CN111144244A - 家具木材类别识别方法及装置 - Google Patents
家具木材类别识别方法及装置 Download PDFInfo
- Publication number
- CN111144244A CN111144244A CN201911283983.3A CN201911283983A CN111144244A CN 111144244 A CN111144244 A CN 111144244A CN 201911283983 A CN201911283983 A CN 201911283983A CN 111144244 A CN111144244 A CN 111144244A
- Authority
- CN
- China
- Prior art keywords
- wood
- image
- global
- category
- feature map
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种家具木材类别识别方法及装置,该方法包括:获取第一木材图像,采用全局信息模型对第一木材图像进行处理,获得全局特征图和全局信息预测结果,第一木材图像为待识别的家具木材图像;根据全局特征图和所述第一木材图像获得第二木材图像,采用局部信息模型对所述第二木材图像进行处理,获得局部信息预测结果;根据所述全局信息预测结果和所述局部信息预测结果确定木材类别。本发明实施例提供的一种家具木材类别识别方法及装置,通过在全局特征图提取后,根据全局特征图得到原始图像的局部显著性区域,然后对全局图像和局部区域进行识别得到全局和局部的预测结果,从而确定木材类别,实现对木材类别更为精确的预测。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种家具木材类别识别方法及装置。
背景技术
大多数在家具市场或者古玩市场购买家具的用户因为不具有专业的鉴别家具材质的能力,所以极有可能被销售蒙骗。而要学习各种材质家具的鉴定又需要花费大量的时间和精力。
由于信息处理的智能化发展,若是能够通过软件对一张家具局部的照片进行分析,识别出家具制造所用木材为何种木材会方便用户购买心仪的家具。
发明内容
针对现有技术存在的问题,本发明实施例提供一种家具木材类别识别方法及装置。
第一方面,本发明实施例提供一种家具木材类别识别方法,包括:
获取第一木材图像,采用全局信息模型对所述第一木材图像进行处理,获得全局特征图和全局信息预测结果,所述第一木材图像为待识别的家具木材图像;
根据所述全局特征图和所述第一木材图像获得第二木材图像,采用局部信息模型对所述第二木材图像进行处理,获得局部信息预测结果;
根据所述全局信息预测结果和所述局部信息预测结果确定木材类别;
其中,所述全局信息模型是采用木材样本全局图像数据和对应木材类别数据训练卷积神经网络得到;所述局部信息模型是采用木材样本局部图像数据和对应木材类别数据训练卷积神经网络得到。
进一步地,所述根据所述全局特征图和所述第一木材图像获得第二木材图像,包括:
对所述全局特征图进行通道维度加和处理,获得加和后的全局特征图;
从加和后的全局特征图的各区域对应的激励值中确定最大激励值对应的第一目标区域;
对所述第一木材图像划分成多个区域,其区域个数与加和后的全局特征图的区域个数相同;
从划分得到的多个区域中确定与所述第一目标区域对应的第二目标区域;
在所述第一木材图中以所述第二目标区域的中心位置为中心,采集第一像素范围的第一正方形图像,该第一正方形图像作为第二木材图像。
进一步地,在采用全局信息模型对所述第一木材图像进行处理之前,还包括:
对所述第一木材图像采用短边长度进行裁剪采集获得第二正方形图像,对所述第二正方形图像采用第一像素范围进行缩放处理获得第三正方形图像,该第三正方形图像用于被全局信息模型进行处理获得全局特征图和全局信息预测结果。
进一步地,所述根据所述全局信息预测结果和所述局部信息预测结果确定所述第一木材图像对应的木材类别,包括:
根据全局信息预测结果确定所述第一木材图像在预存的各木材类别上的第一预估值;
根据局部信息预测结果确定所述第二木材图像在预存的各木材类别上的第二预估值;
根据第一预估值和第二预估值进行加权处理,获得各木材类别的第三预估值;
根据第三预估值和预存的预估值范围与木材类别的对应关系确定木材类别。
第二方面,本发明实施例提供一种家具木材类别识别装置,包括:
第一识别模块,用于获取第一木材图像,采用全局信息模型对所述第一木材图像进行处理,获得全局特征图和全局信息预测结果,所述第一木材图像为待识别的家具木材图像;
第二识别模块,用于根据所述全局特征图和所述第一木材图像获得第二木材图像,采用局部信息模型对所述第二木材图像进行处理,获得局部信息预测结果;
确定模块,用于根据所述全局信息预测结果和所述局部信息预测结果确定木材类别;
其中,所述全局信息模型是采用木材样本全局图像数据和对应木材类别数据训练卷积神经网络得到;所述局部信息模型是采用木材样本局部图像数据和对应木材类别数据训练卷积神经网络得到。
进一步地,所述第二识别模块在根据所述全局特征图和所述第一木材图像获得第二木材图像的过程中,具体用于:
对所述全局特征图进行通道维度加和处理,获得加和后的全局特征图;
从加和后的全局特征图的各区域对应的激励值中确定最大激励值对应的第一目标区域;
对所述第一木材图像划分成多个区域,其区域个数与加和后的全局特征图的区域个数相同;
从划分得到的多个区域中确定与所述第一目标区域对应的第二目标区域;
在所述第一木材图中以所述第二目标区域的中心位置为中心,采集第一像素范围的第一正方形图像,该第一正方形图像作为第二木材图像。
进一步地,还包括第三处理模块,用于对所述第一木材图像采用短边长度进行裁剪采集获得第二正方形图像,对所述第二正方形图像采用第一像素范围进行缩放处理获得第三正方形图像,该第三正方形图像用于被全局信息模型进行处理获得全局特征图和全局信息预测结果。
进一步地,所述确定模块,具体用于:
根据全局信息预测结果确定所述第一木材图像在预存的各木材类别上的第一预估值;
根据局部信息预测结果确定所述第二木材图像在预存的各木材类别上的第二预估值;
根据第一预估值和第二预估值进行加权处理,获得各木材类别的第三预估值;
根据第三预估值和预存的预估值范围与木材类别的对应关系确定木材类别。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述家具木材类别识别方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述家具木材类别识别方法的步骤。
本发明实施例提供的一种家具木材类别识别方法及装置,通过在全局特征图提取后,根据全局特征图得到原始图像的局部显著性区域,然后对全局图像和局部区域进行识别得到全局和局部的预测结果,从而确定木材类别,实现对木材类别更为精确的预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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的附图。
图1为本发明家具木材类别识别方法实施例流程示意图;
图2为本发明家具木材类别识别装置实施例结构示意图;
图3为本发明电子设备实施例结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
大多数在家具市场或者古玩市场购买家具的用户因为不具有专业的鉴别家具材质的能力,所以极有可能被销售蒙骗。而要学习各种材质家具的鉴定又需要花费大量的时间和精力。
由于信息处理的智能化发展,若是能够通过软件对一张家具局部的照片进行分析,识别出家具制造所用木材为何种木材会方便用户购买心仪的家具。
为此,图1示出了本发明一实施例提供的一种家具木材类别识别方法的流程示意图,参见图1,该方法包括:
S11、获取第一木材图像,采用全局信息模型对所述第一木材图像进行处理,获得全局特征图和全局信息预测结果,所述第一木材图像为待识别的家具木材图像;
S12、根据所述全局特征图和所述第一木材图像获得第二木材图像,采用局部信息模型对所述第二木材图像进行处理,获得局部信息预测结果;
S13、根据所述全局信息预测结果和所述局部信息预测结果确定所述第一木材图像对应的木材类别;
其中,所述全局信息模型是采用木材样本全局图像数据和对应木材类别数据训练卷积神经网络得到;所述局部信息模型是采用木材样本局部图像数据和对应木材类别数据训练卷积神经网络得到。
针对步骤S11,需要说明的是,在本发明实施例中,该家具木材类别识别方法可由服务器端执行,也可由移动终端执行。
当服务器端执行时,可由移动终端对待识别类别的家具进行拍照,获得待识别的家具木材图像(即本实施例提及的第一木材图像)。移动终端将采集到的第一木材图像发送到服务器端,由服务器端进行木材类别识别处理。
当移动终端执行时,由移动终端对待识别类别的家具进行拍照,获得待识别的家具木材图像(即本实施例提及的第一木材图像)。移动终端直接对采集到的第一木材图像进行木材类别识别处理。
无论是服务器端执行该方法,还是移动终端执行该方法,对木材图像的分析过程相同。
在本实施例中,当获取到第一木材图像后,采用全局信息模型对第一木材图像进行处理,获得全局特征图和全局信息预测结果。
该全局信息模型为采用木材样本全局图像数据和对应木材类别数据训练卷积神经网络得到。具体为:
将事先采集的标注有木材类别的各种家具的样本图像按照图像的短边长度随机裁剪成正方形图像,然后进行缩放到224×224的像素范围作为卷积神经网络模型的输入数据,然后用梯度下降法对模型进行优化,完成训练得到全局信息模型。
在这里,需要说明的是,一般情况下移动终端拍摄的像素大小较大(如1600x1200、5312x2988),因此,样本图像需要进行缩放,使像素大小降低,减少计算量。
在本实施例中,全局信息模型对第一木材图像的分析处理,通常包括特征提取(即生成特征图)、特征全局池化及全局分类处理,最终得到全局信息预测结果。该预测结果包括第一木材图像在预存的各木材类别上的预估值。为此,在本实施例中提及全局特征图为全局池化之前的特征图。
由上述对全局信息模型的获取方式可以得知,采集到的第一木材图像的像素大小也可缩放到第一像素范围内(如224×224)。
为此,对第一木材图像采用短边长度进行裁剪采集获得正方形图像(为了便于整个方法的描述,此处获得的正方形图像为第二正方形图像),对第二正方形图像采用第一像素范围(如224×224)进行缩放处理获得正方形图像(为了便于整个方法的描述,此处获得的正方形图像为第三正方形图像),该第三正方形图像用于被全局信息模型进行处理获得全局特征图和全局信息预测结果。
针对步骤S12,需要说明的是,在本发明实施例中,由于家具木材的全局图像的清晰程度、像素分辨程度,可能会存在根据全局信息预测结果得出的木材类别不准确的情况。因此,需要对局部图像进行再次分析,在实施例中,根据全局特征图和第一木材图像获得第二木材图像,该第二木材图像为对家具木材的局部图像。然后采用局部信息模型对第二木材图像进行处理,获得局部信息预测结果。
该局部信息模型为采用木材样本局部图像数据和对应木材类别数据训练卷积神经网络得到。具体为:
为了保证局部图像的比例以及图像粒度,在训练局部信息模型时无需对样本图像进行缩放,直接在事先采集的样本图像上随机裁剪224×224像素大小的图像块作为卷积神经网络模型的输入数据,然后用梯度下降法对模型进行优化,完成训练得到局部信息模型。
在本实施例中,局部信息模型对第一木材图像的分析处理,通常包括特征提取(即生成特征图)、特征池化及分类处理,最终得到局部信息预测结果。该预测结果包括第二木材图像在预存的各木材类别上的预估值。
在上述实施例方法的进一步实施例中,主要是对第二木材图像的获取进行解释说明,具体为:
对全局特征图进行通道维度加和处理,获得加和后的全局特征图;
从加和后的全局特征图的各区域对应的激励值中确定最大激励值对应的第一目标区域;
对第一木材图像划分成多个区域,其区域个数与加和后的全局特征图的区域个数相同;
从划分得到的多个区域中确定与第一目标区域对应的第二目标区域;
在第一木材图中以所述第二目标区域的中心位置为中心,采集第一像素范围的第一正方形图像,该第一正方形图像作为第二木材图像。
对此,需要说明的是,若原始图像(即第一木材图像)为224×224×3,3为RGB通道,经模型特征分析处理后得到的全局特征图为7×7×2048(根据不同的像素设定以及不同的卷积神经网络选择得到不同的数据),2048为通道维度数。由于无法直接对高维数据做大小比较,故需要对全局特征图进行通道维度加和处理,获得维度为1的全局特征图。例如由7×7×2048的全局特征图进行通道维度加和处理,获得加和后的全局特征图为7×7×1。
在本发明实施例中,经模型特征处理后的全局特征图由多个区域构成,每个区域对应不同的激励值。从多个激励值中确定最大激励值对应的区域,即第一目标区域。
对第一木材图像划分成多个区域,其区域个数与加和后的全局特征图的区域个数相同。
从划分得到的多个区域中确定与第一目标区域对应的区域,即第二目标区域。
以第二目标区域的中心位置为中心,在第一木材图像中采集第一像素范围(如224×224)的正方形图像(为了便于整个方法的描述,此处获得的正方形图像为第二正方形图像),该第一正方形图像作为第二木材图像。
通过确定采集第二木材图像的采集中心位置,使得采集的第二木材图像更接近木材的实际图像,凸显图像的显著性,有利于识别类别的精确度。
在上述实施例方法的进一步实施例中,主要是对木材类别的确定进行解释说明,具体为:
根据全局信息预测结果确定所述第一木材图像在预存的各木材类别上的第一预估值;
根据局部信息预测结果确定所述第一木材图像在预存的各木材类别上的第二预估值;
根据第一预估值和第二预估值进行加权处理,获得所述第一木材图像在预存的各木材类别的第三预估值;
根据第三预估值和预存的预估值范围与木材类别的对应关系确定所述第一木材图像对应的木材类别。
本发明实施例提供的一种家具木材类别识别方法,通过在全局特征图提取后,根据全局特征图得到原始图像的局部显著性区域,然后对全局图像和局部区域进行识别得到全局和局部的预测结果,从而确定木材类别,实现对木材类别更为精确的预测。
图2示出了本发明一实施例提供的一种家具木材类别识别装置的结构示意图,参见图2,该装置包括第一识别模块21、第二识别模块22和确定模块23,其中:
第一识别模块21,用于获取第一木材图像,采用全局信息模型对所述第一木材图像进行处理,获得全局特征图和全局信息预测结果,所述第一木材图像为待识别的家具木材图像;
第二识别模块22,用于根据所述全局特征图和所述第一木材图像获得第二木材图像,采用局部信息模型对所述第二木材图像进行处理,获得局部信息预测结果;
确定模块23,用于根据所述全局信息预测结果和所述局部信息预测结果确定木材类别。
在上述实施例装置的进一步实施例中,所述第二识别模块在根据所述全局特征图和所述第一木材图像获得第二木材图像的过程中,具体用于:
对所述全局特征图进行通道维度加和处理,获得加和后的全局特征图;
从加和后的全局特征图的各区域对应的激励值中确定最大激励值对应的第一目标区域;
对所述第一木材图像划分成多个区域,其区域个数与加和后的全局特征图的区域个数相同;
从划分得到的多个区域中确定与所述第一目标区域对应的第二目标区域;
在所述第一木材图中以所述第二目标区域的中心位置为中心,采集第一像素范围的第一正方形图像,该第一正方形图像作为第二木材图像。
在上述实施例装置的进一步实施例中,该装置还包括第三处理模块,用于对所述第一木材图像采用短边长度进行裁剪采集获得第二正方形图像,对所述第二正方形图像采用第一像素范围进行缩放处理获得第三正方形图像,该第三正方形图像用于被全局信息模型进行处理获得全局特征图和全局信息预测结果。
在上述实施例装置的进一步实施例中,所述确定模块,具体用于:
根据全局信息预测结果确定所述第一木材图像在预存的各木材类别上的第一预估值;
根据局部信息预测结果确定所述第二木材图像在预存的各木材类别上的第二预估值;
根据第一预估值和第二预估值进行加权处理,获得各木材类别的第三预估值;
根据第三预估值和预存的预估值范围与木材类别的对应关系确定木材类别。
由于本发明实施例所述装置与上述实施例所述方法的原理相同,对于更加详细的解释内容在此不再赘述。
需要说明的是,本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模块。
本发明实施例提供的一种家具木材类别识别装置,通过在全局特征图提取后,根据全局特征图得到原始图像的局部显著性区域,然后对全局图像和局部区域进行识别得到全局和局部的预测结果,从而确定木材类别,实现对木材类别更为精确的确定。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)31、通信接口(Communications Interface)32、存储器(memory)33和通信总线34,其中,处理器31,通信接口32,存储器33通过通信总线34完成相互间的通信。处理器31可以调用存储器33中的逻辑指令,以执行如下方法:获取第一木材图像,采用全局信息模型对所述第一木材图像进行处理,获得全局特征图和全局信息预测结果,所述第一木材图像为待识别的家具木材图像;根据所述全局特征图和所述第一木材图像获得第二木材图像,采用局部信息模型对所述第二木材图像进行处理,获得局部信息预测结果;根据所述全局信息预测结果和所述局部信息预测结果确定木材类别;其中,所述全局信息模型是采用木材样本全局图像数据和对应木材类别数据训练卷积神经网络得到;所述局部信息模型是采用木材样本局部图像数和对应木材类别数据据训练卷积神经网络得到。
此外,上述的存储器33中的逻辑指令可以通过软件功能单元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,本发明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,或者智能手机等)执行本发明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。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的方法,例如包括:获取第一木材图像,采用全局信息模型对所述第一木材图像进行处理,获得全局特征图和全局信息预测结果,所述第一木材图像为待识别的家具木材图像;根据所述全局特征图和所述第一木材图像获得第二木材图像,采用局部信息模型对所述第二木材图像进行处理,获得局部信息预测结果;根据所述全局信息预测结果和所述局部信息预测结果确定木材类别;其中,所述全局信息模型是采用木材样本全局图像数据和对应木材类别数据训练卷积神经网络得到;所述局部信息模型是采用木材样本局部图像数据和对应木材类别数据训练卷积神经网络得到。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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,或者智能手机等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种家具木材类别识别方法,其特征在于,包括:
获取第一木材图像,采用全局信息模型对所述第一木材图像进行处理,获得全局特征图和全局信息预测结果,所述第一木材图像为待识别的家具木材图像;
根据所述全局特征图和所述第一木材图像获得第二木材图像,采用局部信息模型对所述第二木材图像进行处理,获得局部信息预测结果;
根据所述全局信息预测结果和所述局部信息预测结果确定木材类别;
其中,所述全局信息模型是采用木材样本全局图像数据和对应木材类别数据训练卷积神经网络得到;所述局部信息模型是采用木材样本局部图像数据和对应木材类别数据训练卷积神经网络得到。
2.根据权利要求1所述的家具木材类别识别方法,其特征在于,所述根据所述全局特征图和所述第一木材图像获得第二木材图像,包括:
对所述全局特征图进行通道维度加和处理,获得加和后的全局特征图;
从加和后的全局特征图的各区域对应的激励值中确定最大激励值对应的第一目标区域;
对所述第一木材图像划分成多个区域,其区域个数与加和后的全局特征图的区域个数相同;
从划分得到的多个区域中确定与所述第一目标区域对应的第二目标区域;
在所述第一木材图中以所述第二目标区域的中心位置为中心,采集第一像素范围的第一正方形图像,该第一正方形图像作为第二木材图像。
3.根据权利要求1所述的家具木材类别识别方法,其特征在于,在采用全局信息模型对所述第一木材图像进行处理之前,还包括:
对所述第一木材图像采用短边长度进行裁剪采集获得第二正方形图像,对所述第二正方形图像采用第一像素范围进行缩放处理获得第三正方形图像,该第三正方形图像用于被全局信息模型进行处理获得全局特征图和全局信息预测结果。
4.根据权利要求1所述的家具木材类别识别方法,其特征在于,所述根据所述全局信息预测结果和所述局部信息预测结果确定所述第一木材图像对应的木材类别,包括:
根据全局信息预测结果确定所述第一木材图像在预存的各木材类别上的第一预估值;
根据局部信息预测结果确定所述第二木材图像在预存的各木材类别上的第二预估值;
根据第一预估值和第二预估值进行加权处理,获得各木材类别的第三预估值;
根据第三预估值和预存的预估值范围与木材类别的对应关系确定木材类别。
5.一种家具木材类别识别装置,其特征在于,包括:
第一识别模块,用于获取第一木材图像,采用全局信息模型对所述第一木材图像进行处理,获得全局特征图和全局信息预测结果,所述第一木材图像为待识别的家具木材图像;
第二识别模块,用于根据所述全局特征图和所述第一木材图像获得第二木材图像,采用局部信息模型对所述第二木材图像进行处理,获得局部信息预测结果;
确定模块,用于根据所述全局信息预测结果和所述局部信息预测结果确定木材类别;
其中,所述全局信息模型是采用木材样本全局图像数据和对应木材类别数据训练卷积神经网络得到;所述局部信息模型是采用木材样本局部图像数据和对应木材类别数据训练卷积神经网络得到。
6.根据权利要求5所述的家具木材类别识别装置,其特征在于,所述第二识别模块在根据所述全局特征图和所述第一木材图像获得第二木材图像的过程中,具体用于:
对所述全局特征图进行通道维度加和处理,获得加和后的全局特征图;
从加和后的全局特征图的各区域对应的激励值中确定最大激励值对应的第一目标区域;
对所述第一木材图像划分成多个区域,其区域个数与加和后的全局特征图的区域个数相同;
从划分得到的多个区域中确定与所述第一目标区域对应的第二目标区域;
在所述第一木材图中以所述第二目标区域的中心位置为中心,采集第一像素范围的第一正方形图像,该第一正方形图像作为第二木材图像。
7.根据权利要求5所述的家具木材类别识别装置,其特征在于,还包括第三处理模块,用于对所述第一木材图像采用短边长度进行裁剪采集获得第二正方形图像,对所述第二正方形图像采用第一像素范围进行缩放处理获得第三正方形图像,该第三正方形图像用于被全局信息模型进行处理获得全局特征图和全局信息预测结果。
8.根据权利要求5所述的家具木材类别识别装置,其特征在于,所述确定模块,具体用于:
根据全局信息预测结果确定所述第一木材图像在预存的各木材类别上的第一预估值;
根据局部信息预测结果确定所述第二木材图像在预存的各木材类别上的第二预估值;
根据第一预估值和第二预估值进行加权处理,获得各木材类别的第三预估值;
根据第三预估值和预存的预估值范围与木材类别的对应关系确定木材类别。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述家具木材类别识别方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至4任一项权利要求所述家具木材类别识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911283983.3A CN111144244B (zh) | 2019-12-13 | 2019-12-13 | 家具木材类别识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911283983.3A CN111144244B (zh) | 2019-12-13 | 2019-12-13 | 家具木材类别识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111144244A true CN111144244A (zh) | 2020-05-12 |
CN111144244B CN111144244B (zh) | 2023-07-11 |
Family
ID=70518165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911283983.3A Active CN111144244B (zh) | 2019-12-13 | 2019-12-13 | 家具木材类别识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144244B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011065814A1 (en) * | 2009-11-26 | 2011-06-03 | Universiti Teknologi Malaysia | Methods and system for recognizing wood species |
US8655070B1 (en) * | 2009-11-04 | 2014-02-18 | Google Inc. | Tree detection form aerial imagery |
CN105117730A (zh) * | 2015-06-10 | 2015-12-02 | 清华大学 | 基于高光谱数据的红木鉴别方法及系统 |
WO2017051191A2 (en) * | 2015-09-23 | 2017-03-30 | Pathxl Limited | Method and apparatus for tissue recognition |
CN108038433A (zh) * | 2017-12-01 | 2018-05-15 | 厦门大学 | 基于多回波机载激光扫描数据的城市树木碳含量估计方法 |
CN108304847A (zh) * | 2017-11-30 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 图像分类方法及装置、个性化推荐方法及装置 |
CN108447054A (zh) * | 2018-03-22 | 2018-08-24 | 北京木业邦科技有限公司 | 木材缺陷样本获取方法、装置、电子设备及存储介质 |
CN109063713A (zh) * | 2018-07-20 | 2018-12-21 | 中国林业科学研究院木材工业研究所 | 一种基于构造特征图像深度学习的木材鉴别方法和系统 |
CN109145955A (zh) * | 2018-07-26 | 2019-01-04 | 中国林业科学研究院木材工业研究所 | 一种木材识别方法及系统 |
CN109409428A (zh) * | 2018-10-25 | 2019-03-01 | 北京木业邦科技有限公司 | 木板识别及木板识别模型的训练方法、装置及电子设备 |
CN109784186A (zh) * | 2018-12-18 | 2019-05-21 | 深圳云天励飞技术有限公司 | 一种行人重识别方法、装置、电子设备及计算机可读存储介质 |
CN110084132A (zh) * | 2019-04-03 | 2019-08-02 | 杭州深数科技有限公司 | 基于无人机的木料货场木料信息获取方法、系统、装置 |
CN110334705A (zh) * | 2019-06-25 | 2019-10-15 | 华中科技大学 | 一种结合全局和局部信息的场景文本图像的语种识别方法 |
CN110363249A (zh) * | 2019-07-22 | 2019-10-22 | 西南林业大学 | 一种基于神经网络的红木种类识别方法 |
-
2019
- 2019-12-13 CN CN201911283983.3A patent/CN111144244B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8655070B1 (en) * | 2009-11-04 | 2014-02-18 | Google Inc. | Tree detection form aerial imagery |
WO2011065814A1 (en) * | 2009-11-26 | 2011-06-03 | Universiti Teknologi Malaysia | Methods and system for recognizing wood species |
CN105117730A (zh) * | 2015-06-10 | 2015-12-02 | 清华大学 | 基于高光谱数据的红木鉴别方法及系统 |
WO2017051191A2 (en) * | 2015-09-23 | 2017-03-30 | Pathxl Limited | Method and apparatus for tissue recognition |
CN108304847A (zh) * | 2017-11-30 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 图像分类方法及装置、个性化推荐方法及装置 |
CN108038433A (zh) * | 2017-12-01 | 2018-05-15 | 厦门大学 | 基于多回波机载激光扫描数据的城市树木碳含量估计方法 |
CN108447054A (zh) * | 2018-03-22 | 2018-08-24 | 北京木业邦科技有限公司 | 木材缺陷样本获取方法、装置、电子设备及存储介质 |
CN109063713A (zh) * | 2018-07-20 | 2018-12-21 | 中国林业科学研究院木材工业研究所 | 一种基于构造特征图像深度学习的木材鉴别方法和系统 |
CN109145955A (zh) * | 2018-07-26 | 2019-01-04 | 中国林业科学研究院木材工业研究所 | 一种木材识别方法及系统 |
CN109409428A (zh) * | 2018-10-25 | 2019-03-01 | 北京木业邦科技有限公司 | 木板识别及木板识别模型的训练方法、装置及电子设备 |
CN109784186A (zh) * | 2018-12-18 | 2019-05-21 | 深圳云天励飞技术有限公司 | 一种行人重识别方法、装置、电子设备及计算机可读存储介质 |
CN110084132A (zh) * | 2019-04-03 | 2019-08-02 | 杭州深数科技有限公司 | 基于无人机的木料货场木料信息获取方法、系统、装置 |
CN110334705A (zh) * | 2019-06-25 | 2019-10-15 | 华中科技大学 | 一种结合全局和局部信息的场景文本图像的语种识别方法 |
CN110363249A (zh) * | 2019-07-22 | 2019-10-22 | 西南林业大学 | 一种基于神经网络的红木种类识别方法 |
Non-Patent Citations (6)
Title |
---|
LOKE, KS等: "Texture Recognition Using a Novel Input Layer for Deep Convolutional Neural Network", 《2018 IEEE 3RD INTERNATIONAL CONFERENCE ON COMMUNICATION AND INFORMATION SYSTEMS 》 * |
崔明光等: "基于卷积神经网络的木材缺陷识别", 《长春工业大学学报》 * |
晁晓菲等: "基于多特征提取和选择的木材分类与识别", 《现代农业科技》 * |
汪杭军等: "木材识别方法研究综述", 浙江林学院学报 * |
王立新等: "基于深度学习的显著性区域的图像检索研究", 应用科技 * |
费本华等: "人工神经网络技术在木材科学中的应用", 《木材加工机械》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111144244B (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10534957B2 (en) | Eyeball movement analysis method and device, and storage medium | |
EP3028184B1 (en) | Method and system for searching images | |
CN107423613B (zh) | 依据相似度确定设备指纹的方法、装置及服务器 | |
CN110222598B (zh) | 一种视频行为识别方法、装置、存储介质和服务器 | |
CN108090511B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
CN111626371A (zh) | 一种图像分类方法、装置、设备及可读存储介质 | |
CN111935479B (zh) | 一种目标图像确定方法、装置、计算机设备及存储介质 | |
CN110991231B (zh) | 活体检测方法、装置、服务器和人脸识别设备 | |
CN110163218A (zh) | 基于图像识别的脱敏处理方法以及装置 | |
CN110751069A (zh) | 一种人脸活体检测方法及装置 | |
CN111027450A (zh) | 银行卡信息识别方法、装置、计算机设备及存储介质 | |
CN109815823B (zh) | 数据处理方法及相关产品 | |
CN111126254A (zh) | 图像识别方法、装置、设备及存储介质 | |
CN112307994A (zh) | 基于扫地机的障碍物识别方法、电子装置及存储介质 | |
CN113766308A (zh) | 视频封面推荐方法、装置、计算机设备和存储介质 | |
CN111144244B (zh) | 家具木材类别识别方法及装置 | |
CN111241930A (zh) | 一种用于人脸识别的方法及系统 | |
CN110781866A (zh) | 基于深度学习的大熊猫脸部图像性别识别方法及装置 | |
CN116258906A (zh) | 一种对象识别方法、特征提取模型的训练方法及装置 | |
CN114266643A (zh) | 基于融合算法的企业挖掘方法、装置、设备及存储介质 | |
CN113469135A (zh) | 对象身份信息的确定方法、装置、存储介质及电子装置 | |
CN109118274B (zh) | 任务点去噪分类方法、系统、终端设备及存储介质 | |
CN112835872A (zh) | 用于id打通的方法、装置及设备 | |
CN108154177B (zh) | 业务识别方法、装置、终端设备及存储介质 | |
CN111568195A (zh) | 冲泡饮物识别方法、设备及计算机可读存储介质 |
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 |