CN112529038B - 一种主板物料的识别方法、装置及存储介质 - Google Patents
一种主板物料的识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112529038B CN112529038B CN202011251949.0A CN202011251949A CN112529038B CN 112529038 B CN112529038 B CN 112529038B CN 202011251949 A CN202011251949 A CN 202011251949A CN 112529038 B CN112529038 B CN 112529038B
- Authority
- CN
- China
- Prior art keywords
- group
- materials
- identifying
- main board
- motherboard
- 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
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
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种主板物料的识别方法、装置及存储介质,该方法包括:获取主板图像,对主板图像进行检测,得到各物料的定位信息,根据各物料的定位信息对各物料进行分组,获取各组内各物料的第一特征向量,根据各组内各物料的第一特征向量及预设邻接矩阵建立各组物料的计算图,邻接矩阵用于表征每两物料出现在同组的概率,根据各组物料的计算图计算各组内各物料的第二特征向量,对各组内各物料的第二特征向量进行分类识别,得到各组内各物料的类别信息,根据各组内各物料的类别信息对主板物料进行识别。本发明通过将各组内物料之间的空间分布关系融入到了表征物料自身的第一特征的第一特征向量中,从而可以提高主板物料识别的精度。
Description
技术领域
本申请涉及主板物料识别领域,尤其涉及一种主板物料的识别方法、装置及存储介质。
背景技术
在智能制造及人工智能领域,目前大都采用检测定位和分类识别的方法对主板中的各物料进行单独识别,从而实现对主板物料识别。但由于主板物料种类繁多,一些物料的类间差异较小,从而采用对主板中的各物料进行单独识别的方法识别主板物料时,容易出错。
申请内容
本申请实施例通过提供一种主板物料的识别方法、装置及存储介质,用以解决现有技术中由于主板物料种类繁多,一些物料的类间差异较小,从而采用对主板中的各物料进行单独识别的方法识别主板物料时,容易出错的问题。
为了解决上述问题,第一方面,本发明实施例提供了一种主板物料的识别方法,包括:获取主板图像;对主板图像进行检测,得到各物料的定位信息;根据各物料的定位信息对各物料进行分组;获取各组内各物料的第一特征向量;根据各组内各物料的第一特征向量及预设邻接矩阵建立各组物料的计算图,邻接矩阵用于表征每两物料出现在同组的概率;根据各组物料的计算图计算各组内各物料的第二特征向量;对各组内各物料的第二特征向量进行分类识别,得到各组内各物料的类别信息;根据各组内各物料的类别信息对主板物料进行识别。
可选地,对主板图像进行检测,得到各物料的定位信息,包括:采用物料检测模型对主板图像进行检测,得到各物料的定位信息。
可选地,根据各物料的定位信息对各物料进行分组,包括:根据各物料的定位信息确定相邻的每两物料之间的距离;根据相邻的每两物料之间的距离对各物料进行分组。
可选地,获取各组内各物料的第一特征向量,包括:采用识别模型对各组内各物料进行识别,得到各组内各物料的第一特征向量。
可选地,根据各组内各物料的第一特征向量及预设邻接矩阵建立各组物料的计算图,邻接矩阵用于表征每两物料出现在同组的概率,包括:根据各组内各物料及预设邻接矩阵确定各组内每两物料出现在同组的概率;以各组内各物料的第一特征向量作为节点,以各组内每两物料出现在同组的概率作为边建立各组物料的计算图。
可选地,根据各物料的计算图计算各组内各物料的第二特征向量,包括:分别对各组物料的计算图进行图卷积计算,得到各组内各物料的第二特征向量。
可选地,对各组内各物料的第二特征向量进行分类识别,得到各组内各物料的类别信息,包括:将各组内各物料的第二特征向量分别输入分类器,得到各组内各物料的类别信息。
第二方面,本发明实施例提供了一种主板物料的识别装置,包括:第一获取单元,用于获取主板图像;检测单元,用于对主板图像进行检测,得到各物料的定位信息;分组单元,用于根据各物料的定位信息对各物料进行分组;第二获取单元,用于获取各组内各物料的第一特征向量;构建单元,用于根据各组内各物料的第一特征向量及预设邻接矩阵建立各组物料的计算图,邻接矩阵用于表征每两物料出现在同组的概率;计算单元,用于根据各物料的计算图计算各组内各物料的第二特征向量;分类单元,对各组内各物料的第二特征向量进行分类识别,得到各组内各物料的类别信息;识别单元,用于根据各组内各物料的类别信息对主板物料进行识别。
第三方面,本发明实施例提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器执行如第一方面或第一方面任意实施方式中的主板物料的识别方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使计算机执行如第一方面或第一方面任意实施方式中的主板物料的识别方法。
本发明实施例提供的主板物料的识别方法、装置及存储介质,通过获取主板图像,对主板图像进行检测,得到各物料的定位信息,根据各物料的定位信息对各物料进行分组,获取各组内各物料的第一特征向量,根据各组内各物料的第一特征向量及预设邻接矩阵建立各组物料的计算图,邻接矩阵用于表征每两物料出现在同组的概率,根据各组物料的计算图计算各组内各物料的第二特征向量,对各组内各物料的第二特征向量进行分类识别,得到各组内各物料的类别信息,根据各组内各物料的类别信息对主板物料进行识别,从而在识别主板物料过程中,是根据各物料的定位信息对主板物料进行了分组,并在每组内将物料之间的空间分布关系融入到了表征物料自身的第一特征的第一特征向量中,从而得到第二特征向量,从而对每组内的各物料的第二特征向量进行分类识别时,可以提高各组内物料识别的精度,从而提高主板物料识别的精度,可以解决由于主板物料种类繁多,一些物料的类间差异较小,从而采用对主板中的各物料进行单独识别的方法识别主板物料时,容易出错的问题。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本发明实施例中一种主板物料的识别方法的流程示意图;
图2为本发明实施例中一种主板物料的识别装置的结构示意图;
图3为本发明实施例中一种电子设备的硬件结构示意图。
具体实施方式
本发明实施例提供了一种主板物料的识别方法,如图1所示,包括:
S101.获取主板图像;具体地,可通过对主板进行成像得到主板图像。
S102.对主板图像进行检测,得到各物料的定位信息;具体地,可采用目标检测算法对主板图像进行检测,得到主板上各物料的定位信息。此时,对于主板上各物料的检测,都是独立的。
S103.根据各物料的定位信息对各物料进行分组;具体地,根据各物料的定位信息,可以对物料进行聚类,将空间距离较近的物料,分成一个组。将各物料进行分组,从而各物料具有了组类的属性。
S104.获取各组内各物料的第一特征向量;具体地,第一特征向量可以是物料在识别过程中,用于表征物料自身的第一特征的一个一维数组。对各物料进行分组后,可以对各组内各物料进行第一特征提取,从而得到各组内各物料的第一特征向量。
S105.根据各组内各物料的第一特征向量及预设邻接矩阵建立各组物料的计算图,邻接矩阵用于表征每两物料出现在同组的概率;具体地,可采用神经网络在现有数据集中训练出一个邻接矩阵。现有数据集包括多个物料样本及其对应的每两物料样本出现在同组的概率。对于N类要识别的物料,邻接矩阵是一个N*N的矩阵。矩阵中位置(i,j)的值是第i类物料和第j类物料出现在同一个组的概率。根据各组内各物料可以从邻接矩阵中确定各组内每两物料出现在同组的概括,从而根据各组内各物料的第一特征向量和各组内每两物料出现在同组的概率可以构建各组物料的计算图。物料的计算图用于表征一组内各物料之间的空间分布关系。表征空间分布关系的连接线上标注有权重,即两物料出现在同组的概率。
S106.根据各组物料的计算图计算各组内各物料的第二特征向量;具体地,第二特征向量也可以是物料在识别过程中,用于表征物料自身的第一特征的一个一维数组,并且第二特征向量是根据物料的计算图得到的,因此,第二特征向量中不仅包含物料自身的第一特征,还包括了物料之间的空间分布关系。可以将各组内的计算图输入图神经网络,从而对第一特征向量进行更新,得到各组内各物料的第二特征向量。
S107.对各组内各物料的第二特征向量进行分类识别,得到各组内各物料的类别信息;具体地,可以采用分类器对各组内各物料的第二特征向量进行识别,得到各组内各物料的类别信息。
S108.根据各组内各物料的类别信息对主板物料进行识别。具体地,统计各组内各物料的类别信息,就可以得到主板物料信息,从而完成对主板物料的识别。
本发明实施例提供的主板物料的识别方法,通过获取主板图像,对主板图像进行检测,得到各物料的定位信息,根据各物料的定位信息对各物料进行分组,获取各组内各物料的第一特征向量,根据各组内各物料的第一特征向量及预设邻接矩阵建立各组物料的计算图,邻接矩阵用于表征每两物料出现在同组的概率,根据各组物料的计算图计算各组内各物料的第二特征向量,对各组内各物料的第二特征向量进行分类识别,得到各组内各物料的类别信息,根据各组内各物料的类别信息对主板物料进行识别,从而在识别主板物料过程中,是根据各物料的定位信息对主板物料进行了分组,并在每组内将物料之间的空间分布关系融入到了表征物料自身的第一特征的第一特征向量中,从而得到第二特征向量,从而对每组内的各物料的第二特征向量进行分类识别时,可以提高各组内物料识别的精度,从而提高主板物料识别的精度,可以解决由于主板物料种类繁多,一些物料的类间差异较小,从而采用对主板中的各物料进行单独识别的方法识别主板物料时,容易出错的问题。
在可选的实施例中,步骤S102,对主板图像进行检测,得到各物料的定位信息,包括:采用物料检测模型对主板图像进行检测,得到各物料的定位信息。
具体地,可以采用目标检测(Object Detection)算法,例如,Faster R-CNN 系列,YOLO系列等,在标注数据集上训练出一个物料检测模型。标注数据集可以包括多个主板图像样本及其对应的标注信息,标注信息可以包括物料的定位信息及物料的种类信息。通过目标检测算法构建的物料检测模型可以识别主板的N类物料,其中N≥1。采用物料检测模型对主板图像进行检测,可以得到各物料的定位信息,定位信息可以包括物料的位置(框)等,此时对各物料的识别是独立的,即是通过对物料进行独立识别,得到各物料的定位信息。
通过采用物料检测模型对主板图像进行检测,得到各物料的定位信息,可以快速、准确地得到各物料的定位信息。
在可选的实施例中,步骤S103,根据各物料的定位信息对各物料进行分组,包括:根据各物料的定位信息确定相邻的每两物料之间的距离;根据相邻的每两物料之间的距离对各物料进行分组。
具体地,可以根据物料之间的空间分布关系对各物料进行分组,从而根据各物料的定位信息可以计算相邻的每两个物料之间的距离,并设置一个距离阈值,使得相邻的每两物料之间的距离小于或等于距离阈值的相邻的两物料分到同一个组,从而将各个物料进行分组。
通过根据相邻的每两物料之间的距离对各物料进行分组,从而可以使得空间距离较近的物料被分为一个组,从而可以对主板物料进行层次聚类。
在可选的实施例中,步骤S104获取各组内各物料的第一特征向量,包括:采用识别模型对各组内各物料进行识别,得到各组内各物料的第一特征向量。
具体地,识别模型可以为分类网络,例如ResNet101等。可以采用识别模型分别对分组后每组内的各物料进行预测,从而各物料将被转换成一个一维的特征向量,也即第一特征向量。
通过采用识别模型对各组内各物料进行识别,可以快速、准确地得到各组内各物料的第一特征向量。
在可选的实施例中,步骤S105,根据各组内各物料的第一特征向量及预设邻接矩阵建立各组物料的计算图,邻接矩阵用于表征每两物料出现在同组的概率,包括:根据各组内各物料及预设邻接矩阵确定各组内每两物料出现在同组的概率;以各组内各物料的第一特征向量作为节点,以各组内每两物料出现在同组的概率作为边建立各组物料的计算图。
具体地,由于邻接矩阵用于表征每两物料出现在同组的概率,因此,根据各组内各物料及预设的邻接矩阵,可以在邻接矩阵中对应确定各组内每两物料出现在同组的概率。计算图可以用(v,e)表示,其中v代表节点,也即是一个组内每一个物料的第一特征向量,e代表边,也即一个组内每两物料出现在同组的概率,可通过邻接矩阵确定。
通过根据各组内各物料及预设邻接矩阵确定各组内每两物料出现在同组的概率,以各组内各物料的第一特征向量作为节点,以各组内每两物料出现在同组的概率作为边建立各组物料的计算图,从而可以确定各组内各物料之间的空间分布关系。
在可选的实施例中,步骤S106,根据各物料的计算图计算各组内各物料的第二特征向量,包括:分别对各组物料的计算图进行图卷积计算,得到各组内各物料的第二特征向量。
具体地,可以将各组物料的计算图中每个节点的第一特征进行合并,形成各组物料的第一矩阵Hl,将各组物料的计算图中每两个节点对应的权重(两物料出现在同组的概率)进行合并,形成各组物料的第二矩阵A,将各组的第一矩阵和第二矩阵输入图卷积神经网络,得到第三矩阵,其中,第三矩阵中包括了各物料的第二特征向量,从而可以得到各组内各物料的第二特征向量。
通过分别对各组物料的计算图进行图卷积计算,得到各组内各物料的第二特征向量,可以对第一特征向量进行更新,使得在第一特性向量中融入物料之间的空间分布关系,从而使得得到的第二特征更加能够表征物料的特性。
在可选的实施例中,步骤S107,对各组内各物料的第二特征向量进行分类识别,得到各组内各物料的类别信息,包括:将各组内各物料的第二特征向量分别输入分类器,得到各组内各物料的类别信息。
具体地,分类器用于对物料进行分类。每个物料的第二特征经过分类器后,可以得到一个1*n的向量,该向量代表该第二特征属于某一类的概率,可以取概率最大的作为分类结果,从而得到该第二特征对应的物料所属的类别信息。将各组内各物料的第二特征向量分别输入分类器,可以得到各组内各物料的类别信息。
通过将各组内各物料的第二特征向量分别输入分类器,采用分类器对各组内各物料进行分类,可以快速、准确得到各组内各物料的类别信息,从而完成对各组内各物料的识别。
本发明实施例还提供了一种主板物料的识别装置,如图2所示,包括:第一获取单元201,用于获取主板图像;具体的实施方式详见上述实施例中步骤S101的描述,在此不再赘述。检测单元202,用于对主板图像进行检测,得到各物料的定位信息;具体的实施方式详见上述实施例中步骤S102的描述,在此不再赘述。分组单元203,用于根据各物料的定位信息对各物料进行分组;具体的实施方式详见上述实施例中步骤S103的描述,在此不再赘述。第二获取单元204,用于获取各组内各物料的第一特征向量;具体的实施方式详见上述实施例中步骤S104的描述,在此不再赘述。构建单元205,用于根据各组内各物料的第一特征向量及预设邻接矩阵建立各组物料的计算图,邻接矩阵用于表征每两物料出现在同组的概率;具体的实施方式详见上述实施例中步骤S105的描述,在此不再赘述。计算单元206,用于根据各物料的计算图计算各组内各物料的第二特征向量;具体的实施方式详见上述实施例中步骤 S106的描述,在此不再赘述。分类单元207,对各组内各物料的第二特征向量进行分类识别,得到各组内各物料的类别信息;具体的实施方式详见上述实施例中步骤S107的描述,在此不再赘述。识别单元208,用于根据各组内各物料的类别信息对主板物料进行识别。具体的实施方式详见上述实施例中步骤S108的描述,在此不再赘述。
本发明实施例提供的主板物料的识别装置,通过获取主板图像,对主板图像进行检测,得到各物料的定位信息,根据各物料的定位信息对各物料进行分组,获取各组内各物料的第一特征向量,根据各组内各物料的第一特征向量及预设邻接矩阵建立各组物料的计算图,邻接矩阵用于表征每两物料出现在同组的概率,根据各组物料的计算图计算各组内各物料的第二特征向量,对各组内各物料的第二特征向量进行分类识别,得到各组内各物料的类别信息,根据各组内各物料的类别信息对主板物料进行识别,从而在识别主板物料过程中,是根据各物料的定位信息对主板物料进行了分组,并在每组内将物料之间的空间分布关系融入到了表征物料自身的第一特征的第一特征向量中,从而得到第二特征向量,从而对每组内的各物料的第二特征向量进行分类识别时,可以提高各组内物料识别的精度,从而提高主板物料识别的精度,可以解决由于主板物料种类繁多,一些物料的类间差异较小,从而采用对主板中的各物料进行单独识别的方法识别主板物料时,容易出错的问题。
基于与前述实施例中一种主板物料的识别方法同样的发明构思,本发明还提供一种电子设备,电子设备上存储有计算机程序,该程序被处理器执行时实现前文所述一种主板物料的识别方法的任一方法的步骤。
其中,在图3中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口 306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
基于与前述实施例中一种主板物料的识别方法同样的发明构思,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
获取针对用户标注的主板第一物料信息;将主板第一物料信息输入至物料检测模型,得到检测结果,物料检测模型通过神经网络对多个训练样本进行训练得到,物料检测模型可检测主板N种物料信息;根据检测结果对用户标注的主板第一物料信息的正确性进行检验。
在具体实施过程中,该程序被处理器执行时,还可以实现上述实施例中的任一方法步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程信息处理设备的处理器以产生一个机器,使得通过计算机或其他可编程信息处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程信息处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程信息处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种主板物料的识别方法,其特征在于,包括:
获取主板图像;
对所述主板图像进行检测,得到各物料的定位信息;
根据所述各物料的定位信息对各所述物料进行分组;
获取各组内各所述物料的第一特征向量;
根据各组内各所述物料的第一特征向量及预设邻接矩阵建立各组物料的计算图,所述邻接矩阵用于表征每两所述物料出现在同组的概率;
根据所述各组物料的计算图计算各组内各所述物料的第二特征向量;
对各组内各所述物料的第二特征向量进行分类识别,得到各组内各所述物料的类别信息;
根据各组内各所述物料的类别信息对主板物料进行识别。
2.根据权利要求1所述的主板物料的识别方法,其特征在于,所述对所述主板图像进行检测,得到各物料的定位信息,包括:
采用物料检测模型对所述主板图像进行检测,得到各物料的定位信息。
3.根据权利要求1所述的主板物料的识别方法,其特征在于,所述根据所述各物料的定位信息对各所述物料进行分组,包括:
根据所述各物料的定位信息确定相邻的每两所述物料之间的距离;
根据相邻的每两所述物料之间的距离对各所述物料进行分组。
4.根据权利要求1所述的主板物料的识别方法,其特征在于,所述获取各组内各所述物料的第一特征向量,包括:
采用识别模型对各组内各所述物料进行识别,得到各组内各所述物料的第一特征向量。
5.根据权利要求1所述的主板物料的识别方法,其特征在于,所述根据各组内各所述物料的第一特征向量及预设邻接矩阵建立各组物料的计算图,所述邻接矩阵用于表征每两所述物料出现在同组的概率,包括:
根据各组内各所述物料及预设邻接矩阵确定各组内每两所述物料出现在同组的概率;
以各组内各所述物料的第一特征向量作为节点,以各组内每两所述物料出现在同组的概率作为边建立各组物料的计算图。
6.根据权利要求1所述的主板物料的识别方法,其特征在于,所述根据所述各物料的计算图计算各组内各所述物料的第二特征向量,包括:
分别对所述各组物料的计算图进行图卷积计算,得到各组内各所述物料的第二特征向量。
7.根据权利要求1所述的主板物料的识别方法,其特征在于,所述对各组内各所述物料的第二特征向量进行分类识别,得到各组内各所述物料的类别信息,包括:
将各组内各所述物料的第二特征向量分别输入分类器,得到各组内各所述物料的类别信息。
8.一种主板物料的识别装置,用于执行如权利要求1-7任意一项所述的主板物料的识别方法,其特征在于,包括:
第一获取单元,用于获取主板图像;
检测单元,用于对所述主板图像进行检测,得到各物料的定位信息;
分组单元,用于根据所述各物料的定位信息对各所述物料进行分组;
第二获取单元,用于获取各组内各所述物料的第一特征向量;
构建单元,用于根据各组内各所述物料的第一特征向量及预设邻接矩阵建立各组物料的计算图,所述邻接矩阵用于表征每两所述物料出现在同组的概率;
计算单元,用于根据所述各物料的计算图计算各组内各所述物料的第二特征向量;
分类单元,对各组内各所述物料的第二特征向量进行分类识别,得到各组内各所述物料的类别信息;
识别单元,用于根据各组内各所述物料的类别信息对主板物料进行识别。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求1-7任意一项所述的主板物料的识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如权利要求1-7任意一项所述的主板物料的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011251949.0A CN112529038B (zh) | 2020-11-11 | 2020-11-11 | 一种主板物料的识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011251949.0A CN112529038B (zh) | 2020-11-11 | 2020-11-11 | 一种主板物料的识别方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529038A CN112529038A (zh) | 2021-03-19 |
CN112529038B true CN112529038B (zh) | 2023-07-25 |
Family
ID=74980149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011251949.0A Active CN112529038B (zh) | 2020-11-11 | 2020-11-11 | 一种主板物料的识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529038B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359564A (zh) * | 2018-09-29 | 2019-02-19 | 中山大学 | 一种图像场景图生成方法及装置 |
CN109697457A (zh) * | 2018-11-26 | 2019-04-30 | 上海图森未来人工智能科技有限公司 | 物体重识别系统的训练方法、物体重识别方法及相关设备 |
CN110059734A (zh) * | 2019-04-02 | 2019-07-26 | 唯思科技(北京)有限公司 | 一种目标识别分类模型的训练方法、物体识别方法、装置、机器人和介质 |
CN111553419A (zh) * | 2020-04-28 | 2020-08-18 | 腾讯科技(深圳)有限公司 | 一种图像识别方法、装置、设备以及可读存储介质 |
CN111695419A (zh) * | 2020-04-30 | 2020-09-22 | 华为技术有限公司 | 一种图像数据处理方法及相关装置 |
-
2020
- 2020-11-11 CN CN202011251949.0A patent/CN112529038B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359564A (zh) * | 2018-09-29 | 2019-02-19 | 中山大学 | 一种图像场景图生成方法及装置 |
CN109697457A (zh) * | 2018-11-26 | 2019-04-30 | 上海图森未来人工智能科技有限公司 | 物体重识别系统的训练方法、物体重识别方法及相关设备 |
CN110059734A (zh) * | 2019-04-02 | 2019-07-26 | 唯思科技(北京)有限公司 | 一种目标识别分类模型的训练方法、物体识别方法、装置、机器人和介质 |
CN111553419A (zh) * | 2020-04-28 | 2020-08-18 | 腾讯科技(深圳)有限公司 | 一种图像识别方法、装置、设备以及可读存储介质 |
CN111695419A (zh) * | 2020-04-30 | 2020-09-22 | 华为技术有限公司 | 一种图像数据处理方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112529038A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Localizing and quantifying damage in social media images | |
CN108038474B (zh) | 人脸检测方法、卷积神经网络参数的训练方法、装置及介质 | |
CN108280477B (zh) | 用于聚类图像的方法和装置 | |
US10013636B2 (en) | Image object category recognition method and device | |
WO2017075939A1 (zh) | 一种图像内容识别方法及装置 | |
EP3478728A1 (en) | Method and system for cell annotation with adaptive incremental learning | |
CN111797893A (zh) | 一种神经网络的训练方法、图像分类系统及相关设备 | |
CN111898739B (zh) | 基于元学习的数据筛选模型构建方法、数据筛选方法、装置、计算机设备及存储介质 | |
CN113313053B (zh) | 图像处理方法、装置、设备、介质及程序产品 | |
CN111325260B (zh) | 数据处理方法及装置、电子设备、计算机可读介质 | |
CN113807399A (zh) | 一种神经网络训练方法、检测方法以及装置 | |
CN110096979B (zh) | 模型的构建方法、人群密度估计方法、装置、设备和介质 | |
CN112634369A (zh) | 空间与或图模型生成方法、装置、电子设备和存储介质 | |
CN110704652A (zh) | 基于多重注意力机制的车辆图像细粒度检索方法及装置 | |
CN115115825B (zh) | 图像中的对象检测方法、装置、计算机设备和存储介质 | |
CN111178196B (zh) | 一种细胞分类的方法、装置及设备 | |
CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
CN112420125A (zh) | 分子属性预测方法、装置、智能设备和终端 | |
CN112529038B (zh) | 一种主板物料的识别方法、装置及存储介质 | |
CN112989869B (zh) | 人脸质量检测模型的优化方法、装置、设备及存储介质 | |
CN115223003A (zh) | 基于YOLOv5的入侵检测模型的训练方法和装置 | |
CN112699908B (zh) | 标注图片的方法、电子终端、计算机可读存储介质及设备 | |
CN111984812A (zh) | 一种特征提取模型生成方法、图像检索方法、装置及设备 | |
CN113609317A (zh) | 一种图像库构建方法、装置及电子设备 | |
CN118037738B (zh) | 一种沥青路面灌缝胶黏结性能检测方法及设备 |
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 |