集中的所有物品图片对应的物品的确定的所有缺陷宽度确定出物品缺陷宽度分布。示例性地，物品缺陷宽度分布可以包括每个宽度区域中的缺陷数量。在一个实例中，假设物品缺陷宽度在数值区间[a，b]内。示例性地，可以将区间[a，b]分成多个区间，例如，[a，c]、[c，d]、[d，b]。其中，[a，c]宽度区间中的缺陷数量为n1，[c，d]宽度区间中的缺陷数量为n2，[d，b]宽度区间中的缺陷数量为n3。其中，a、b、c、d均为正数。n1、n2、n3为正整数。
可选地，根据所述物品缺陷宽度分布确定所述目标物品型号的划分宽度可被实施为：从缺陷数量最多的数值区间中确定一数值作为目标物品型号的划分宽度。
示例性地，若n2>n1>n3，则可以从数值区间[c，d]确定一数值作为目标物品型号的划分宽度。例如，可以取数值区间[c，d]的中点值作为目标物品型号的划分宽度，也可以取数值区间[c，d]的上限端点值作为目标物品型号的划分宽度。
可选地，根据所述物品缺陷宽度分布确定所述目标物品型号的划分宽度可被实施为：从最大的数值区间中确定一数值作为目标物品型号的划分宽度。
示例性地，可以从数值区间[d，b]中确定一数值作为目标物品型号的划分宽度，例如，可以将数值区间[d，b]下限端点值作为目标物品型号的划分宽度。
在一种实施方式中，步骤D5可以被实施为：获取目标物品型号的标记物品图片集，所述标记物品图片集中的每张图片携带至少一个缺陷标记，所述缺陷标记包括缺陷宽度；根据所述标记物品图片集确定出所述标记物品图片集的物品缺陷宽度分布；根据所述物品缺陷宽度分布确定出所述目标物品型号的划分宽度。
可选地，根据所述标记物品图片集确定出所述标记物品图片集的物品缺陷宽度分布可以被实施为：从缺陷数量最多的数值区间中确定一数值作为目标物品型号的划分宽度，或，从最大的数值区间中确定一数值作为目标物品型号的划分宽度。
在一实施方式中，如图6所示，关于目标物品型号对应的设定划分规则的确定可以通过以下步骤实现。
步骤D6，针对所述目标物品型号的物品图片集中的物品图片，将物品图片按照所述目标物品型号的划分宽度、当前划分段数、当前重叠率进行划分，以得到多张划分图片。
可选地，可以将物品图片沿着物品的长方向或宽方向截取宽度为目标物品型号的划分宽度，数量为当前划分段数张的划分图片，相邻两张划分图片的重叠区域的图像面积相对于划分图片的占比为当前重叠率。
可再次参阅图5所示示意图，图示中的待分段处理的物品图片中的物品长度为L、当前划分段数为8、目标物品型号的划分宽度为d。图5所示的o表示相邻的重叠区域的宽度。则各个数据之间的关系可表示为：L＝8*d-(8-1)*o。其中，当前重叠率则可以表示为r＝o/d。
本实施例中，当前划分段数不小于目标物品型号的物品长度与目标物品型号的划分宽度的除数。
可选地，步骤D6中所使用的目标物品型号的划分宽度的确定方式可以采用与步骤D5中的确定所述目标物品型号的划分宽度的确定方式相同的方式。具体可以参考步骤D5的相关描述，在此不再赘述。
步骤D7，将所述多张划分图片输入所述目标物品型号的指定识别模型进行识别，以确定当前划分段数对应的准确率。
步骤D8，当所述当前划分段数对应的准确率小于第二设定值时，对所述当前划分段数和所述当前重叠率进行更新。
上述的第二设定值可以根据不同需求设置，例如，如果识别精度要求高，则可以取一较大的值，例如，97％、92％、90％等值。例如，如果识别精度要求较低，则可以取一较小的值，例如，65％、75％、78％等值。
可选地，当前重叠率可以在一特定数值范围内调整。例如，该特定数值范围可以是[0.1，0.25]。例如，当前重叠率可以是0.1、0.25、0.16、0.19等数值。
步骤D9，当所述当前划分段数对应的准确率大于第二设定值，且所述当前重叠率在设定范围内时，并将所述准确率大于设定值时的当前划分段数作为目标划分段数，以及将所述准确率大于设定值时的当前重叠率作为目标重叠率。
其中，目标物品型号的设定划分规则为按照所述目标划分段数、目标重叠率及目标物品型号的划分宽度将所述目标物品型号的物品图片划分成多张图片。
可选地，步骤D6可以包括：沿着所述物品图片长度方向依次获取宽度为所述目标物品型号的划分宽度、数量为当前划分段数的多张划分图片，其中，相邻两张划分图片的重叠区域的图像面积相对于划分图片的占比为当前重叠率。
请再次参阅图5，将物品图片按照所述目标物品型号的划分宽度、当前划分段数、当前重叠率进行划分，以得到多张划分图片可以为：将物品图片均匀地划分成八张宽度相同的划分图片。
在另一种实施方式中，如图7所示，步骤201可以包括以下步骤。
步骤2013，确定所述物品样本集中的每张物品图片中的物品的目标物品尺寸。
步骤2014，按照每张物品图片中的物品的目标物品尺寸对应的设定划分规则，对每张物品图片进行分段处理，以得到每张物品图片的多张分段样本图。
本实施例中，针对不同尺寸对应的设定划分规则的确定方式可以与前述的不同型号的设定划分规则的确定方式相似，因此，目标物品尺寸对应的设定划分规则的确定的实施可以参见上述的目标物品型号对应的设定划分规则，重复之处不再赘述。
在一实施方式中，目标物品尺寸对应的设定划分规则按照以下方式确定：针对所述目标物品尺寸的物品图片集中的物品图片，将物品图片按照所述目标物品尺寸的划分宽度、当前划分段数进行划分，以得到多张划分图片；将所述多张划分图片输入所述目标物品尺寸对应的指定识别模型进行识别，以确定当前划分段数对应的准确率；当所述当前划分段数对应的准确率小于第一设定值时，对所述当前划分段数进行更新；当所述当前划分段数对应的准确率大于第一设定值时，将所述准确率大于设定值时的当前划分段数作为目标划分段数；所述目标物品尺寸的设定划分规则为按照所述目标划分段数及目标物品尺寸的划分宽度将所述目标物品尺寸的物品图片划分成多张图片。
可选地，上述的目标物品尺寸的划分宽度可以通过以下方式确定：将所述物品图片集输入所述指定识别模型进行识别，以确定出所述物品图片集中的各个物品图片的物品缺陷宽度分布；根据所述物品缺陷宽度分布确定所述目标物品尺寸的划分宽度。
可选地，上述的目标物品尺寸的划分宽度可以通过以下方式确定：获取目标物品尺寸的标记物品图片集，所述标记物品图片集中的每张图片携带至少一个缺陷标记，所述缺陷标记包括缺陷宽度；根据所述标记物品图片集确定出所述标记物品图片集的物品缺陷宽度分布；根据所述物品缺陷宽度分布确定出所述目标物品尺寸的划分宽度。
在另一实施方式中，目标物品尺寸对应的设定划分规则按照以下方式确定：针对所述目标物品尺寸的物品图片集中的物品图片，将物品图片按照所述目标物品尺寸的划分宽度、当前划分段数、当前重叠率进行划分，以得到多张划分图片；将所述多张划分图片输入所述目标物品尺寸的指定识别模型进行识别，以确定当前划分段数对应的准确率；当所述当前划分段数对应的准确率小于第二设定值时，对所述当前划分段数和所述当前重叠率进行更新；当所述当前划分段数对应的准确率大于第二设定值，且所述当前重叠率在设定范围内时，并将所述准确率大于设定值时的当前划分段数作为目标划分段数，以及将所述准确率大于设定值时的当前重叠率作为目标重叠率；所述目标物品尺寸的设定划分规则为按照所述目标划分段数、目标重叠率及目标物品尺寸的划分宽度将所述目标物品尺寸的物品图片划分成多张图片。
示例性地，将物品图片按照所述目标物品尺寸的划分宽度、当前划分段数、当前重叠率进行划分，以得到多张划分图片可以被实施为：沿着所述物品图片长度方向依次获取宽度为所述目标物品尺寸的划分宽度、数量为当前划分段数的多张划分图片，其中，相邻两张划分图片的重叠区域的图像面积相对于划分图片的占比为当前重叠率。
步骤202，将每张物品图片的多张分段样本图输入待训练模型进行训练，以得到目标物品识别模型。
可选地，上述的分段样本图可以携带有标记，标记内容可以包括该分段样本图对应的物品的缺陷类别以及损坏严重等级。
可选地，上述的待训练模型可以是CNN(Convolutional Neural Networks,中文称：卷积神经网络)模型、DCNN(Deep-Convolutional Neural Networks,中文称：深度卷积神经网络)模型等。
可选地，步骤202可以采用有监督学习方式对待训练模型进行训练。
可选地，目标物品识别模型可以用于识别物品上的缺陷。例如，可以识别电芯上的缺陷、毛皮上的缺陷、板材上的缺陷。
本申请实施例提供的物品识别模型训练方法，采用在训练前，先将样本图片划分成多张分段样本图，从而基于分段样本图训练得到的目标物品识别模型的识别对象不局限于某一种型号或尺寸的物品，可以对各类物品进行有效识别。例如，用于电芯的识别模型的训练时，可以使得到的电芯识别模型可以适应各种型号的电芯的识别。
实施例三
基于同一申请构思，本申请实施例中还提供了与物品识别模型训练方法对应的物品识别模型训练装置，由于本申请实施例中的装置解决问题的原理与上述物品识别模型训练方法实施例相似，因此本实施例中的装置的实施可以参见上述方法的实施例中的描述，重复之处不再赘述。
请参阅图8，是本申请实施例提供的物品识别模型训练装置的功能模块示意图。本实施例中的物品识别模型训练装置中的各个模块用于执行上述方法实施例中的各个步骤。物品识别模型训练装置包括：第一处理模块301、训练模块302；其中，
第一处理模块301，用于将物品样本图片集中的所有物品图片按照设定划分规则进行分段处理，以得到每张物品图片的多张分段样本图；
训练模块302，用于将所有物品图片的多张分段样本图输入待训练模型进行训练，以得到目标物品识别模型。
一种可能的实施方式中，第一处理模块301，还用于：
确定所述物品样本集中的每张物品图片中的物品的目标物品型号；
按照每张物品图片中的物品的目标物品型号对应的设定划分规则，对每张物品图片进行分段处理，以得到每张物品图片的多张分段样本图。
一种可能的实施方式中，物品识别模型训练装置还可以包括：第一确定模块，用于确定目标物品型号对应的设定划分规则。该第一确定模块包括：
第一划分单元，用于针对所述目标物品型号的物品图片集中的物品图片，将物品图片按照所述目标物品型号的划分宽度、当前划分段数进行划分，以得到多张划分图片；
第一识别单元，用于将所述多张划分图片输入所述目标物品型号对应的指定识别模型进行识别，以确定当前划分段数对应的准确率；
第一更新单元，用于当所述当前划分段数对应的准确率小于第一设定值时，对所述当前划分段数进行更新；
第一作为单元，用于当所述当前划分段数对应的准确率大于第一设定值时，将所述准确率大于设定值时的当前划分段数作为目标划分段数；所述目标物品型号的设定划分规则为按照所述目标划分段数及目标物品型号的划分宽度将所述目标物品型号的物品图片划分成多张图片。
一种可能的实施方式中该第一确定模块还包括：第一宽度确定单元，用于：
将所述物品图片集输入所述指定识别模型进行识别，以确定出所述物品图片集中的各个物品图片的物品缺陷宽度分布；
根据所述物品缺陷宽度分布确定所述目标物品型号的划分宽度。
一种可能的实施方式中，物品识别模型训练装置还可以包括：第二确定模块，用于确定目标物品型号对应的设定划分规则。该第二确定模块包括：
获取单元，用于获取目标物品型号的标记物品图片集，所述标记物品图片集中的每张图片携带至少一个缺陷标记，所述缺陷标记包括缺陷宽度；
分布确定单元，用于根据所述标记物品图片集确定出所述标记物品图片集的物品缺陷宽度分布；
第二宽度确定单元，用于根据所述物品缺陷宽度分布确定出所述目标物品型号的划分宽度。
一种可能的实施方式中，物品识别模型训练装置还可以包括：第三确定模块，用于确定目标物品型号对应的设定划分规则。该第三确定模块包括：
第二划分单元，用于针对所述目标物品型号的物品图片集中的物品图片，将物品图片按照所述目标物品型号的划分宽度、当前划分段数、当前重叠率进行划分，以得到多张划分图片；
第二识别单元，用于将所述多张划分图片输入所述目标物品型号的指定识别模型进行识别，以确定当前划分段数对应的准确率；
第二更新单元，用于当所述当前划分段数对应的准确率小于第二设定值时，对所述当前划分段数和所述当前重叠率进行更新；
第二作为单元，用于当所述当前划分段数对应的准确率大于第二设定值，且所述当前重叠率在设定范围内时，并将所述准确率大于设定值时的当前划分段数作为目标划分段数，以及将所述准确率大于设定值时的当前重叠率作为目标重叠率；所述目标物品型号的设定划分规则为按照所述目标划分段数、目标重叠率及目标物品型号的划分宽度将所述目标物品型号的物品图片划分成多张划分图片。
一种可能的实施方式中，第二划分单元，还用于：
沿着所述物品图片长度方向依次获取宽度为所述目标物品型号的划分宽度、数量为当前划分段数的多张划分图片，其中，相邻两张划分图片的重叠区域的图像面积相对于划分图片的占比为当前重叠率。
一种可能的实施方式中，第一处理模块301，还用于：
确定所述物品样本集中的每张物品图片中的物品的目标物品尺寸；
按照每张物品图片中的物品的目标物品尺寸对应的设定划分规则，对每张物品图片进行分段处理，以得到每张物品图片的多张分段样本图。
实施例四
请参阅图9，是本申请实施例提供的物品识别方法的流程图。下面将对图9所示的具体流程进行详细阐述。
步骤401，将待识别物品图像按照设定划分规则进行分段处理，以得到所述待识别物品图像的多张分段识别图片。
可选地，步骤401中对待识别物品图像的分段处理方式与实施例二中的步骤201对物品样本图片集中的所有物品图片的分段处理方式相似。因此，本实施例中的关于对待识别物品图像的分段处理方式可以参考实施例二中的关于物品样本图片集中的所有物品图片分段处理的相关描述，在此不再赘述。
步骤402，将所述多张分段识别图片输入目标物品识别模型进行识别，得到识别结果。
可选地，目标物品识别模型可以是实施例二提供的方法中训练得到的模型。
本申请实施例提供的物品识别方法，采用在识别前，先将待识别物品图像划分成多张分段识别图片，从而基于多张分段识别图片识别得到识别结果。本实例中的目标物品识别模型不局限于对某一尺寸的物品或某一型号的物品的识别，可以使目标物品识别模型识别范围更加广。
实施例五
基于同一申请构思，本申请实施例中还提供了与物品识别方法对应的物品识别装置，由于本申请实施例中的装置解决问题的原理与上述物品识别方法实施例相似，因此本实施例中的装置的实施可以参见上述方法的实施例中的描述，重复之处不再赘述。
请参阅图10，是本申请实施例提供的物品识别装置的功能模块示意图。本实施例中的物品识别装置中的各个模块用于执行上述方法实施例中的各个步骤。物品识别装置包括：第二处理模块501及识别模块502；其中，
第二处理模块501，用于将待识别物品图像按照设定划分规则进行分段处理，以得到所述待识别物品图像的多张分段识别图片；
识别模块502，用于将所述多张分段识别图片输入实施例二提供的方法中训练得到的目标物品识别模型进行识别，得到识别结果。
此外，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的物品识别模型训练方法或物品识别方法的步骤。
本申请实施例所提供的物品识别模型训练方法或物品识别方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行上述方法实施例中所述的物品识别模型训练方法或物品识别方法的步骤，具体可参见上述方法实施例，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、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，所述模块、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方式中，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，两个连续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动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。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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，本申请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)执行本申请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。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (11)

1.一种物品识别模型训练方法，其特征在于，包括：
将物品样本图片集中的所有物品图片按照设定划分规则进行分段处理，以得到每张物品图片的多张分段样本图，包括：
确定所述物品样本图片集中的每张物品图片中的物品的目标物品型号；
按照每张物品图片中的物品的目标物品型号对应的设定划分规则，对每张物品图片进行分段处理，以得到每张物品图片的多张分段样本图，其中，所述目标物品型号对应的设定划分规则按照以下方式确定：针对所述目标物品型号的物品图片集中的物品图片，将物品图片按照所述目标物品型号的划分宽度、当前划分段数进行划分，以得到多张划分图片；将所述多张划分图片输入所述目标物品型号对应的指定识别模型进行识别，以确定当前划分段数对应的准确率；当所述当前划分段数对应的准确率小于第一设定值时，对所述当前划分段数进行更新；当所述当前划分段数对应的准确率大于第一设定值时，将所述准确率大于设定值时的当前划分段数作为目标划分段数；所述目标物品型号的设定划分规则为按照所述目标划分段数及目标物品型号的划分宽度将所述目标物品型号的物品图片划分成多张图片；
将每张物品图片的多张分段样本图输入待训练模型进行训练，以得到目标物品识别模型。
2.根据权利要求1所述的方法，其特征在于，在所述针对所述目标物品型号的物品图片集中的物品图片，将物品图片按照所述目标物品型号的划分宽度、当前划分段数进行划分，以得到多张划分图片的步骤之前，所述方法还包括：
将所述物品图片集输入所述指定识别模型进行识别，以确定出所述物品图片集中的各个物品图片的物品缺陷宽度分布；
根据所述物品缺陷宽度分布确定所述目标物品型号的划分宽度。
3.根据权利要求1所述的方法，其特征在于，在所述针对所述目标物品型号的物品图片集中的物品图片，将物品图片按照所述目标物品型号的划分宽度、当前划分段数进行划分，以得到多张划分图片的步骤之前，所述方法还包括：
获取目标物品型号的标记物品图片集，所述标记物品图片集中的每张图片携带至少一个缺陷标记，所述缺陷标记包括缺陷宽度；
根据所述标记物品图片集确定出所述标记物品图片集的物品缺陷宽度分布；
根据所述物品缺陷宽度分布确定出所述目标物品型号的划分宽度。
4.根据权利要求1所述的方法，其特征在于，所述目标物品型号对应的设定划分规则还包括按照以下方式确定：
针对所述目标物品型号的物品图片集中的物品图片，将物品图片按照所述目标物品型号的划分宽度、当前划分段数、当前重叠率进行划分，以得到多张划分图片；
将所述多张划分图片输入所述目标物品型号的指定识别模型进行识别，以确定当前划分段数对应的准确率；
当所述当前划分段数对应的准确率小于第二设定值时，对所述当前划分段数和所述当前重叠率进行更新；
当所述当前划分段数对应的准确率大于第二设定值，且所述当前重叠率在设定范围内时，并将所述准确率大于设定值时的当前划分段数作为目标划分段数，以及将所述准确率大于设定值时的当前重叠率作为目标重叠率；所述目标物品型号的设定划分规则为按照所述目标划分段数、目标重叠率及目标物品型号的划分宽度将所述目标物品型号的物品图片划分成多张划分图片。
5.根据权利要求4所述的方法，其特征在于，所述将物品图片按照所述目标物品型号的划分宽度、当前划分段数、当前重叠率进行划分，以得到多张划分图片，包括：
沿着所述物品图片长度方向依次获取宽度为所述目标物品型号的划分宽度、数量为当前划分段数的多张划分图片，其中，相邻两张划分图片的重叠区域的图像面积相对于划分图片的占比为当前重叠率。
6.根据权利要求1所述的方法，其特征在于，所述将物品样本图片集中的所有物品图片按照设定划分规则进行分段处理，以得到每张物品图片的多张分段样本图的步骤，还包括：
确定所述物品样本图片集中的每张物品图片中的物品的目标物品尺寸；
按照每张物品图片中的物品的目标物品尺寸对应的设定划分规则，对每张物品图片进行分段处理，以得到每张物品图片的多张分段样本图。
7.一种物品识别方法，其特征在于，包括：
将待识别物品图像按照设定划分规则进行分段处理，以得到所述待识别物品图像的多张分段识别图片；
将所述多张分段识别图片输入权利要求1-6任意一项所述的方法中训练得到的目标物品识别模型进行识别，得到识别结果。
8.一种物品识别模型训练装置，其特征在于，包括：
第一处理模块，用于确定物品样本图片集中的每张物品图片中的物品的目标物品型号；按照每张物品图片中的物品的目标物品型号对应的设定划分规则，对每张物品图片进行分段处理，以得到每张物品图片的多张分段样本图；
第一确定模块，用于确定目标物品型号对应的设定划分规则，所述第一确定模块包括：
第一划分单元，用于针对所述目标物品型号的物品图片集中的物品图片，将物品图片按照所述目标物品型号的划分宽度、当前划分段数进行划分，以得到多张划分图片；
第一识别单元，用于将所述多张划分图片输入所述目标物品型号对应的指定识别模型进行识别，以确定当前划分段数对应的准确率；
第一更新单元，用于当所述当前划分段数对应的准确率小于第一设定值时，对所述当前划分段数进行更新；
第一作为单元，用于当所述当前划分段数对应的准确率大于第一设定值时，将所述准确率大于设定值时的当前划分段数作为目标划分段数；所述目标物品型号的设定划分规则为按照所述目标划分段数及目标物品型号的划分宽度将所述目标物品型号的物品图片划分成多张图片；
训练模块，用于将所有物品图片的多张分段样本图输入待训练模型进行训练，以得到目标物品识别模型。
9.一种物品识别装置，其特征在于，包括：
第二处理模块，用于将待识别物品图像按照设定划分规则进行分段处理，以得到所述待识别物品图像的多张分段识别图片；
识别模块，用于将所述多张分段识别图片输入权利要求1-6任意一项所述的方法中训练得到的目标物品识别模型进行识别，得到识别结果。
10.一种电子设备，其特征在于，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的方法的步骤。
11.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的方法的步骤。
CN201911050320.7A 2019-10-30 2019-10-30 物品识别模型训练方法、物品识别方法、装置及电子设备 Active CN110781973B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911050320.7A CN110781973B (zh) 2019-10-30 2019-10-30 物品识别模型训练方法、物品识别方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911050320.7A CN110781973B (zh) 2019-10-30 2019-10-30 物品识别模型训练方法、物品识别方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN110781973A CN110781973A (zh) 2020-02-11
CN110781973B true CN110781973B (zh) 2021-05-11

Family

ID=69388124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911050320.7A Active CN110781973B (zh) 2019-10-30 2019-10-30 物品识别模型训练方法、物品识别方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN110781973B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214443A (zh) * 2018-08-24 2019-01-15 北京第视频科学技术研究院有限公司 车牌识别模型训练方法、车牌识别方法、装置及设备
CN110033027A (zh) * 2019-03-15 2019-07-19 深兰科技（上海）有限公司 一种物品识别方法、装置、终端及可读存储介质
CN110162649A (zh) * 2019-05-24 2019-08-23 北京百度网讯科技有限公司 样本数据获取方法、获取系统、服务器和计算机可读介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214443A (zh) * 2018-08-24 2019-01-15 北京第视频科学技术研究院有限公司 车牌识别模型训练方法、车牌识别方法、装置及设备
CN110033027A (zh) * 2019-03-15 2019-07-19 深兰科技（上海）有限公司 一种物品识别方法、装置、终端及可读存储介质
CN110162649A (zh) * 2019-05-24 2019-08-23 北京百度网讯科技有限公司 样本数据获取方法、获取系统、服务器和计算机可读介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于改进Mask RCNN和Kniect的服务机器人物品识别系统;石杰 等;《仪器仪表学报》;20190430;第40卷(第4期);第216-228页 *

Also Published As

Publication number Publication date
CN110781973A (zh) 2020-02-11

Similar Documents

Publication Publication Date Title
CN108256568B (zh) 一种植物种类识别方法以及装置
US10489687B2 (en) Classification method, classification module and computer program product using the same
CN108399386A (zh) 饼图中的信息提取方法及装置
CN109597937B (zh) 网络课程推荐方法及装置
CN110298858B (zh) 一种图像裁剪方法及装置
CN111340054A (zh) 数据标注方法、装置及数据处理设备
CN109165657A (zh) 一种基于改进sift的图像特征检测方法及装置
CN108334805A (zh) 检测文档阅读顺序的方法和装置
Li et al. Automatic comic page segmentation based on polygon detection
WO2023029491A1 (zh) 面板阵列短路检测方法、装置、电子设备及存储介质
CN112149737A (zh) 选择模型训练方法、模型选择方法、装置及电子设备
CN113723467A (zh) 用于缺陷检测的样本收集方法、装置和设备
CN107071553B (zh) 一种修改视频语音的方法、装置和计算机可读存储介质
CN108875901B (zh) 神经网络训练方法以及通用物体检测方法、装置和系统
CN112329810B (zh) 一种基于显著性检测的图像识别模型训练方法及装置
CN113515653A (zh) 基于历史数据的模型推荐方法、装置、设备及存储介质
CN113591881A (zh) 基于模型融合的意图识别方法、装置、电子设备及介质
CN110781973B (zh) 物品识别模型训练方法、物品识别方法、装置及电子设备
CN110766938B (zh) 路网拓扑结构的构建方法、装置、计算机设备及存储介质
CN107704150A (zh) 一种应用程序图标的排列方法及设备
CN109753974B (zh) 物体旋转角度的检测方法、装置及电子设备
CN111046786A (zh) 年龄估计神经网络的生成方法、装置以及电子设备
CN112633512A (zh) 基于神经网络的数据处理装置、方法及可读存储介质
CN107403199B (zh) 数据处理方法和装置
CN116152816A (zh) 封闭区域的识别方法、装置、电子设备和存储介质

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
GR01 Patent grant
GR01 Patent grant