CN112016487A - 一种智能识别方法及设备 - Google Patents
一种智能识别方法及设备 Download PDFInfo
- Publication number
- CN112016487A CN112016487A CN202010902997.5A CN202010902997A CN112016487A CN 112016487 A CN112016487 A CN 112016487A CN 202010902997 A CN202010902997 A CN 202010902997A CN 112016487 A CN112016487 A CN 112016487A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- identified
- processed
- recognized
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种智能识别方法及设备,该方法包括:获取待识别对象的待识别图像,所述待识别对象具体为餐具清洗生产线上清洗完成的餐具,基于预设神经网络模型对所述待识别图像进行识别,确定出所述待识别对象的参数信息,其中,所述预设神经网络模型是根据所述待识别对象建立的,所述参数信息包括待识别对象的类型和数量,最后,输出所述参数信息,从而快速准确的识别出餐具的类型和数量,提高了餐具生产线的自动化效率。
Description
技术领域
本申请涉及工业互联网领域,更具体地,涉及一种智能识别方法及设备。
背景技术
随着现代科技的进步,越来越多的工业生产线也在逐渐智能化与机械化,但在工业生产线中仍有一些环节处于人工处理等生产效率低下的方式。
例如在餐具生产线中,生产出的餐具在自动清洗完成后依旧是靠人工处理的方式来清点餐具的数量以及类型,这种处理方式效率低下且容易出现差错,其人工成本也较高,现有的自动识别也没有办法做到实时识别,影响了餐具生产线的生产效率和降低了餐具生产线的自动化效率。
因此,如何快速准确的识别出餐具的类型和数量,从而提高餐具生产线的自动化效率,是目前有待解决的技术问题。
发明内容
本发明提供一种智能识别方法,用以解决现有技术中自动识别无法做到实时识别,降低了餐具生产线的自动化效率的技术问题,该方法包括:
获取待识别对象的待识别图像,所述待识别对象具体为餐具清洗生产线上清洗完成的餐具;
基于预设神经网络模型对所述待识别图像进行识别,确定出所述待识别对象的参数信息,其中,所述预设神经网络模型是根据所述待识别对象建立的,所述参数信息包括待识别对象的类型和数量;
输出所述参数信息。
一些实施例中,所述预设神经网络模型是根据所述待识别对象建立,具体包括:
获取所述待识别对象的图像信息;
将所述图像信息进行归一化处理;
基于所述归一化处理后的图像信息、识别神经网络和损失函数建立预设神经网络模型,其中,所述识别神经网络由多个卷积层和多个全连接层组成。
一些实施例中,所述基于所述归一化处理后的图像信息、识别神经网络和损失函数建立预设神经网络模型,具体包括:
基于所述归一化处理后的图像信息、识别神经网络和损失函数建立待处理神经网络模型;
根据所述图像信息获取所述待处理神经网络模型的训练数据;
通过所述训练数据对所述待处理神经网络模型进行训练,并将训练后的所述待处理神经网络模型作为所述预设神经网络模型。
一些实施例中,通过所述训练数据对待处理神经网络模型进行训练,具体包括:
将所述训练数据导入至所述待处理神经网络模型中进行训练;
根据所述损失函数曲线变化值和黄金分割原理实时对训练参数进行调整;
基于所述调整后的训练参数继续对所述待处理神经网络模型进行训练。
一些实施例中,所述方法还包括:
通过配置深度摄像头获取待识别对象的位置信息,并在输出所述参数信息时将所述位置信息同步输出。
相应的本发明还提供了一种智能识别设备,所述设备包括:
第一获取模块,获取待识别对象的待识别图像,所述待识别对象具体为餐具清洗生产线上清洗完成的餐具;
识别模块,基于预设神经网络模型对所述待识别图像进行识别,确定出所述待识别对象的参数信息,其中,所述预设神经网络模型是根据所述待识别对象建立的,所述参数信息包括待识别对象的类型和数量;
输出模块,输出所述参数信息。
一些实施例中,所述设备还包括预处理模块,具体用于:
获取所述待识别对象的图像信息;
将所述图像信息进行归一化处理;
基于所述归一化处理后的图像信息、识别神经网络和损失函数建立预设神经网络模型,其中,所述识别神经网络由多个卷积层和多个全连接层组成。
一些实施例中,所述预处理模块具体用于:
基于所述归一化处理后的图像信息、识别神经网络和损失函数建立待处理神经网络模型;
根据所述图像信息获取所述待处理神经网络模型的训练数据;
通过所述训练数据对所述待处理神经网络模型进行训练,并将训练后的所述待处理神经网络模型作为所述预设神经网络模型。
一些实施例中,所述预处理模块具体用于:
将所述训练数据导入至所述待处理神经网络模型中进行训练;
根据所述损失函数曲线变化值和黄金分割原理实时对训练参数进行调整;
基于所述调整后的训练参数继续对所述待处理神经网络模型进行训练。
一些实施例中,所述设备还包括第二获取模块,具体用于:
通过配置深度摄像头获取待识别对象的位置信息,并在输出所述参数信息时将所述位置信息同步输出。
与现有技术对比,本发明具备以下有益效果:
本发明公开了一种智能识别方法及设备,该方法包括:获取待识别对象的待识别图像,所述待识别对象具体为餐具清洗生产线上清洗完成的餐具,基于预设神经网络模型对所述待识别图像进行识别,确定出所述待识别对象的参数信息,其中,所述预设神经网络模型是根据所述待识别对象建立的,所述参数信息包括待识别对象的类型和数量,最后,输出所述参数信息,从而快速准确的识别出餐具的类型和数量,提高了餐具生产线的自动化效率,并且该方法还包括:获取所述待识别对象的图像信息,将所述图像信息进行归一化处理,基于所述归一化处理后的图像信息、识别神经网络和损失函数建立预设神经网络模型,进一步的提高了智能识别的准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,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示出了本发明实施例提出的一种智能识别方法的流程示意图;
图2示出了本发明实施例中智能识别的效果示意图;
图3示出了本发明实施例提出的另一种智能识别方法的流程示意图;
图4示出了本发明实施例中提出的一种智能识别设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
如图1所示本发明提出的一种智能识别方法的流程示意图,所述方法包括以下步骤:
S101,获取待识别对象的待识别图像,所述待识别对象具体为餐具清洗生产线上清洗完成的餐具。
具体的,本步骤中主要获取待识别对象的待识别图像,待识别对象就是需要智能识别的具体物品,这里所述待识别对象主要是指餐具清洗生产线上清洗完成的餐具,那么与之对应的待识别图像就是获取到的这些餐具的图像。需要说明的是,具体的获取过程可以借助专业的摄像设备,这里并不对获取设备做具体限定。
S102,基于预设神经网络模型对所述待识别图像进行识别,确定出所述待识别对象的参数信息,其中,所述预设神经网络模型是根据所述待识别对象建立的,所述参数信息包括待识别对象的类型和数量。
具体的,神经网络模型是人工建立的模拟人类实际神经网络的数学模型,在本步骤中,预设神经网络模型是根据所述待识别对象建立的,也就是说,该预设神经网络模型是根据需要识别的餐具建立的,通过该预设神经网络模型对所述待识别图像进行识别,可以很好的还原人对餐具的识别过程,保证了识别的准确性及效率。该识别过程主要确定所述待识别对象的参数信息,该参数信息包括识别对象的类型及数量,对于餐具来说主要识别的是餐具的种类和数量。
为了准确高效的建立预设神经网络模型,在本申请的一些实施例中,所述预设神经网络模型是根据所述待识别对象建立,具体包括:
获取所述待识别对象的图像信息;
将所述图像信息进行归一化处理;
基于所述归一化处理后的图像信息、识别神经网络和损失函数建立预设神经网络模型,其中,所述识别神经网络由多个卷积层和多个全连接层组成。
具体的,归一化处理就是通过一系列变换(即利用图像的不变矩寻找一组参数使其能够消除其他变换函数对图像变换的影响),将待处理的原始图像转换成相应的唯一标准形式,基于所述归一化处理后的图像信息可以方便后续特征提取的计算,并且可以减少特征的维数。损失函数是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数,在建立神经网络模型时利用损失函数可以在保证方便处理图像信息的前提下极大的保留了图像的完整性。其中,所述识别神经网络由多个卷积层和多个全连接层组成,不同的卷积层可以提取输入的不同特征,第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级,更多层的网路能从低级特征中迭代提取更复杂的特征,全连接层的每一个结点都与上一层的所有结点相连,用来把前边提取到的特征综合起来,通过多个卷积层和多个全连接层,可以将复杂的图像各种特征分解并很好的结合起来,这样可以进一步的保证识别的准确性,而避免出现由于特征识别不够将不同种类的餐具识别为同一类餐具。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他基于所述待识别对象建立预设神经网络模型的方法都属于本发明的保护范围。
为了准确的建立预设神经网络模型,在本申请的一些实施例中,所述基于所述归一化处理后的图像信息、识别神经网络和损失函数建立预设神经网络模型,具体包括:
基于所述归一化处理后的图像信息、识别神经网络和损失函数建立待处理神经网络模型;
根据所述图像信息获取所述待处理神经网络模型的训练数据;
通过所述训练数据对所述待处理神经网络模型进行训练,并将训练后的所述待处理神经网络模型作为所述预设神经网络模型。
具体的,在基于所述归一化处理后的图像信息、识别神经网络和损失函数建立待处理神经网络模型之后,需要将训练数据集导入该模型进行训练,将训练后的所述待处理神经网络模型作为所述预设神经网络模型。训练数据通过所述图像信息获取,优选的,这些获取的图像信息可以通过待识别的图像获取,也可以从网路或其他厂家找到类似的图像信息从中获取训练数据,一般获取的训练数据越多,最终得到的预设神经网络模型识别图像的能力越强,优选的,为了提高预设神经网络模型的识别能力也可以寻找一些与待处理图像差别较大的图像从中获取训练数据,然后作为预设神经网络的排除识别功能,可以进一步的提高预设神经网络模型的效率以及识别的准确性,这些都属于本申请的保护范围。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他基于所述待识别对象建立预设神经网络模型的方法都属于本发明的保护范围。
为了进一步保证预设神经网络模型的准确性,在本申请的一些实施例中,通过所述训练数据对待处理神经网络模型进行训练,具体包括:
将所述训练数据导入至所述待处理神经网络模型中进行训练;
根据所述损失函数曲线变化值和黄金分割原理实时对训练参数进行调整;
基于所述调整后的训练参数继续对所述待处理神经网络模型进行训练。
具体的,在将所述训练数据导入至所述待处理神经网络模型中进行训练时,可以通过所述损失函数曲线变化值和黄金分割原理实时对训练参数进行调整,调整的参数包括但不限于双线性插值、基于区域像素关系重采样、8x8 邻域兰索斯插值、图像的灰度值、图像的降噪因子等。这里的损失函数曲线变化值可以反映出预设神经网络模型在图像识别时对图像进行删减处理的程度大小,一般想要保证图像的完整性需要损失函数曲线成下降趋势。黄金分割算法是指事物各部分间一定数学比例关系,即整体一分为二,较大的部分与较小的部分之比等于整体与较大部分之比,其比值约为:1:0.618,在本实施例中,通过黄金分割原理对训练参数进行调整的具体步骤为:确某一训练参数的取值范围[a,b],确定第一个实验点位置x1=0.618*(b-a)+a,第二个实验点的位置x2=0.382*(b-a)+a,对两个实验点的结果进行对比,将实验结果比较好的实验点留下,假设x1的效果比x2的训练效果好,则保留区间[x2, b],反之保留区间[a,x1],对于相同的训练效果,保留区间[x1,x2],重复上述步骤,直到找到最优参数为止。在参数调整后,继续以该参数为基础继续对所述待处理神经网络模型进行训练,直到将所有训练数据全部完成训练或得到理想的预设神经网络模型。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他基于对预设神经网络模型中训练参数调整的方法都属于本发明的保护范围。
为了全面的获取待识别对象的信息,在本申请的一些实施例中,所述方法还包括:
通过配置深度摄像头获取待识别对象的位置信息,并在输出所述参数信息时将所述位置信息同步输出。
具体的,在获取待识别对象信息时还可以通过配置深度摄像头获取待识别对象的位置信息,并在输出所述参数信息时将所述位置信息同步输出,这样可以辅助对图像信息的识别,并且在得到所述待识别对象的位置信息后可以直接进行相关的操作。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他获取待识别对象的位置信息的方法都属于本发明的保护范围。
S103,输出所述参数信息。
具体的,在确定出所述待识别对象的参数信息后,具体的将参数信息包括的待识别对象的类型和数量输出,如图2所示,1为获取的待识别餐具的图像,4为识别后输出的餐具图像。
本发明公开了一种智能识别方法,该方法包括:获取待识别对象的待识别图像,所述待识别对象具体为餐具清洗生产线上清洗完成的餐具,基于预设神经网络模型对所述待识别图像进行识别,确定出所述待识别对象的参数信息,其中,所述预设神经网络模型是根据所述待识别对象建立的,所述参数信息包括待识别对象的类型和数量,最后,输出所述参数信息,从而快速准确的识别出餐具的类型和数量,提高了餐具生产线的自动化效率,并且该方法还包括:将训练数据导入至待处理神经网络模型中进行训练,根据损失函数曲线变化值和黄金分割原理实时对训练参数进行调整,进一步的提高了智能识别的准确度。
为了进一步阐述本发明的技术思想,现结合具体的应用场景,对本发明的技术方案进行说明。
本发明实施例提出了一种智能识别方法,该方法包括:基于识别神经网络和损失函数建立待处理神经网络模型;根据所述图像信息获取所述待处理神经网络模型的训练数据;将所述训练数据导入至所述待处理神经网络模型中进行训练并根据所述损失函数曲线变化值和黄金分割原理实时对训练参数进行调整;将训练后的所述待处理神经网络模型作为预设神经网络模型;基于所述预设神经网络模型对所述待识别图像进行识别并输出结果。
如图3所示,上述方法具体步骤如下:
S201,基于识别神经网络和损失函数建立待处理神经网络模型。
具体的,在本申请的优选实施例中,所述识别神经网络由由25个卷积层和2个全连接层组成,视频流会根据需要解码成单帧图片进行处理,图片进入网络会先经过大小的归一化处理,损失函数的组成如下:
其中,第一部分宽高计算进行根运算,是将输入目标预测大了10个像素,后面将边界的预测框放大一倍,并表示出两者的差异,Ci表示第i个框的对象置信度,本部分的权重小于0.45。
S202,根据所述图像信息获取所述待处理神经网络模型的训练数据。
具体的,可以根据餐具清洗生产线的实际情况,通过手机或其它专业设备录制实际视频,或同步从网上找相似的餐具图片建立训练数据集,数据集中包括正反训练数据。
S203,将所述训练数据导入至所述待处理神经网络模型中进行训练并根据所述损失函数曲线变化值和黄金分割原理实时对训练参数进行调整。
具体的,将训练数据集导入预训练模型算法进行训练,并根据损失函数曲线变化情况对与训练模型算法参数进行调整,参数调整原则遵循“黄金分割原理”。
S204,将训练后的所述待处理神经网络模型作为预设神经网络模型。
具体的,对待处理神经网络模型完成训练后得到的模型就作为识别待识别图像的预设神经网络模型。
S205,基于所述预设神经网络模型对所述待识别图像进行识别并输出结果。
具体的,将训练好的模型部署到边缘计算终端,并辅以摄像头进行数据采集,如只需进行识别,则配置普通RGB摄像头,如需识别和定位,则需配置深度摄像头,通过彩色流进行识别,通过深度流进行定位,最后,边缘计算终端将识别的结果反馈给云端或其它工业控制系统。
为了达到以上技术目的,本申请实施例还提出一种智能识别设备,如图 4所示,所述设备包括:
第一获取模块301,获取待识别对象的待识别图像,所述待识别对象具体为餐具清洗生产线上清洗完成的餐具;
识别模块302,基于预设神经网络模型对所述待识别图像进行识别,确定出所述待识别对象的参数信息,其中,所述预设神经网络模型是根据所述待识别对象建立的,所述参数信息包括待识别对象的类型和数量;
输出模块303,输出所述参数信息。
在本申请的具体应用场景中,所述设备还包括预处理模块,具体用于:
获取所述待识别对象的图像信息;
将所述图像信息进行归一化处理;
基于所述归一化处理后的图像信息、识别神经网络和损失函数建立预设神经网络模型,其中,所述识别神经网络由多个卷积层和多个全连接层组成。
在本申请的具体应用场景中,所述预处理模块具体用于:
基于所述归一化处理后的图像信息、识别神经网络和损失函数建立待处理神经网络模型;
根据所述图像信息获取所述待处理神经网络模型的训练数据;
通过所述训练数据对所述待处理神经网络模型进行训练,并将训练后的所述待处理神经网络模型作为所述预设神经网络模型。
在本申请的具体应用场景中,所述预处理模块具体用于:
将所述训练数据导入至所述待处理神经网络模型中进行训练;
根据所述损失函数曲线变化值和黄金分割原理实时对训练参数进行调整;
基于所述调整后的训练参数继续对所述待处理神经网络模型进行训练。
在本申请的具体应用场景中,所述设备还包括第二获取模块,具体用于:
通过配置深度摄像头获取待识别对象的位置信息,并在输出所述参数信息时将所述位置信息同步输出。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员当理解: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,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种智能识别方法,其特征在于,所述方法包括:
获取待识别对象的待识别图像,所述待识别对象具体为餐具清洗生产线上清洗完成的餐具;
基于预设神经网络模型对所述待识别图像进行识别,确定出所述待识别对象的参数信息,其中,所述预设神经网络模型是根据所述待识别对象建立的,所述参数信息包括待识别对象的类型和数量;
输出所述参数信息。
2.如权利要求1所述的方法,其特征在于,所述预设神经网络模型是根据所述待识别对象建立,具体包括:
获取所述待识别对象的图像信息;
将所述图像信息进行归一化处理;
基于所述归一化处理后的图像信息、识别神经网络和损失函数建立预设神经网络模型,其中,所述识别神经网络由多个卷积层和多个全连接层组成。
3.如权利要求2所述的方法,其特征在于,所述基于所述归一化处理后的图像信息、识别神经网络和损失函数建立预设神经网络模型,具体包括:
基于所述归一化处理后的图像信息、识别神经网络和损失函数建立待处理神经网络模型;
根据所述图像信息获取所述待处理神经网络模型的训练数据;
通过所述训练数据对所述待处理神经网络模型进行训练,并将训练后的所述待处理神经网络模型作为所述预设神经网络模型。
4.如权利要求3所述的方法,其特征在于,通过所述训练数据对待处理神经网络模型进行训练,具体包括:
将所述训练数据导入至所述待处理神经网络模型中进行训练;
根据所述损失函数曲线变化值和黄金分割原理实时对训练参数进行调整;
基于所述调整后的训练参数继续对所述待处理神经网络模型进行训练。
5.如权利要求1所述的方法,其特征在于,所述方法还包括:
通过配置深度摄像头获取待识别对象的位置信息,并在输出所述参数信息时将所述位置信息同步输出。
6.一种智能识别设备,其特征在于,所述设备包括:
第一获取模块,获取待识别对象的待识别图像,所述待识别对象具体为餐具清洗生产线上清洗完成的餐具;
识别模块,基于预设神经网络模型对所述待识别图像进行识别,确定出所述待识别对象的参数信息,其中,所述预设神经网络模型是根据所述待识别对象建立的,所述参数信息包括待识别对象的类型和数量;
输出模块,输出所述参数信息。
7.如权利要求6所述的设备,其特征在于,所述设备还包括预处理模块,具体用于:
获取所述待识别对象的图像信息;
将所述图像信息进行归一化处理;
基于所述归一化处理后的图像信息、识别神经网络和损失函数建立预设神经网络模型,其中,所述识别神经网络由多个卷积层和多个全连接层组成。
8.如权利要求7所述的设备,其特征在于,所述预处理模块具体用于:
基于所述归一化处理后的图像信息、识别神经网络和损失函数建立待处理神经网络模型;
根据所述图像信息获取所述待处理神经网络模型的训练数据;
通过所述训练数据对所述待处理神经网络模型进行训练,并将训练后的所述待处理神经网络模型作为所述预设神经网络模型。
9.如权利要求8所述的设备,其特征在于,所述预处理模块具体用于:
将所述训练数据导入至所述待处理神经网络模型中进行训练;
根据所述损失函数曲线变化值和黄金分割原理实时对训练参数进行调整;
基于所述调整后的训练参数继续对所述待处理神经网络模型进行训练。
10.如权利要求6所述的设备,其特征在于,所述设备还包括第二获取模块,具体用于:
通过配置深度摄像头获取待识别对象的位置信息,并在输出所述参数信息时将所述位置信息同步输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010902997.5A CN112016487A (zh) | 2020-09-01 | 2020-09-01 | 一种智能识别方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010902997.5A CN112016487A (zh) | 2020-09-01 | 2020-09-01 | 一种智能识别方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112016487A true CN112016487A (zh) | 2020-12-01 |
Family
ID=73516587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010902997.5A Pending CN112016487A (zh) | 2020-09-01 | 2020-09-01 | 一种智能识别方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016487A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221642A (zh) * | 2021-04-02 | 2021-08-06 | 哈尔滨鹏博普华科技发展有限责任公司 | 一种违章抓拍图像ai识别系统 |
CN113408631A (zh) * | 2021-06-23 | 2021-09-17 | 佛山缔乐视觉科技有限公司 | 一种陶瓷洁具的款式识别方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108814501A (zh) * | 2018-06-28 | 2018-11-16 | 北京金山安全软件有限公司 | 一种洗涤控制的优化方法、装置、电子设备、存储介质 |
CN109620078A (zh) * | 2018-12-18 | 2019-04-16 | 广东美的白色家电技术创新中心有限公司 | 洗碗机智能控制方法、洗碗机及具有存储功能的装置 |
CN110135486A (zh) * | 2019-05-08 | 2019-08-16 | 西安电子科技大学 | 基于自适应卷积神经网络的筷子图像分类方法 |
CN110893091A (zh) * | 2018-09-13 | 2020-03-20 | 珠海格力电器股份有限公司 | 摆放餐具的方法及装置 |
CN111470317A (zh) * | 2020-04-13 | 2020-07-31 | 广州大学 | 一种具有自清洁吸盘机械手的餐具分拣机 |
CN111568328A (zh) * | 2020-05-08 | 2020-08-25 | 佛山市顺德区美的洗涤电器制造有限公司 | 用于控制洗碗机的方法、清洗装置以及洗碗机 |
-
2020
- 2020-09-01 CN CN202010902997.5A patent/CN112016487A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108814501A (zh) * | 2018-06-28 | 2018-11-16 | 北京金山安全软件有限公司 | 一种洗涤控制的优化方法、装置、电子设备、存储介质 |
CN110893091A (zh) * | 2018-09-13 | 2020-03-20 | 珠海格力电器股份有限公司 | 摆放餐具的方法及装置 |
CN109620078A (zh) * | 2018-12-18 | 2019-04-16 | 广东美的白色家电技术创新中心有限公司 | 洗碗机智能控制方法、洗碗机及具有存储功能的装置 |
CN110135486A (zh) * | 2019-05-08 | 2019-08-16 | 西安电子科技大学 | 基于自适应卷积神经网络的筷子图像分类方法 |
CN111470317A (zh) * | 2020-04-13 | 2020-07-31 | 广州大学 | 一种具有自清洁吸盘机械手的餐具分拣机 |
CN111568328A (zh) * | 2020-05-08 | 2020-08-25 | 佛山市顺德区美的洗涤电器制造有限公司 | 用于控制洗碗机的方法、清洗装置以及洗碗机 |
Non-Patent Citations (1)
Title |
---|
祝庆发 等: "基于改进YOLO算法的密集人群场景下的行人检测", 《电脑知识与技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221642A (zh) * | 2021-04-02 | 2021-08-06 | 哈尔滨鹏博普华科技发展有限责任公司 | 一种违章抓拍图像ai识别系统 |
CN113221642B (zh) * | 2021-04-02 | 2024-04-05 | 哈尔滨鹏博普华科技发展有限责任公司 | 一种违章抓拍图像ai识别系统 |
CN113408631A (zh) * | 2021-06-23 | 2021-09-17 | 佛山缔乐视觉科技有限公司 | 一种陶瓷洁具的款式识别方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510451B (zh) | 一种基于双层卷积神经网络的重建车牌的方法 | |
WO2019120110A1 (zh) | 图像重建方法及设备 | |
CN108875821A (zh) | 分类模型的训练方法和装置、移动终端、可读存储介质 | |
CN109871845B (zh) | 证件图像提取方法及终端设备 | |
CN109740721B (zh) | 麦穗计数方法及装置 | |
CN111310718A (zh) | 一种遮挡人脸图像高准确率检测对比方法 | |
CN107133590B (zh) | 一种基于人脸图像的身份识别系统 | |
CN112614136A (zh) | 一种红外小目标实时实例分割方法及装置 | |
CN112016487A (zh) | 一种智能识别方法及设备 | |
CN110570443B (zh) | 一种基于结构约束条件生成模型的图像线状目标提取方法 | |
CN113177947B (zh) | 基于多模块卷积神经网络的复杂环境目标分割方法及装置 | |
CN111126185B (zh) | 一种针对道路卡口场景的深度学习车辆目标识别方法 | |
CN105354228B (zh) | 相似图搜索方法及装置 | |
CN113096023A (zh) | 神经网络的训练方法、图像处理方法及装置、存储介质 | |
CN117994154A (zh) | 一种基于传感器的图像智能去噪方法 | |
CN110414517B (zh) | 一种用于配合拍照场景的快速高精度身份证文本识别算法 | |
CN117496019B (zh) | 一种驱动静态图像的图像动画处理方法及系统 | |
CN113658196B (zh) | 红外图像中船舶的检测方法、装置、电子设备和介质 | |
CN111126250A (zh) | 一种基于ptgan的行人重识别方法及装置 | |
CN110349129B (zh) | 一种高密度柔性ic基板外观缺陷检测方法 | |
CN117593540A (zh) | 一种基于智能化图像识别技术的压力性损伤分期识别方法 | |
CN114626118A (zh) | 建筑物室内模型生成方法及装置 | |
CN117315336A (zh) | 花粉颗粒识别方法、装置、电子设备及存储介质 | |
CN110120009B (zh) | 基于显著物体检测和深度估计算法的背景虚化实现方法 | |
CN116977190A (zh) | 图像处理方法、装置、设备、存储介质及程序产品 |
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: 20201201 |
|
RJ01 | Rejection of invention patent application after publication |