CN111507420A - 轮胎信息获取方法、装置、计算机设备和存储介质 - Google Patents
轮胎信息获取方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111507420A CN111507420A CN202010320862.8A CN202010320862A CN111507420A CN 111507420 A CN111507420 A CN 111507420A CN 202010320862 A CN202010320862 A CN 202010320862A CN 111507420 A CN111507420 A CN 111507420A
- Authority
- CN
- China
- Prior art keywords
- picture
- tire
- sub
- training
- detected
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
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
本申请涉及一种轮胎信息获取方法、装置、计算机设备和存储介质。所述方法包括:获取待识别轮胎图片中存在轮胎信息的待检测子图片;采用预设的分类模型对所述待检测子图片进行颠倒类别分类,得到所述待检测子图片的目标颠倒类别;其中,所述分类模型为采用多个携带不同颠倒类别标签的轮胎训练图片进行训练所得到的模型;若所述目标颠倒类别为颠倒,则将所述待检测子图片进行旋转得到旋转后的检测子图片;采用预设的识别模型对所述旋转后的检测子图片进行识别,得到所述轮胎信息。采用本方法能够提高轮胎信息的获取效率。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种轮胎信息获取方法、装置、计算机设备和存储介质。
背景技术
随着科学技术的发展,人们日常的工作和生活已经逐渐的实现了自动化。例如在车辆年审的时候,常常采用检测设备对车辆的轮胎的规格进行自动检查,来实现车辆的轮胎检测。
通常车辆年审过程中,是通过拍摄车辆的轮胎的图像,然后采用检测设备识别轮胎的图像中印制有轮胎规格的文本,从而得到轮胎的规格。这一过程中,由于不能保证每次车辆停止的位置刚好能够使得轮胎规格为正向,所以导致图片不能保证每次都被正常识别。传统的做法是,当图像中的文本识别失败的时候,则将图像进行旋转后再次重新识别。
然而,传统的将识别失败的图像旋转后重新识别的方式,导致部分图片需要识别两次,因此识别效率低。
发明内容
基于此,有必要针对上述技术问题,提供一种高效的轮胎信息获取方法、装置、计算机设备和存储介质。
一种轮胎信息获取方法,所述方法包括:
获取待识别轮胎图片中存在轮胎信息的待检测子图片;
采用预设的分类模型对所述待检测子图片进行颠倒类别分类,得到所述待检测子图片的目标颠倒类别;其中,所述分类模型为采用多个携带不同颠倒类别标签的轮胎训练图片进行训练所得到的模型;
若所述目标颠倒类别为颠倒,则将所述待检测子图片进行旋转得到旋转后的检测子图片;
采用预设的识别模型对所述旋转后的检测子图片进行识别,得到所述轮胎信息。
在其中一个实施例中,所述采用预设的分类模型对所述待检测子图片进行颠倒类别分类,得到所述待检测子图片的目标颠倒类别,包括:
获取所述待检测子图片的颠倒置信度和不颠倒置信度;
若所述颠倒置信度大于所述不颠倒置信度,则确定所述待检测子图片的目标颠倒类别为颠倒;
若所述颠倒置信度小于所述不颠倒置信度,则确定所述待检测子图片的目标颠倒类别为不颠倒。
在其中一个实施例中,所述分类模型的获取过程包括:
获取多个初始轮胎图片;其中,多个所述初始轮胎图片中包括针对轮胎在多种拍摄角度、多种光照强度所拍摄的图片,且多个所述初始轮胎图片为多种不同轮胎类型的图片;
采用预设的目标检测算法,对每个所述初始轮胎图片进行检测,得到每个初始轮胎图片对应的存在轮胎信息的轮胎训练图片;其中,所述轮胎训练图片携带颠倒类别标签;
将所述轮胎训练图片输入预设的初始分类模型进行训练,当所述初始分类模型输出的损失函数满足预设的收敛要求时,得到所述分类模型。
在其中一个实施例中,所述将所述轮胎训练图片输入预设的初始分类模型进行训练之前,还包括:
当所述轮胎训练图片的数量小于预设的训练图片数量阈值时,将所述轮胎训练图片旋转,得到旋转训练图片;
将所述轮胎训练图片的颠倒类别标签进行转换,作为所述轮胎训练图片对应的旋转训练图片的颠倒类别标签;
将携带颠倒类别标签的所述旋转训练图片作为新增的轮胎训练图片。
在其中一个实施例中,所述获取待识别轮胎图片中存在轮胎信息的待检测子图片,包括:
获取待识别轮胎图片;
采用预设的目标检测算法对所述待识别轮胎图片进行检测,得到存在轮胎信息的所述待检测子图片。
在其中一个实施例中,所述轮胎信息为表征轮胎规格的字符串,所述识别模型为文本识别模型;
所述采用预设的识别模型对所述旋转后的检测子图片进行识别,得到所述轮胎信息,包括:
采用所述文本识别模型对所述旋转后的检测子图片进行文本检测,得到表征轮胎规格的目标字符串。
在其中一个实施例中,所述方法还包括:
若所述目标颠倒类别为不颠倒,则采用所述识别模型对所述待检测子图片进行识别,得到所述轮胎信息。
一种轮胎信息获取装置,所述装置包括:
获取模块,用于获取待识别轮胎图片中存在轮胎信息的待检测子图片;
分类模块,用于采用预设的分类模型对所述待检测子图片进行颠倒类别分类,得到所述待检测子图片的目标颠倒类别;其中,所述分类模型为采用多个携带不同颠倒类别标签的轮胎训练图片进行训练所得到的模型;
处理模块,用于当所述目标颠倒类别为颠倒时,则将所述待检测子图片进行旋转得到旋转后的检测子图片,并采用预设的识别模型对所述旋转后的检测子图片进行识别,得到所述轮胎信息。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待识别轮胎图片中存在轮胎信息的待检测子图片;
采用预设的分类模型对所述待检测子图片进行颠倒类别分类,得到所述待检测子图片的目标颠倒类别;其中,所述分类模型为采用多个携带不同颠倒类别标签的轮胎训练图片进行训练所得到的模型;
若所述目标颠倒类别为颠倒,则将所述待检测子图片进行旋转得到旋转后的检测子图片;
采用预设的识别模型对所述旋转后的检测子图片进行识别,得到所述轮胎信息。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待识别轮胎图片中存在轮胎信息的待检测子图片;
采用预设的分类模型对所述待检测子图片进行颠倒类别分类,得到所述待检测子图片的目标颠倒类别;其中,所述分类模型为采用多个携带不同颠倒类别标签的轮胎训练图片进行训练所得到的模型;
若所述目标颠倒类别为颠倒,则将所述待检测子图片进行旋转得到旋转后的检测子图片;
采用预设的识别模型对所述旋转后的检测子图片进行识别,得到所述轮胎信息。
上述轮胎信息获取方法、装置、计算机设备和存储介质,计算机设备获取待识别轮胎图片中存在轮胎信息的待检测子图片,并采用预设的分类模型对待检测子图片进行颠倒类别分类,由于分类模型为采用多个携带不同颠倒类别标签的轮胎训练图片进行训练所得到的模型,因此能够得到待检测子图片的目标颠倒类别。此时,计算机设备在目标颠倒类别为颠倒的时候,首先将待检测子图片进行旋转得到旋转后的检测子图片,然后采用预设的识别模型对旋转后的检测子图片进行识别,得到轮胎信息。该方法中,由于采用分类模型对待检测子图片进行颠倒类别分类,且在待检测子图片颠倒的情况下,首先进行旋转得到不再颠倒的旋转后的检测子图片之后,再采用识别模型对不再颠倒的旋转后的检测子图片进行识别,因此能够顺利识别得到轮胎信息。该方法通过基于深度学习得到的分类模型首先对待检测子图片中的文本是否颠倒进行判断,如果颠倒,则将待检测子图片转正,得到旋转后的检测子图片后再进行识别,因此避免了对图片的反复识别导致的识别效率低的情况。同时,由于单次对待检测图片进行颠倒类别分类,即判断是否颠倒,相比轮胎信息的识别过程,运算量大大减少,且处理时间也大大缩短,耗时仅为轮胎信息的识别的百分之二十,在处理大量待识别轮胎图片的时候,能够极大的减少总体的运算量,节约计算机设备的开销,总的耗时也大大缩短,提高了轮胎信息的获取效率。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例中轮胎信息获取方法的流程示意图;
图3为另一个实施例中轮胎信息获取方法的流程示意图;
图4为又一个实施例中轮胎信息获取方法的流程示意图;
图5为又一个实施例中轮胎信息获取方法的流程示意图;
图6为又一个实施例中轮胎信息获取方法的流程示意图;
图7为一个实施例中轮胎信息获取装置的结构框图;
图8为另一个实施例中轮胎信息获取装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的轮胎信息获取方法,可以应用于如图1所示的计算机设备中,该计算机设备可以是服务器,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储分类模型。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种轮胎信息获取方法。可选地,该计算机设备可以是个人计算机(personal computer,简称PC),还可以是个人数字助理,还可以是其他的终端设备,例如平板电脑(portable android device,简称PAD)、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
需要说明的是,下述方法实施例的执行主体可以是轮胎信息获取装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为上述计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明。
在一个实施例中,如图2所示,提供了一种轮胎信息获取方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
S11、获取待识别轮胎图片中存在轮胎信息的待检测子图片。
需要说明的是,本申请实施例中的待识别轮胎图片为存在轮胎对象的图片,可以是摄像设备对轮胎进行拍摄得到的,也可以是读取存储器上存储的需要轮胎信息提取的图片,本实施例对此不做限定。上述待检测子图片可以是待识别轮胎图片中选取的印制有轮胎信息的子图片。
具体的,计算机设备可以接收人工输入的区域选取操作,从而得到印制有轮胎信息的子图片,也可以是采用检测算法检测待识别轮胎图片得到的印制有轮胎信息的子图片,本实施例对此也不做限定,只要是能够得到存在轮胎信息的待检测子图片即可。
S12、采用预设的分类模型对所述待检测子图片进行颠倒类别分类,得到所述待检测子图片的目标颠倒类别;其中,所述分类模型为采用多个携带不同颠倒类别标签的轮胎训练图片进行训练所得到的模型。
需要说明的是,上述分类模型可以是基于深度学习算法的神经网络模型,该分类模型是采用多个携带不同颠倒类别标签的轮胎训练图片进行训练所得到的模型。
具体的,计算机设备可以将上述待检测子图片输入预设的分类模型,该分类模型能够对待检测子图片进行处理,实现颠倒类别的分类,得到待检测子图片的目标颠倒类别。其中,颠倒类别可以包括颠倒和不颠倒。
S13A、若所述目标颠倒类别为颠倒,则将所述待检测子图片进行旋转得到旋转后的检测子图片。
具体的,如果待检测子图片的目标颠倒类别为颠倒,此时则认为由于图片颠倒会导致无法识别轮胎信息,计算机设备可以将待检测子图片进行旋转,可以是180度的旋转,从而得到旋转后的检测子图片,这时原本颠倒的待检测子图片则不再颠倒,能够被正常识别。
S14、采用预设的识别模型对所述旋转后的检测子图片进行识别,得到所述轮胎信息。
具体的,计算机设备采用预设的识别模型对上述可检测字图片进行识别,从而得到轮胎信息。其中,识别模型可以为基于深度学习算法的神经网络模型,也可以是机器学习模型,对此本实施例不做限定。可选地,上述识别模型可以是识别二维码的模型,也可以是识别文本的模型,当然也可以是其他识别不同对象的模型,不同类型的识别模型所得到的轮胎信息的数据类型也不同。当识别模型为识别二维码的模型时,可以得到表征轮胎信息的二维码,可选地,此时计算机设备可以基于该二维码获取对应的轮胎规格、轮胎使用年限、轮胎所有人的信息。当识别模型为识别文字的模型时,可以得到表征轮胎信息的文字,例如轮胎规格、轮胎名称、轮胎类型等信息。上述轮胎信息的内容仅为示例性的列举,本申请实施例对轮胎信息所包括的具体内容并不做限定。
本实施例中,计算机设备获取待识别轮胎图片中存在轮胎信息的待检测子图片,并采用预设的分类模型对待检测子图片进行颠倒类别分类,由于分类模型为采用多个携带不同颠倒类别标签的轮胎训练图片进行训练所得到的模型,因此能够得到待检测子图片的目标颠倒类别。此时,计算机设备在目标颠倒类别为颠倒的时候,首先将待检测子图片进行旋转得到旋转后的检测子图片,然后采用预设的识别模型对旋转后的检测子图片进行识别,得到轮胎信息。该方法中,由于采用分类模型对待检测子图片进行颠倒类别分类,且在待检测子图片颠倒的情况下,首先进行旋转得到不再颠倒的旋转后的检测子图片之后,再采用识别模型对不再颠倒的旋转后的检测子图片进行识别,因此能够顺利识别得到轮胎信息。该方法通过基于深度学习得到的分类模型首先对待检测子图片中的文本是否颠倒进行判断,如果颠倒,则将待检测子图片转正,得到旋转后的检测子图片后再进行识别,因此避免了对图片的反复识别导致的识别效率低的情况。同时,由于单次对待检测图片进行颠倒类别分类,即判断是否颠倒,相比轮胎信息的识别过程,运算量大大减少,且处理时间也大大缩短,耗时仅为轮胎信息的识别的百分之二十,在处理大量待识别轮胎图片的时候,能够极大的减少总体的运算量,节约计算机设备的开销,总的耗时也大大缩短,提高了轮胎信息的获取效率。
可选地,在上述实施例的基础上,还可以包括:S13B、若所述目标颠倒类别为不颠倒,则采用所述识别模型对所述待检测子图片进行识别,得到所述轮胎信息。具体的,如果待检测子图片的目标颠倒类别为不颠倒,此时则认为计算机设备能够正常识别轮胎信息,因此采用识别模型直接对待检测子图片进行识别,得到所述轮胎信息。本实施例中,计算机设备能够采用识别模型对目标颠倒类别为不颠倒的待检测子图片直接进行识别,得到轮胎信息,当存在大量的轮胎图片进行检测的时候,由于对待检测图片进行颠倒类别分类相比轮胎信息的识别过程,运算量大大减少,且处理时间也大大缩短,因此对于轮胎信息的获取效率的提升极为显著,计算机设备的开销节约更大。
可选地,在上述各个实施例的基础上,上述S12的一种可能的实现方式可以如图3所示,包括:
S121、获取所述待检测子图片的颠倒置信度和不颠倒置信度。
具体的,计算机设备可以对待检测子图片进行颠倒置信度和不颠倒置信度的获取,例如采用机器学习的算法获取待检测字图片为颠倒和不颠倒的概率,从而得到待检测子图片的颠倒置信度和不颠倒置信度。
S122A、若所述颠倒置信度大于所述不颠倒置信度,则确定所述待检测子图片的目标颠倒类别为颠倒。
S122B、若所述颠倒置信度小于所述不颠倒置信度,则确定所述待检测子图片的目标颠倒类别为不颠倒。
具体的,如果颠倒置信度大于不颠倒置信度,则确定上述待检测子图片颠倒的概率大于不颠倒的概率,因此确定所述待检测子图片的目标颠倒类别为颠倒;同样的,如果颠倒置信度小于不颠倒置信度,则确定上述待检测子图片颠倒的概率小于不颠倒的概率,因此确定所述待检测子图片的目标颠倒类别为不颠倒。
可选地,如果颠倒置信度等于不颠倒置信度,此时可以认为是误测,可以选择再次执行上述S121的步骤,直至得到目标颠倒类别,进一步提高识别率。可选地,如果重复执行上述S121的次数超过误测次数阈值,则可以确定该待检测子图片为不能正常识别颠倒类别的图像,可以放弃对该待检测子图片的处理,避免过多浪费处理资源在无效的图片处理上,可选地,还可以输出对应的提示信息以提示用户当前的状态,便于用户及时得知处理情况。可选地,如果颠倒置信度等于不颠倒置信度,还可以将上述待检测子图片旋转90度再次执行上述S121的步骤,能够实现更多方向的图片的识别,直至得到目标颠倒类别,因此适用的图片类型更为广泛;也可以在多次失败的情况下放弃处理,避免过多浪费处理资源在无效的图片处理上。
本实施例中,计算机设备通过获取待检测子图片的颠倒置信度和不颠倒置信度,通过颠倒置信度和不颠倒置信度的大小关系得到对应的目标颠倒类别的方式更为准确可靠,因而基于该准确的目标颠倒类别进行轮胎信息获取,进一步提高了轮胎信息的获取效率和准确率。
可选地,在上述各个实施例的基础上,上述分类模型的获取过程包括可以如图4所示,包括:
S21、获取多个初始轮胎图片;其中,多个所述初始轮胎图片中包括针对轮胎在多种拍摄角度、多种光照强度所拍摄的图片,且多个所述初始轮胎图片为多种不同轮胎类型的图片。
具体的,计算机设备可以从预设的图片库中获取多个初始轮胎图片,这多个初始轮胎图片可以包括在不同的光照强度、不同的拍摄角度下所拍摄的不同种类的轮胎的图片,初始轮胎图片的种类越丰富,则训练的分类模型鲁棒性更强。通常初始轮胎图片的数量需要的较多,例如可以是五万张,也可以是三万张,具体的数量可以是根据分类模型的训练速度和精度进行调整。如果需要精度高的分类模型,则可以増加初始轮胎图片的数量,如果需要更快的得到分类模型,则可以减少初始轮胎图片的数量。可选地,计算机设备还可以对上述初始轮胎图片进行预处理,例如归一化、去噪声等操作,还可以进行筛选,使得初始轮胎图片的后续处理更为方便有效,提高了分类模型训练效率和模型精度。
S22、采用预设的目标检测算法,对每个所述初始轮胎图片进行检测,得到每个初始轮胎图片对应的存在轮胎信息的轮胎训练图片;其中,所述轮胎训练图片携带颠倒类别标签。
具体的,计算机设备可以采用预设的目标检测算法,对每个初始轮胎图片进行检测,从而检测得到每个初始轮胎图片中存在轮胎信息的子区域,计算机设备将存在轮胎信息的子区域作为初始轮胎图片对应的轮胎训练图片。需要说明的是,轮胎训练图片携带颠倒类别标签,该颠倒类别标签可以表征对应的轮胎训练图片为颠倒或不颠倒。可选地,该颠倒类别标签可以是轮胎训练图片接收人工输入的标记操作生成的,也可以是获取的对应的初始轮胎图片本身携带的颠倒类别标签而得到的,对此本实施例不做限定。
可选地,本步骤S22之前,还可以包括判断轮胎训练图片的数量是否小于预设的训练图片数量阈值,其中,该训练图片数量阈值可以是人为根据模型的精度或者训练速度指定的,也可以是继承其他已有模型的,对此本实施例不做限定。通常,该训练图片数量阈值也可以设置为3万、5万或者其他数量。具体的,当所述轮胎训练图片的数量小于预设的训练图片数量阈值时,则认为可能会由于训练样本过少导致模型精度不足或者无法完成训练过程,此时计算机设备可以将已有的轮胎训练图片旋转,例如旋转180度,得到旋转训练图片。然后计算机设备将轮胎训练图片的颠倒类别标签进行转换,例如原本是颠倒的转换为不颠倒,原本是不颠倒的转换为颠倒,将转换后的颠倒类别标签作为对应的旋转训练图片的颠倒类别标签。最后计算机设备将携带颠倒类别标签的旋转训练图片作为新增的轮胎训练图片。可选地,可以根据需要选择对部分轮胎训练图片执行本实施例的操作,也可以是全部已有的轮胎训练图片执行该操作。当对全部已有的轮胎训练图片执行本实施例的操作时,样本数量扩充一倍,极大的丰富了训练样本,提高了分类模型的精度。本实施例中,通过对已有的轮胎训练图片旋转,并将已有的轮胎训练图片的颠倒类别标签转换后,得到新增的轮胎训练图片,从而大大扩大了训练样本的数量,提高了分类模型的精度。
S23、将所述轮胎训练图片输入预设的初始分类模型进行训练,当所述初始分类模型输出的损失函数满足预设的收敛要求时,得到所述分类模型。
需要说明的是,上述初始分类模型可以是深度学习网络模型,例如ResNet18,当然也可以是其他的深度学习网络模型。计算机设备可以从数据库直接下载上述初始分类模型,也可以是借用其他的神经网络模型作为初始分类模型,然后将上述轮胎训练图片输入初始分类模型进行迭代训练。每次迭代训练,初始分类模型输出的一次损失函数,计算机设备判断输出的损失函数是否满足预设的收敛要求,如果不满足,则调整初始分类模型的模型参数并重新迭代,直至损失函数满足收敛要求时结束训练,得到训练好的分类模型。
可选地,上述损失函数可以是中,y为样本携带的颠倒标签的真实值,为历次迭代时模型输出的颠倒类别的预测值。该损失函数能够准确的表征真实值和预测值之间的差异度,使得所训练的分类模型精度更高。可选地,预设的收敛要求可以为L的值限定为一个较小数,例如小于0.5。在实现过程中,可以通过设置收敛要求来调整分类模型的精度。当然上述损失函数还可以是其他的损失函数的类型,本实施例对此不做限定。
本实施例中,计算机设备获取多个初始轮胎图片,由于多个初始轮胎图片中包括针对轮胎在多种拍摄角度、多种光照强度所拍摄的图片,且多个初始轮胎图片为多种不同轮胎类型的图片,因此能够使得所训练的分类模型学习到更多不同的图片,增加了分类模型的鲁棒性。计算机设备采用预设的目标检测算法,对每个初始轮胎图片进行检测,得到每个初始轮胎图片对应的存在轮胎信息且携带颠倒类别标签的轮胎训练图片,可以去除部分无效的图片信息,将目标检测的对象集中在有效的图片区域中,通过将更小的轮胎训练图片输入预设的初始分类模型进行训练,极大的减少了数据处理量和由于图片信息量大导致的误测的概率,从而提高了分类模型的训练效率和提高了模型精度,因此能够进一步提高轮胎信息的获取效率和准确率。
可选地,在上述各个实施例的基础上,上述S11的一种可能的实现方式还可以如图5所示,包括:
S111、获取待识别轮胎图片。
S112、采用预设的目标检测算法对所述待识别轮胎图片进行检测,得到存在轮胎信息的所述待检测子图片。
本实施例中,计算机设备获取待识别轮胎图片,并采用预设的目标检测算法对所述待识别轮胎图片进行检测,得到存在轮胎信息的所述待检测子图片的实现原理和技术效果与图4所示的实施例类似,此处不再赘述。
可选地,在上述各个实施例的基础上,所述轮胎信息为表征轮胎规格的字符串,所述识别模型为文本识别模型;上述S14可以包括:采用所述文本识别模型对所述旋转后的检测子图片进行文本检测,得到表征轮胎规格的目标字符串。其中,文本识别模型能够对图片执行文本检测,从而获取文本信息。计算机设备通过文本识别模型对所述旋转后的检测子图片进行文本检测,得到表征轮胎规格的目标字符串,实现轮胎规格的字符串获取,提高了轮胎规格的获取效率和准确率。
为了更为清楚的对本申请实施例进行描述,此处以一个具体的实施例对本申请所描述的技术方案进行详细说明。一种轮胎规格的获取方法,如图6所示,包括:
S31、获取待识别轮胎图片。
S32、采用目标检测算法检测待识别轮胎图片,得到带有轮胎规格的文本区域。
S33、采用分类模型判断文本区域是否颠倒;若是,执行S34,若否,执行S35。
S34、将所述文本区域转正,之后执行S35。
S35、采用文本识别模型对文本区域进行识别,得到轮胎规格的字符串。
本实施例的实现原理和技术效果可以参见前述实施例的描述,此处不再赘述。
应该理解的是,虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-6中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种轮胎信息获取装置,包括:
获取模块100,用于获取待识别轮胎图片中存在轮胎信息的待检测子图片;
分类模块200,用于采用预设的分类模型对所述待检测子图片进行颠倒类别分类,得到所述待检测子图片的目标颠倒类别;其中,所述分类模型为采用多个携带不同颠倒类别标签的轮胎训练图片进行训练所得到的模型;
处理模块300,用于当所述目标颠倒类别为颠倒时,则将所述待检测子图片进行旋转得到旋转后的检测子图片,并采用预设的识别模型对所述旋转后的检测子图片进行识别,得到所述轮胎信息。
在一个实施例中,分类模块200,具体用于获取所述待检测子图片的颠倒置信度和不颠倒置信度;当所述颠倒置信度大于所述不颠倒置信度时,则确定所述待检测子图片的目标颠倒类别为颠倒;当所述颠倒置信度小于所述不颠倒置信度时,则确定所述待检测子图片的目标颠倒类别为不颠倒。
在一个实施例中,如图8所示,所述装置还包括:训练模块400,用于获取所述分类模型,所述分类模型的获取过程包括:获取多个初始轮胎图片;其中,多个所述初始轮胎图片中包括针对轮胎在多种拍摄角度、多种光照强度所拍摄的图片,且多个所述初始轮胎图片为多种不同轮胎类型的图片;采用预设的目标检测算法,对每个所述初始轮胎图片进行检测,得到每个初始轮胎图片对应的存在轮胎信息的轮胎训练图片;其中,所述轮胎训练图片携带颠倒类别标签;将所述轮胎训练图片输入预设的初始分类模型进行训练,当所述初始分类模型输出的损失函数满足预设的收敛要求时,得到所述分类模型。
在一个实施例中,训练模块400,还用于当所述轮胎训练图片的数量小于预设的训练图片数量阈值时,将所述轮胎训练图片旋转,得到旋转训练图片;将所述轮胎训练图片的颠倒类别标签进行转换,作为所述轮胎训练图片对应的旋转训练图片的颠倒类别标签;将携带颠倒类别标签的所述旋转训练图片作为新增的轮胎训练图片。
在一个实施例中,获取模块100,具体用于获取待识别轮胎图片;采用预设的目标检测算法对所述待识别轮胎图片进行检测,得到存在轮胎信息的所述待检测子图片。
在一个实施例中,所述轮胎信息为表征轮胎规格的字符串,所述识别模型为文本识别模型;处理模块300,具体用于采用所述文本识别模型对所述旋转后的检测子图片进行文本检测,得到表征轮胎规格的目标字符串。
在一个实施例中,处理模块300,还用于当所述目标颠倒类别为不颠倒时,则采用所述识别模型对所述待检测子图片进行识别,得到所述轮胎信息。
关于轮胎信息获取装置的具体限定可以参见上文中对于轮胎信息获取方法的限定,在此不再赘述。上述轮胎信息获取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储分类模型或识别模型。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种轮胎信息获取方法。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待识别轮胎图片中存在轮胎信息的待检测子图片;
采用预设的分类模型对所述待检测子图片进行颠倒类别分类,得到所述待检测子图片的目标颠倒类别;其中,所述分类模型为采用多个携带不同颠倒类别标签的轮胎训练图片进行训练所得到的模型;
若所述目标颠倒类别为颠倒,则将所述待检测子图片进行旋转得到旋转后的检测子图片;
采用预设的识别模型对所述旋转后的检测子图片进行识别,得到所述轮胎信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取所述待检测子图片的颠倒置信度和不颠倒置信度;
若所述颠倒置信度大于所述不颠倒置信度,则确定所述待检测子图片的目标颠倒类别为颠倒;
若所述颠倒置信度小于所述不颠倒置信度,则确定所述待检测子图片的目标颠倒类别为不颠倒。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取多个初始轮胎图片;其中,多个所述初始轮胎图片中包括针对轮胎在多种拍摄角度、多种光照强度所拍摄的图片,且多个所述初始轮胎图片为多种不同轮胎类型的图片;
采用预设的目标检测算法,对每个所述初始轮胎图片进行检测,得到每个初始轮胎图片对应的存在轮胎信息的轮胎训练图片;其中,所述轮胎训练图片携带颠倒类别标签;
将所述轮胎训练图片输入预设的初始分类模型进行训练,当所述初始分类模型输出的损失函数满足预设的收敛要求时,得到所述分类模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当所述轮胎训练图片的数量小于预设的训练图片数量阈值时,将所述轮胎训练图片旋转,得到旋转训练图片;
将所述轮胎训练图片的颠倒类别标签进行转换,作为所述轮胎训练图片对应的旋转训练图片的颠倒类别标签;
将携带颠倒类别标签的所述旋转训练图片作为新增的轮胎训练图片。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取待识别轮胎图片;
采用预设的目标检测算法对所述待识别轮胎图片进行检测,得到存在轮胎信息的所述待检测子图片。
在一个实施例中,所述轮胎信息为表征轮胎规格的字符串,所述识别模型为文本识别模型;处理器执行计算机程序时还实现以下步骤:
采用所述文本识别模型对所述旋转后的检测子图片进行文本检测,得到表征轮胎规格的目标字符串。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若所述目标颠倒类别为不颠倒,则采用所述识别模型对所述待检测子图片进行识别,得到所述轮胎信息。在一个实施例中,处理器执行计算机程序时还实现以下步骤:
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待识别轮胎图片中存在轮胎信息的待检测子图片;
采用预设的分类模型对所述待检测子图片进行颠倒类别分类,得到所述待检测子图片的目标颠倒类别;其中,所述分类模型为采用多个携带不同颠倒类别标签的轮胎训练图片进行训练所得到的模型;
若所述目标颠倒类别为颠倒,则将所述待检测子图片进行旋转得到旋转后的检测子图片;
采用预设的识别模型对所述旋转后的检测子图片进行识别,得到所述轮胎信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取所述待检测子图片的颠倒置信度和不颠倒置信度;
若所述颠倒置信度大于所述不颠倒置信度,则确定所述待检测子图片的目标颠倒类别为颠倒;
若所述颠倒置信度小于所述不颠倒置信度,则确定所述待检测子图片的目标颠倒类别为不颠倒。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取多个初始轮胎图片;其中,多个所述初始轮胎图片中包括针对轮胎在多种拍摄角度、多种光照强度所拍摄的图片,且多个所述初始轮胎图片为多种不同轮胎类型的图片;
采用预设的目标检测算法,对每个所述初始轮胎图片进行检测,得到每个初始轮胎图片对应的存在轮胎信息的轮胎训练图片;其中,所述轮胎训练图片携带颠倒类别标签;
将所述轮胎训练图片输入预设的初始分类模型进行训练,当所述初始分类模型输出的损失函数满足预设的收敛要求时,得到所述分类模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当所述轮胎训练图片的数量小于预设的训练图片数量阈值时,将所述轮胎训练图片旋转,得到旋转训练图片;
将所述轮胎训练图片的颠倒类别标签进行转换,作为所述轮胎训练图片对应的旋转训练图片的颠倒类别标签;
将携带颠倒类别标签的所述旋转训练图片作为新增的轮胎训练图片。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取待识别轮胎图片;
采用预设的目标检测算法对所述待识别轮胎图片进行检测,得到存在轮胎信息的所述待检测子图片。
在一个实施例中,所述轮胎信息为表征轮胎规格的字符串,所述识别模型为文本识别模型;计算机程序被处理器执行时还实现以下步骤:
采用所述文本识别模型对所述旋转后的检测子图片进行文本检测,得到表征轮胎规格的目标字符串。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若所述目标颠倒类别为不颠倒,则采用所述识别模型对所述待检测子图片进行识别,得到所述轮胎信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种轮胎信息获取方法,其特征在于,所述方法包括:
获取待识别轮胎图片中存在轮胎信息的待检测子图片;
采用预设的分类模型对所述待检测子图片进行颠倒类别分类,得到所述待检测子图片的目标颠倒类别;其中,所述分类模型为采用多个携带不同颠倒类别标签的轮胎训练图片进行训练所得到的模型;
若所述目标颠倒类别为颠倒,则将所述待检测子图片进行旋转得到旋转后的检测子图片;
采用预设的识别模型对所述旋转后的检测子图片进行识别,得到所述轮胎信息。
2.根据权利要求1所述的方法,其特征在于,所述采用预设的分类模型对所述待检测子图片进行颠倒类别分类,得到所述待检测子图片的目标颠倒类别,包括:
获取所述待检测子图片的颠倒置信度和不颠倒置信度;
若所述颠倒置信度大于所述不颠倒置信度,则确定所述待检测子图片的目标颠倒类别为颠倒;
若所述颠倒置信度小于所述不颠倒置信度,则确定所述待检测子图片的目标颠倒类别为不颠倒。
3.根据权利要求1或2所述的方法,其特征在于,所述分类模型的获取过程包括:
获取多个初始轮胎图片;其中,多个所述初始轮胎图片中包括针对轮胎在多种拍摄角度、多种光照强度所拍摄的图片,且多个所述初始轮胎图片为多种不同轮胎类型的图片;
采用预设的目标检测算法,对每个所述初始轮胎图片进行检测,得到每个初始轮胎图片对应的存在轮胎信息的轮胎训练图片;其中,所述轮胎训练图片携带颠倒类别标签;
将所述轮胎训练图片输入预设的初始分类模型进行训练,当所述初始分类模型输出的损失函数满足预设的收敛要求时,得到所述分类模型。
4.根据权利要求3所述的方法,其特征在于,所述将所述轮胎训练图片输入预设的初始分类模型进行训练之前,还包括:
当所述轮胎训练图片的数量小于预设的训练图片数量阈值时,将所述轮胎训练图片旋转,得到旋转训练图片;
将所述轮胎训练图片的颠倒类别标签进行转换,作为所述轮胎训练图片对应的旋转训练图片的颠倒类别标签;
将携带颠倒类别标签的所述旋转训练图片作为新增的轮胎训练图片。
5.根据权利要求1所述的方法,其特征在于,所述获取待识别轮胎图片中存在轮胎信息的待检测子图片,包括:
获取待识别轮胎图片;
采用预设的目标检测算法对所述待识别轮胎图片进行检测,得到存在轮胎信息的所述待检测子图片。
6.根据权利要求1所述的方法,其特征在于,所述轮胎信息为表征轮胎规格的字符串,所述识别模型为文本识别模型;
所述采用预设的识别模型对所述旋转后的检测子图片进行识别,得到所述轮胎信息,包括:
采用所述文本识别模型对所述旋转后的检测子图片进行文本检测,得到表征轮胎规格的目标字符串。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若所述目标颠倒类别为不颠倒,则采用所述识别模型对所述待检测子图片进行识别,得到所述轮胎信息。
8.一种轮胎信息获取装置,其特征在于,所述装置包括:
获取模块,用于获取待识别轮胎图片中存在轮胎信息的待检测子图片;
分类模块,用于采用预设的分类模型对所述待检测子图片进行颠倒类别分类,得到所述待检测子图片的目标颠倒类别;其中,所述分类模型为采用多个携带不同颠倒类别标签的轮胎训练图片进行训练所得到的模型;
处理模块,用于当所述目标颠倒类别为颠倒时,则将所述待检测子图片进行旋转得到旋转后的检测子图片,并采用预设的识别模型对所述旋转后的检测子图片进行识别,得到所述轮胎信息。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010320862.8A CN111507420A (zh) | 2020-04-22 | 2020-04-22 | 轮胎信息获取方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010320862.8A CN111507420A (zh) | 2020-04-22 | 2020-04-22 | 轮胎信息获取方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111507420A true CN111507420A (zh) | 2020-08-07 |
Family
ID=71871248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010320862.8A Withdrawn CN111507420A (zh) | 2020-04-22 | 2020-04-22 | 轮胎信息获取方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507420A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743445A (zh) * | 2021-07-15 | 2021-12-03 | 上海朋熙半导体有限公司 | 目标对象识别方法、装置、计算机设备和存储介质 |
CN114187605A (zh) * | 2021-12-13 | 2022-03-15 | 苏州方兴信息技术有限公司 | 一种数据集成方法、装置和可读存储介质 |
-
2020
- 2020-04-22 CN CN202010320862.8A patent/CN111507420A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743445A (zh) * | 2021-07-15 | 2021-12-03 | 上海朋熙半导体有限公司 | 目标对象识别方法、装置、计算机设备和存储介质 |
CN114187605A (zh) * | 2021-12-13 | 2022-03-15 | 苏州方兴信息技术有限公司 | 一种数据集成方法、装置和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112990432B (zh) | 目标识别模型训练方法、装置及电子设备 | |
CN109753928B (zh) | 违章建筑物识别方法和装置 | |
CN108171203B (zh) | 用于识别车辆的方法和装置 | |
CN109285105B (zh) | 水印检测方法、装置、计算机设备和存储介质 | |
CN110807491A (zh) | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 | |
US9811760B2 (en) | Online per-feature descriptor customization | |
CN111639653B (zh) | 一种误检图像确定方法、装置、设备和介质 | |
CN110135505B (zh) | 图像分类方法、装置、计算机设备及计算机可读存储介质 | |
CN110909807A (zh) | 基于深度学习的网络验证码识别方法、装置及计算机设备 | |
US10423817B2 (en) | Latent fingerprint ridge flow map improvement | |
CN110287936B (zh) | 图像检测方法、装置、设备及存储介质 | |
CN111046971A (zh) | 图像识别方法、装置、设备及计算机可读存储介质 | |
CN116596875B (zh) | 晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN111507420A (zh) | 轮胎信息获取方法、装置、计算机设备和存储介质 | |
CN111144372A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
CN112668462A (zh) | 车损检测模型训练、车损检测方法、装置、设备及介质 | |
CN114330588A (zh) | 一种图片分类方法、图片分类模型训练方法及相关装置 | |
CN112668640A (zh) | 一种文本图像质量评估方法、装置、设备及介质 | |
CN112541394A (zh) | 黑眼圈及鼻炎识别方法、系统及计算机介质 | |
CN116311214A (zh) | 车牌识别方法和装置 | |
CN111539456A (zh) | 一种目标识别方法及设备 | |
US20120189193A1 (en) | Detection of objects represented in images | |
CN111680680B (zh) | 一种目标码定位方法、装置、电子设备及存储介质 | |
CN113780116A (zh) | 发票分类方法、装置、计算机设备和存储介质 | |
CN112287905A (zh) | 车辆损伤识别方法、装置、设备及存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200807 |
|
WW01 | Invention patent application withdrawn after publication |