CN112580583B - 一种台球花色识别参数自动校准方法及系统 - Google Patents

一种台球花色识别参数自动校准方法及系统 Download PDF

Info

Publication number
CN112580583B
CN112580583B CN202011582936.1A CN202011582936A CN112580583B CN 112580583 B CN112580583 B CN 112580583B CN 202011582936 A CN202011582936 A CN 202011582936A CN 112580583 B CN112580583 B CN 112580583B
Authority
CN
China
Prior art keywords
target
identification
preset
parameters
billiard ball
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
CN202011582936.1A
Other languages
English (en)
Other versions
CN112580583A (zh
Inventor
杨培春
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.)
Shenzhen Puhui Zhilian Technology Co ltd
Original Assignee
Shenzhen Puhui Zhilian Technology 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 Shenzhen Puhui Zhilian Technology Co ltd filed Critical Shenzhen Puhui Zhilian Technology Co ltd
Priority to CN202011582936.1A priority Critical patent/CN112580583B/zh
Publication of CN112580583A publication Critical patent/CN112580583A/zh
Application granted granted Critical
Publication of CN112580583B publication Critical patent/CN112580583B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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)
  • 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)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种台球花色识别参数自动校准方法及系统，其方法包括：获取目标台球的多张不同拍摄角度的目标照片，从所述多张目标照片中抽取所述目标台球的N个特征点，根据所述目标台球的N个特征点推算出目标台球的当前识别参数，基于所述当前识别参数，利用预设台球花色识别机制识别所述当前识别参数，获取当前识别结果，确认所述当前识别结果是否与预设识别结果相同，若所述当前识别结果与所述预设识别结果相同，将所述当前识别参数更新到所述目标台球的预设识别参数栏中。也保证了识别参数不是一个固定值，为一串值或者一个取值范围，进而可以准确地对每个台球进行花色识别，保证了识别效率。

Description

一种台球花色识别参数自动校准方法及系统
技术领域
本发明涉及参数校准技术领域，尤其涉及一种台球花色识别参数自动校准方法及系统。
背景技术
目前，台球已经成为大众喜爱的娱乐活动，在现在的台球运动中，基本上所有的摆球工作都是通过人工完成。摆球的过程分为两个步骤：1、按照台球规则严格码放；2、将码放完整的台球放置在台面规定位置。另外台球码放还要求台球间的缝隙足够小，以保证开球的质量。这使得球童很难既快速又高质量地完成摆球工作，在台球厅顾客较多的时候，常常会出现球童忙不过来的现象。为解决台球娱乐活动中人工摆球的服务响应慢、速度慢、质量差、人工成本高等诸多问题，提出用专用型机器人进行摆球运动。机器人的一大关键部位就是其“眼睛”——台球花色识别装置，其采用颜色传感器通过特定算法实现对半色球、全色球、黑球和白球的区分，但是存在以下问题：采用固定的标定值并不能适应色差变化，可能对一副台球能完成功能换一副台球就不能够精准的进行花色识别了，严重地影响了使用者的体验感。
发明内容
针对上述所显示出来的问题，本发明公开了一种台球花色识别参数自动校准方法及系统用以解决背景技术中提到的采用固定的标定值并不能适应色差变化，可能对一副台球能完成功能换一副台球就不能够精准的进行花色识别了，严重地影响了使用者的体验感的问题。
一种台球花色识别参数自动校准方法，包括以下步骤：
获取目标台球的多张不同拍摄角度的目标照片，从所述多张目标照片中抽取所述目标台球的N个特征点；
根据所述目标台球的N个特征点推算出目标台球的当前识别参数；
基于所述当前识别参数，利用预设台球花色识别机制识别所述当前识别参数，获取当前识别结果，确认所述当前识别结果是否与预设识别结果相同；
若所述当前识别结果与所述预设识别结果相同，将所述当前识别参数更新到所述目标台球的预设识别参数栏中。
优选的，所述获取目标台球的多张不同拍摄角度的目标照片，从所述多张目标照片中抽取所述目标台球的N个特征点，包括：
获取在上下左右四个方向上每个方向不同角度拍摄的预设数量张目标图片，将所有数量个目标图片进行汇总以获得所述多张不同角度的目标图片；
对所述多张不同角度的目标图片进行预处理；
以所述目标台球的面积为目标模型，在预处理后的多张不同角度的目标图片中抽取在所述目标模型上的点的特征点；
将抽取的所有点的特征点确认为目标台球的N个特征点。
优选的，根据所述目标台球的N个特征点推算出目标台球的当前识别参数，包括：
获取N个特征点中每个特征点在所述目标模型中的坐标；
根据每个特征点在所述目标模型中的坐标以及预处理后的多张不同角度的目标图片建立目标台球的参数观测模型；
利用所述参数观测模型根据所述N个特征点在所述目标目标模型中形成的点列形状推算出所述目标台球的形状参数；
将所述N个特征点进行梯度分布，利用所述参数观测模型根据特征点的分布结果推算出所述目标台球的表面参数；
将所述表面参数和形状参数确认为所述目标台球的当前识别参数。
优选的，基于所述当前识别参数，利用预设台球花色识别机制识别所述当前识别参数，获取当前识别结果，确认所述当前识别结果是否与预设识别结果相同，包括：
利用所述预设台球花色识别机制识别所述目标台球的形状参数，获得第一识别结果；
根据所述第一识别结果将预先存储的预设识别结果中与所述第一识别结果相似度在预设阈值之下的第一目标预设识别结果删除，保留第二目标预设识别结果；
利用所述预设台球花色识别机制识别所述目标台球的形状参数的表面参数，获得第二识别结果；
将所述第二识别结果确认为所述当前识别结果，根据所述第二识别结果确定所述目标台球的目标花色；
确定第二目标预设识别结果的预设花色；
将所述目标花色同所述预设花色进行比较，确认所述目标花色与所述预设花色是否相同。
优选的，在若所述当前识别结果与所述预设识别结果相同，将所述当前识别参数更新到所述目标台球的预设识别参数栏中之前，所述方法还包括：
获取所述目标台球多张不同拍摄角度的出厂照片，从所述多张出厂照片中提取所述目标台球的多个初始识别参数；
确定每个初始识别参数的可调性；
设置具有可调性的第一初始识别参数的参数变化范围；
将设置完毕后的第一初始识别参数和第二初始识别参数共同存储到目标台球的预设识别参数栏中，其中，所述第二初始识别参数为多个识别参数中除所述第一初始识别参数外的初始识别参数。
优选的，若所述当前识别结果与所述预设识别结果相同，将所述当前识别参数更新到所述目标台球的预设识别参数栏中，包括：
在所述预设识别参数栏中确认当前识别参数的可调性；
当所述当前识别参数具有可调性时，获取所述当前识别参数的预设调节范围，确认所述当前识别参数是否在所述预设调节范围内，若是，确认无需校准所述目标台球的识别参数；
若所述当前识别参数不在所述预设调节范围内，利用所述当前识别参数更新所述预设调节范围，获得目标调节范围；
将所述目标调节范围插入到所述预设识别参数栏中以替换所述预设调节范围。
优选的，所述方法还包括：
根据所述预设识别参数栏中的识别参数因外界环境变化或目标台球自身参数变化影响因数而检测影响参数值，所述影响参数值包括：台球磨损参数值，环境亮度参数值和表面清洁度参数值；
根据所述影响参数值和预设识别参数栏中的识别参数形成目标台球的识别参数适应性调节算法；
根据所述识别参数适应性调节算法实时调节所述预设识别参数栏中的识别参数。
优选的，所述方法还包括：
根据所述预设识别参数栏中的识别参数的参数特性建立参数化模型；
利用所述参数化模型确定台球每个使用阶段的识别参数范围；
构建两个结构相同的卷积神经网络，将所述两个结构相同的卷积神经网络分别作为辅助网络和应用网络；
获取每个识别参数范围内的第一台球拍摄图片；
利用所述每个识别参数范围内的第一台球拍摄图片重复训练所述辅助网络直到误差低于固定阈值为止；
获取所述辅助网络输出的第一图像集，确定所述第一图像集的变化规律；
将所述第一图像集输入到所述应用网络中，获得所述应用网络输出的第二图像集；
确定所述第一图像集和第二图像集的相似度，根据所述相似度计算出所述应用网络的学习率；
估计出在预设识别参数栏中的最后一个识别参数范围后的目标识别参数范围；
绘制出所述目标识别参数范围的第二台球拍摄图片，基于所述应用网络的学习率，将所述第二台球拍摄图片输入到所述应用网络中，确定所述第二台球拍摄图片对应的目标识别参数范围；
将所述目标识别参数范围归纳到预设识别参数栏中的识别参数范围中；
提取出所述第二台球拍摄图片的目标识别参数；
确认所述目标识别参数是否在所述目标识别参数范围中，若是，无需进行后续操作，否则，将所述目标识别参数范围从所述预设识别参数栏中的识别参数范围中进行删除，重新确定所述目标识别参数范围的取值范围直到所述目标识别参数在所述取值范围之中为止。
优选的，在对所述多张不同角度的目标图片进行预处理之后，以所述目标台球的面积为目标模型，在预处理后的多张不同角度的目标图片中抽取在所述目标模型上的点的特征点之前，所述方法还包括：
确定预处理后的多张不同角度的目标图片中每个目标图片的像素值；
根据每个目标图片的像素值计算出每个目标图片的目标合格性指数：
其中，ki表示为第i个目标图片的目标合格性指数，log表示为对数，Zi表示为第i个目标图片的像素值，ω表示为灰度值影响系数，Xi表示为第i个目标图片的灰度值，Si表示为第i个目标图片的像素修正系数，Li表示为第i个目标图片的占用内存，F表示为预设占用内容基准值，ai表示为目标台球的图像在第i个目标图片中占据的比例，M表示为环境干扰因子，取值为0.1，Bi表示为环境干扰因子对于第i个目标图片拍摄时的干扰系数，Q表示为预设危险系数基准值；
将目标合格性指数大于等于预设合格性指数的第一目标图片进行保留，将目标合格性指数小于所述预设合格性指数的第二目标图片进行去除；
获取所述第一目标图片的图片参数，所述图片参数包括：采光度，相对于所述目标台球圆心切面之间的拍摄角度以及目标台球的视图在所述第一目标图片中的完整度；
根据所述第一目标图片的图片参数计算出对于目标台球的目标拍摄完整度：
其中，H表示为对于目标台球的目标拍摄完整度，P表示为第一目标图片的数量，Dj表示为第j个第一目标图片的采光度，θ1表示为采光度对于目标台球的目标拍摄完整度的计算权重值，取值为0.5，cos表示为余弦，Tj表示为第j个第一目标图片相对于所述目标台球圆心切面之间的拍摄角度，θ2表示为拍摄角度对于目标台球的目标拍摄完整度的计算权重值，取值为0.1，Yj表示为第j个第一目标图片中目标台球的视图的完整度，θ3表示为目标台球的视图的完整度对于目标台球的目标拍摄完整度的计算权重值，取值为0.4，f()表示为完整度评估函数；
确认对于目标台球的目标拍摄完整度是否大于等于预设完整度，若是，确认所述第一目标图片符合需要，否则，确认所述第一目标图片不符合需要，重新获取多张不同角度的目标图片进行评估直到确认符合需要为止。
一种台球花色识别参数自动校准系统，该系统包括：
抽取模块，用于获取目标台球的多张不同拍摄角度的目标照片，从所述多张目标照片中抽取所述目标台球的N个特征点；
推算模块，用于根据所述目标台球的N个特征点推算出目标台球的当前识别参数；
识别模块，用于基于所述当前识别参数，利用预设台球花色识别机制识别所述当前识别参数，获取当前识别结果，确认所述当前识别结果是否与预设识别结果相同；
更新模块，用于若所述当前识别结果与所述预设识别结果相同，将所述当前识别参数更新到所述目标台球的预设识别参数栏中。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明所提供的一种台球花色识别参数自动校准方法的工作流程图；
图2为本发明所提供的一种台球花色识别参数自动校准方法的另一工作流程图；
图3为本发明所提供的一种台球花色识别参数自动校准方法的又一工作流程图；
图4为本发明所提供的一种台球花色识别参数自动校准系统的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
目前，台球已经成为大众喜爱的娱乐活动，在现在的台球运动中，基本上所有的摆球工作都是通过人工完成。摆球的过程分为两个步骤：1、按照台球规则严格码放；2、将码放完整的台球放置在台面规定位置。另外台球码放还要求台球间的缝隙足够小，以保证开球的质量。这使得球童很难既快速又高质量地完成摆球工作，在台球厅顾客较多的时候，常常会出现球童忙不过来的现象。为解决台球娱乐活动中人工摆球的服务响应慢、速度慢、质量差、人工成本高等诸多问题，提出用专用型机器人进行摆球运动。机器人的一大关键部位就是其“眼睛”——台球花色识别装置，其采用颜色传感器通过特定算法实现对半色球、全色球、黑球和白球的区分，但是存在以下问题：采用固定的标定值并不能适应色差变化，可能对一副台球能完成功能换一副台球就不能够精准的进行花色识别了，严重地影响了使用者的体验感。为了解决上述问题，本实施例公开了一种台球花色识别参数自动校准方法。
一种台球花色识别参数自动校准方法，如图1所示，包括以下步骤：
步骤S101、获取目标台球的多张不同拍摄角度的目标照片，从所述多张目标照片中抽取所述目标台球的N个特征点；
步骤S102、根据所述目标台球的N个特征点推算出目标台球的当前识别参数；
步骤S103、基于所述当前识别参数，利用预设台球花色识别机制识别所述当前识别参数，获取当前识别结果，确认所述当前识别结果是否与预设识别结果相同；
步骤S104、若所述当前识别结果与所述预设识别结果相同，将所述当前识别参数更新到所述目标台球的预设识别参数栏中。
上述技术方案的工作原理为：获取目标台球的多张不同拍摄角度的目标照片，从所述多张目标照片中抽取所述目标台球的N个特征点，根据所述目标台球的N个特征点推算出目标台球的当前识别参数，基于所述当前识别参数，利用预设台球花色识别机制识别所述当前识别参数，获取当前识别结果，确认所述当前识别结果是否与预设识别结果相同，若所述当前识别结果与所述预设识别结果相同，将所述当前识别参数更新到所述目标台球的预设识别参数栏中。
上述技术方案的有益效果为：通过将目标台球的当前识别参数更新到预设识别参数栏中既可以准确地确定目标台球的花色识别是否正确又可以在正确的前提下将目标台球的当前识别参数更新到预设识别参数栏中，可以对后续不同的台球进行花色识别，同时也保证了识别参数不是一个固定值，为一串值或者一个取值范围，进而可以准确地对每个台球进行花色识别，保证了识别效率，解决了现有技术中由于采用固定的标定值并不能适应色差变化，可能对一副台球能完成功能换一副台球就不能够精准的进行花色识别了，严重地影响了使用者的体验感的问题。
在一个实施例中，如图2所示，所述获取目标台球的多张不同拍摄角度的目标照片，从所述多张目标照片中抽取所述目标台球的N个特征点，包括：
步骤S201、获取在上下左右四个方向上每个方向不同角度拍摄的预设数量张目标图片，将所有数量个目标图片进行汇总以获得所述多张不同角度的目标图片；
步骤S202、对所述多张不同角度的目标图片进行预处理；
步骤S203、以所述目标台球的面积为目标模型，在预处理后的多张不同角度的目标图片中抽取在所述目标模型上的点的特征点；
步骤S204、将抽取的所有点的特征点确认为目标台球的N个特征点；
在本实施例中，上述预设数量可以为5，上述不同角度的角度间隔可以为15°，上述对目标图片进行预处理可以为对目标图片进行去噪、平滑和像素优化等。
上述技术方案的有益效果为：通过获取四个方向上的图片对其进行预处理可以更加准确地构建目标模型，为目标模型提供良好的数据，同时还可以更加准确无误地抽取特征点，提高了准确率和稳定性。
在一个实施例中，如图3所示，根据所述目标台球的N个特征点推算出目标台球的当前识别参数，包括：
步骤S301、获取N个特征点中每个特征点在所述目标模型中的坐标；
步骤S302、根据每个特征点在所述目标模型中的坐标以及预处理后的多张不同角度的目标图片建立目标台球的参数观测模型；
步骤S303、利用所述参数观测模型根据所述N个特征点在所述目标目标模型中形成的点列形状推算出所述目标台球的形状参数；
步骤S304、将所述N个特征点进行梯度分布，利用所述参数观测模型根据特征点的分布结果推算出所述目标台球的表面参数；
步骤S305、将所述表面参数和形状参数确认为所述目标台球的当前识别参数。
上述技术方案的有益效果为：通过推算目标台球的形状参数和表面参数既可以根据形状确定目标台球的识别参数是否在预设识别参数栏里，又可以同时根据表面参数对目标台球的花色进行准确判断，进一步地提高了判定的准确性。
在一个实施例中，基于所述当前识别参数，利用预设台球花色识别机制识别所述当前识别参数，获取当前识别结果，确认所述当前识别结果是否与预设识别结果相同，包括：
利用所述预设台球花色识别机制识别所述目标台球的形状参数，获得第一识别结果；
根据所述第一识别结果将预先存储的预设识别结果中与所述第一识别结果相似度在预设阈值之下的第一目标预设识别结果删除，保留第二目标预设识别结果；
利用所述预设台球花色识别机制识别所述目标台球的形状参数的表面参数，获得第二识别结果；
将所述第二识别结果确认为所述当前识别结果，根据所述第二识别结果确定所述目标台球的目标花色；
确定第二目标预设识别结果的预设花色；
将所述目标花色同所述预设花色进行比较，确认所述目标花色与所述预设花色是否相同。
上述技术方案的有益效果为：通过利用排除法来更加准确地确定目标台球的当前识别参数是否在预设识别参数栏中，进一步地提高了判定的准确性，进一步地，通过比较花色的方式可以直观地利用目标台球的表面参数与标准表面参数进行比较来确定误差，相比于现有技术中利用图片进行对比来说，最终的对比结果更加准确和实际。
在一个实施例中，在若所述当前识别结果与所述预设识别结果相同，将所述当前识别参数更新到所述目标台球的预设识别参数栏中之前，所述方法还包括：
获取所述目标台球多张不同拍摄角度的出厂照片，从所述多张出厂照片中提取所述目标台球的多个初始识别参数；
确定每个初始识别参数的可调性；
设置具有可调性的第一初始识别参数的参数变化范围；
将设置完毕后的第一初始识别参数和第二初始识别参数共同存储到目标台球的预设识别参数栏中，其中，所述第二初始识别参数为多个识别参数中除所述第一初始识别参数外的初始识别参数。
上述技术方案的有益效果为：通过对具有可调性的识别参数设置参数变化范围可以扩大对台球的花色识别的容错率，降低了误识别的概率。
在一个实施例中，若所述当前识别结果与所述预设识别结果相同，将所述当前识别参数更新到所述目标台球的预设识别参数栏中，包括：
在所述预设识别参数栏中确认当前识别参数的可调性；
当所述当前识别参数具有可调性时，获取所述当前识别参数的预设调节范围，确认所述当前识别参数是否在所述预设调节范围内，若是，确认无需校准所述目标台球的识别参数；
若所述当前识别参数不在所述预设调节范围内，利用所述当前识别参数更新所述预设调节范围，获得目标调节范围；
将所述目标调节范围插入到所述预设识别参数栏中以替换所述预设调节范围。
上述技术方案的有益效果为：可以对预设识别栏中的识别参数进行实时的校准与更新以应对不同的台球的花色识别，提高了实用性的同时进一步地提高了对于台球花色识别的准确性。
在一个实施例中，所述方法还包括：
根据所述预设识别参数栏中的识别参数因外界环境变化或目标台球自身参数变化影响因数而检测影响参数值，所述影响参数值包括：台球磨损参数值，环境亮度参数值和表面清洁度参数值；
根据所述影响参数值和预设识别参数栏中的识别参数形成目标台球的识别参数适应性调节算法；
根据所述识别参数适应性调节算法实时调节所述预设识别参数栏中的识别参数。
上述技术方案的有益效果为：通过根据台球所处环境与台球自身因素的影响来构建识别参数适应性调节算法可以对预设识别参数栏中的识别参数进行适应性的调节，避免了由于每一副台球之间都存在一定的色差，并且色差会随着使用时间越来越久而变得更大，这就给台球的识别带来了极大干扰的问题，进一步地提高了台球花色识别的准确性。
在一个实施例中，所述方法还包括：
根据所述预设识别参数栏中的识别参数的参数特性建立参数化模型；
利用所述参数化模型确定台球每个使用阶段的识别参数范围；
构建两个结构相同的卷积神经网络，将所述两个结构相同的卷积神经网络分别作为辅助网络和应用网络；
获取每个识别参数范围内的第一台球拍摄图片；
利用所述每个识别参数范围内的第一台球拍摄图片重复训练所述辅助网络直到误差低于固定阈值为止；
获取所述辅助网络输出的第一图像集，确定所述第一图像集的变化规律；
将所述第一图像集输入到所述应用网络中，获得所述应用网络输出的第二图像集；
确定所述第一图像集和第二图像集的相似度，根据所述相似度计算出所述应用网络的学习率；
估计出在预设识别参数栏中的最后一个识别参数范围后的目标识别参数范围；
绘制出所述目标识别参数范围的第二台球拍摄图片，基于所述应用网络的学习率，将所述第二台球拍摄图片输入到所述应用网络中，确定所述第二台球拍摄图片对应的目标识别参数范围；
将所述目标识别参数范围归纳到预设识别参数栏中的识别参数范围中；
提取出所述第二台球拍摄图片的目标识别参数；
确认所述目标识别参数是否在所述目标识别参数范围中，若是，无需进行后续操作，否则，将所述目标识别参数范围从所述预设识别参数栏中的识别参数范围中进行删除，重新确定所述目标识别参数范围的取值范围直到所述目标识别参数在所述取值范围之中为止。
上述技术方案的有益效果为：可以利用两个神经网路对台球下一个使用周期的识别参数进行预先判断和存储，进而可以有效地减少对于更新预设识别参数栏的工作量，实现了智能化，进一步地，通过对目标是被参数范围进行不断优化可以更加细致具体地确定台球下一使用周期的识别参数的变化范围，提高了实用性。
在一个实施例中，在对所述多张不同角度的目标图片进行预处理之后，以所述目标台球的面积为目标模型，在预处理后的多张不同角度的目标图片中抽取在所述目标模型上的点的特征点之前，所述方法还包括：
确定预处理后的多张不同角度的目标图片中每个目标图片的像素值；
根据每个目标图片的像素值计算出每个目标图片的目标合格性指数：
其中，ki表示为第i个目标图片的目标合格性指数，log表示为对数，Zi表示为第i个目标图片的像素值，ω表示为灰度值影响系数，Xi表示为第i个目标图片的灰度值，Si表示为第i个目标图片的像素修正系数，Li表示为第i个目标图片的占用内存，F表示为预设占用内容基准值，ai表示为目标台球的图像在第i个目标图片中占据的比例，M表示为环境干扰因子，取值为0.1，Bi表示为环境干扰因子对于第i个目标图片拍摄时的干扰系数，Q表示为预设危险系数基准值；
将目标合格性指数大于等于预设合格性指数的第一目标图片进行保留，将目标合格性指数小于所述预设合格性指数的第二目标图片进行去除；
获取所述第一目标图片的图片参数，所述图片参数包括：采光度，相对于所述目标台球圆心切面之间的拍摄角度以及目标台球的视图在所述第一目标图片中的完整度；
根据所述第一目标图片的图片参数计算出对于目标台球的目标拍摄完整度：
其中，H表示为对于目标台球的目标拍摄完整度，P表示为第一目标图片的数量，Dj表示为第j个第一目标图片的采光度，θ1表示为采光度对于目标台球的目标拍摄完整度的计算权重值，取值为0.5，cos表示为余弦，Tj表示为第j个第一目标图片相对于所述目标台球圆心切面之间的拍摄角度，θ2表示为拍摄角度对于目标台球的目标拍摄完整度的计算权重值，取值为0.1，Yj表示为第j个第一目标图片中目标台球的视图的完整度，θ3表示为目标台球的视图的完整度对于目标台球的目标拍摄完整度的计算权重值，取值为0.4，f()表示为完整度评估函数；
确认对于目标台球的目标拍摄完整度是否大于等于预设完整度，若是，确认所述第一目标图片符合需要，否则，确认所述第一目标图片不符合需要，重新获取多张不同角度的目标图片进行评估直到确认符合需要为止。
上述技术方案的有益效果为：可以将目标图片进行严格地筛选进而保证后续对目标台球的花色识别提高优良的评判数据，提高了评估结果的准确性，进一步地，通过对所有第一目标图片拍摄的关于目标台球完整度进行计算可以保证后续可以提取到目标台球的所有特征点，保证了数据的精度。
一种台球花色识别参数自动校准系统，如图4所示，该系统包括：
抽取模块401，用于获取目标台球的多张不同拍摄角度的目标照片，从所述多张目标照片中抽取所述目标台球的N个特征点；
推算模块402，用于根据所述目标台球的N个特征点推算出目标台球的当前识别参数；
识别模块403，用于基于所述当前识别参数，利用预设台球花色识别机制识别所述当前识别参数，获取当前识别结果，确认所述当前识别结果是否与预设识别结果相同；
更新模块404，用于若所述当前识别结果与所述预设识别结果相同，将所述当前识别参数更新到所述目标台球的预设识别参数栏中。
上述技术方案的工作原理及有益效果在方法权利要求中已经说明，此处不再赘述。
本领域技术人员应当理解的是，本发明中的第一、第二指的是不同应用阶段而已。
本领域技术用户员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (9)

1.一种台球花色识别参数自动校准方法，其特征在于，包括以下步骤：
获取目标台球的多张不同拍摄角度的目标照片，从所述多张目标照片中抽取所述目标台球的N个特征点；
根据所述目标台球的N个特征点推算出目标台球的当前识别参数；
基于所述当前识别参数，利用预设台球花色识别机制识别所述当前识别参数，获取当前识别结果，确认所述当前识别结果是否与预设识别结果相同；
若所述当前识别结果与所述预设识别结果相同，将所述当前识别参数更新到所述目标台球的预设识别参数栏中；
在若所述当前识别结果与所述预设识别结果相同，将所述当前识别参数更新到所述目标台球的预设识别参数栏中之前，所述方法还包括：
获取所述目标台球多张不同拍摄角度的出厂照片，从所述多张出厂照片中提取所述目标台球的多个初始识别参数；
确定每个初始识别参数的可调性；
设置具有可调性的第一初始识别参数的参数变化范围；
将设置完毕后的第一初始识别参数和第二初始识别参数共同存储到目标台球的预设识别参数栏中，其中，所述第二初始识别参数为多个识别参数中除所述第一初始识别参数外的初始识别参数。
2.根据权利要求1所述台球花色识别参数自动校准方法，其特征在于，所述获取目标台球的多张不同拍摄角度的目标照片，从所述多张目标照片中抽取所述目标台球的N个特征点，包括：
获取在上下左右四个方向上每个方向不同角度拍摄的预设数量张目标图片，将所有数量个目标图片进行汇总以获得所述多张不同角度的目标图片；
对所述多张不同角度的目标图片进行预处理；
以所述目标台球的面积为目标模型，在预处理后的多张不同角度的目标图片中抽取在所述目标模型上的点的特征点；
将抽取的所有点的特征点确认为目标台球的N个特征点。
3.根据权利要求2所述台球花色识别参数自动校准方法，其特征在于，根据所述目标台球的N个特征点推算出目标台球的当前识别参数，包括：
获取N个特征点中每个特征点在所述目标模型中的坐标；
根据每个特征点在所述目标模型中的坐标以及预处理后的多张不同角度的目标图片建立目标台球的参数观测模型；
利用所述参数观测模型根据所述N个特征点在所述目标模型中形成的点列形状推算出所述目标台球的形状参数；
将所述N个特征点进行梯度分布，利用所述参数观测模型根据特征点的分布结果推算出所述目标台球的表面参数；
将所述表面参数和形状参数确认为所述目标台球的当前识别参数。
4.根据权利要求3所述台球花色识别参数自动校准方法，其特征在于，基于所述当前识别参数，利用预设台球花色识别机制识别所述当前识别参数，获取当前识别结果，确认所述当前识别结果是否与预设识别结果相同，包括：
利用所述预设台球花色识别机制识别所述目标台球的形状参数，获得第一识别结果；
根据所述第一识别结果将预先存储的预设识别结果中与所述第一识别结果相似度在预设阈值之下的第一目标预设识别结果删除，保留第二目标预设识别结果；
利用所述预设台球花色识别机制识别所述目标台球的形状参数的表面参数，获得第二识别结果；
将所述第二识别结果确认为所述当前识别结果，根据所述第二识别结果确定所述目标台球的目标花色；
确定第二目标预设识别结果的预设花色；
将所述目标花色同所述预设花色进行比较，确认所述目标花色与所述预设花色是否相同。
5.根据权利要求1所述台球花色识别参数自动校准方法，其特征在于，若所述当前识别结果与所述预设识别结果相同，将所述当前识别参数更新到所述目标台球的预设识别参数栏中，包括：
在所述预设识别参数栏中确认当前识别参数的可调性；
当所述当前识别参数具有可调性时，获取所述当前识别参数的预设调节范围，确认所述当前识别参数是否在所述预设调节范围内，若是，确认无需校准所述目标台球的识别参数；
若所述当前识别参数不在所述预设调节范围内，利用所述当前识别参数更新所述预设调节范围，获得目标调节范围；
将所述目标调节范围插入到所述预设识别参数栏中以替换所述预设调节范围。
6.根据权利要求1所述台球花色识别参数自动校准方法，其特征在于，所述方法还包括：
根据所述预设识别参数栏中的识别参数因外界环境变化或目标台球自身参数变化影响因数而检测影响参数值，所述影响参数值包括：台球磨损参数值，环境亮度参数值和表面清洁度参数值；
根据所述影响参数值和预设识别参数栏中的识别参数形成目标台球的识别参数适应性调节算法；
根据所述识别参数适应性调节算法实时调节所述预设识别参数栏中的识别参数。
7.根据权利要求1所述台球花色识别参数自动校准方法，其特征在于，所述方法还包括：
根据所述预设识别参数栏中的识别参数的参数特性建立参数化模型；
利用所述参数化模型确定台球每个使用阶段的识别参数范围；
构建两个结构相同的卷积神经网络，将所述两个结构相同的卷积神经网络分别作为辅助网络和应用网络；
获取每个识别参数范围内的第一台球拍摄图片；
利用所述每个识别参数范围内的第一台球拍摄图片重复训练所述辅助网络直到误差低于固定阈值为止；
获取所述辅助网络输出的第一图像集，确定所述第一图像集的变化规律；
将所述第一图像集输入到所述应用网络中，获得所述应用网络输出的第二图像集；
确定所述第一图像集和第二图像集的相似度，根据所述相似度计算出所述应用网络的学习率；
估计出在预设识别参数栏中的最后一个识别参数范围后的目标识别参数范围；
绘制出所述目标识别参数范围的第二台球拍摄图片，基于所述应用网络的学习率，将所述第二台球拍摄图片输入到所述应用网络中，确定所述第二台球拍摄图片对应的目标识别参数范围；
将所述目标识别参数范围归纳到预设识别参数栏中的识别参数范围中；
提取出所述第二台球拍摄图片的目标识别参数；
确认所述目标识别参数是否在所述目标识别参数范围中，若是，无需进行后续操作，否则，将所述目标识别参数范围从所述预设识别参数栏中的识别参数范围中进行删除，重新确定所述目标识别参数范围的取值范围直到所述目标识别参数在所述取值范围之中为止。
8.根据权利要求2所述台球花色识别参数自动校准方法，其特征在于，在对所述多张不同角度的目标图片进行预处理之后，以所述目标台球的面积为目标模型，在预处理后的多张不同角度的目标图片中抽取在所述目标模型上的点的特征点之前，所述方法还包括：
确定预处理后的多张不同角度的目标图片中每个目标图片的像素值；
根据每个目标图片的像素值计算出每个目标图片的目标合格性指数：
其中，ki表示为第i个目标图片的目标合格性指数，log表示为对数，Zi表示为第i个目标图片的像素值，ω表示为灰度值影响系数，Xi表示为第i个目标图片的灰度值，Si表示为第i个目标图片的像素修正系数，Li表示为第i个目标图片的占用内存,F表示为预设占用内容基准值，ai表示为目标台球的图像在第i个目标图片中占据的比例，M表示为环境干扰因子，取值为0.1，Bi表示为环境干扰因子对于第i个目标图片拍摄时的干扰系数，Q表示为预设危险系数基准值；
将目标合格性指数大于等于预设合格性指数的第一目标图片进行保留，将目标合格性指数小于所述预设合格性指数的第二目标图片进行去除；
获取所述第一目标图片的图片参数，所述图片参数包括：采光度，相对于所述目标台球圆心切面之间的拍摄角度以及目标台球的视图在所述第一目标图片中的完整度；
根据所述第一目标图片的图片参数计算出对于目标台球的目标拍摄完整度：
其中，H表示为对于目标台球的目标拍摄完整度，P表示为第一目标图片的数量，Dj表示为第j个第一目标图片的采光度，θ1表示为采光度对于目标台球的目标拍摄完整度的计算权重值，取值为0.5，cos表示为余弦，Tj表示为第j个第一目标图片相对于所述目标台球圆心切面之间的拍摄角度，θ2表示为拍摄角度对于目标台球的目标拍摄完整度的计算权重值，取值为0.1，Yj表示为第j个第一目标图片中目标台球的视图的完整度，θ3表示为目标台球的视图的完整度对于目标台球的目标拍摄完整度的计算权重值，取值为0.4，f()表示为完整度评估函数；
确认对于目标台球的目标拍摄完整度是否大于等于预设完整度，若是，确认所述第一目标图片符合需要，否则，确认所述第一目标图片不符合需要，重新获取多张不同角度的目标图片进行评估直到确认符合需要为止。
9.一种台球花色识别参数自动校准系统，其特征在于，该系统包括：
抽取模块，用于获取目标台球的多张不同拍摄角度的目标照片，从所述多张目标照片中抽取所述目标台球的N个特征点；
推算模块，用于根据所述目标台球的N个特征点推算出目标台球的当前识别参数；
识别模块，用于基于所述当前识别参数，利用预设台球花色识别机制识别所述当前识别参数，获取当前识别结果，确认所述当前识别结果是否与预设识别结果相同；
更新模块，用于若所述当前识别结果与所述预设识别结果相同，将所述当前识别参数更新到所述目标台球的预设识别参数栏中；
所述更新模块用于若所述当前识别结果与所述预设识别结果相同，将所述当前识别参数更新到所述目标台球的预设识别参数栏中之前，还包括：
获取所述目标台球多张不同拍摄角度的出厂照片，从所述多张出厂照片中提取所述目标台球的多个初始识别参数；
确定每个初始识别参数的可调性；
设置具有可调性的第一初始识别参数的参数变化范围；
将设置完毕后的第一初始识别参数和第二初始识别参数共同存储到目标台球的预设识别参数栏中，其中，所述第二初始识别参数为多个识别参数中除所述第一初始识别参数外的初始识别参数。
CN202011582936.1A 2020-12-28 2020-12-28 一种台球花色识别参数自动校准方法及系统 Active CN112580583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011582936.1A CN112580583B (zh) 2020-12-28 2020-12-28 一种台球花色识别参数自动校准方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011582936.1A CN112580583B (zh) 2020-12-28 2020-12-28 一种台球花色识别参数自动校准方法及系统

Publications (2)

Publication Number Publication Date
CN112580583A CN112580583A (zh) 2021-03-30
CN112580583B true CN112580583B (zh) 2024-03-15

Family

ID=75140265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011582936.1A Active CN112580583B (zh) 2020-12-28 2020-12-28 一种台球花色识别参数自动校准方法及系统

Country Status (1)

Country Link
CN (1) CN112580583B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201618388U (zh) * 2010-01-20 2010-11-03 青岛科技大学 用于自动台球机的台球
JP2012187221A (ja) * 2011-03-09 2012-10-04 Hiroyuki Hashimoto ビリヤード装置を利用したコミュニケーションシステム
CN107341509A (zh) * 2017-06-29 2017-11-10 北京小米移动软件有限公司 卷积神经网络的训练方法及装置
WO2017209409A1 (ko) * 2016-06-02 2017-12-07 삼성전자 주식회사 구형 컨텐츠 편집 방법 및 이를 지원하는 전자 장치
CN107545562A (zh) * 2016-06-29 2018-01-05 可利爱驰有限公司 用于补正球图像的亮度的方法、系统及非暂时性的计算机可读记录介质
CN108096820A (zh) * 2018-01-09 2018-06-01 北京昊启科技有限公司 一种基于单个颜色传感器的台球花色识别装置及方法
CN108198225A (zh) * 2018-01-09 2018-06-22 北京昊启科技有限公司 台球花色识别装置的参数自动校准方法及计算机存储介质
WO2018120682A1 (zh) * 2016-12-28 2018-07-05 上海联影医疗科技有限公司 图像的颜色调节方法和系统
CN108335296A (zh) * 2018-02-28 2018-07-27 中际山河科技有限责任公司 一种极板识别装置及方法
CN108764024A (zh) * 2018-04-09 2018-11-06 平安科技（深圳）有限公司 人脸识别模型的生成装置、方法及计算机可读存储介质
CN110266952A (zh) * 2019-06-28 2019-09-20 Oppo广东移动通信有限公司 图像处理方法、装置、电子设备以及存储介质
CN111013122A (zh) * 2019-12-23 2020-04-17 丁希文 一种中式台球自动摆送球装置
CN111640129A (zh) * 2020-05-25 2020-09-08 电子科技大学 一种应用于室内墙面施工机器人的视觉砂浆识别系统
CN111915704A (zh) * 2020-06-13 2020-11-10 东北林业大学 一种基于深度学习的苹果分级识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10055850B2 (en) * 2014-09-19 2018-08-21 Brain Corporation Salient features tracking apparatus and methods using visual initialization

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201618388U (zh) * 2010-01-20 2010-11-03 青岛科技大学 用于自动台球机的台球
JP2012187221A (ja) * 2011-03-09 2012-10-04 Hiroyuki Hashimoto ビリヤード装置を利用したコミュニケーションシステム
WO2017209409A1 (ko) * 2016-06-02 2017-12-07 삼성전자 주식회사 구형 컨텐츠 편집 방법 및 이를 지원하는 전자 장치
CN107545562A (zh) * 2016-06-29 2018-01-05 可利爱驰有限公司 用于补正球图像的亮度的方法、系统及非暂时性的计算机可读记录介质
WO2018120682A1 (zh) * 2016-12-28 2018-07-05 上海联影医疗科技有限公司 图像的颜色调节方法和系统
CN107341509A (zh) * 2017-06-29 2017-11-10 北京小米移动软件有限公司 卷积神经网络的训练方法及装置
CN108198225A (zh) * 2018-01-09 2018-06-22 北京昊启科技有限公司 台球花色识别装置的参数自动校准方法及计算机存储介质
CN108096820A (zh) * 2018-01-09 2018-06-01 北京昊启科技有限公司 一种基于单个颜色传感器的台球花色识别装置及方法
CN108335296A (zh) * 2018-02-28 2018-07-27 中际山河科技有限责任公司 一种极板识别装置及方法
CN108764024A (zh) * 2018-04-09 2018-11-06 平安科技（深圳）有限公司 人脸识别模型的生成装置、方法及计算机可读存储介质
CN110266952A (zh) * 2019-06-28 2019-09-20 Oppo广东移动通信有限公司 图像处理方法、装置、电子设备以及存储介质
CN111013122A (zh) * 2019-12-23 2020-04-17 丁希文 一种中式台球自动摆送球装置
CN111640129A (zh) * 2020-05-25 2020-09-08 电子科技大学 一种应用于室内墙面施工机器人的视觉砂浆识别系统
CN111915704A (zh) * 2020-06-13 2020-11-10 东北林业大学 一种基于深度学习的苹果分级识别方法

Also Published As

Publication number Publication date
CN112580583A (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
CN111640157B (zh) 一种基于神经网络的棋盘格角点检测方法及其应用
CN108960135B (zh) 基于高分辨遥感图像的密集舰船目标精确检测方法
CN110728225B (zh) 一种用于考勤的高速人脸搜索方法
CN108985337A (zh) 一种基于图像深度学习的产品表面划痕检测方法
CN111680681B (zh) 排除非正常识别目标的图像后处理方法及系统及计数方法
CN103954280A (zh) 一种快速和高鲁棒性自主恒星识别方法
CN112200771A (zh) 一种高度测量方法、装置、设备和介质
CN113610060B (zh) 一种结构体裂缝亚像素检测方法
CN109345513A (zh) 一种具有烟包姿态计算的卷烟包装缺陷检测方法
CN107480678A (zh) 一种棋盘识别方法和识别系统
CN110781962A (zh) 基于轻量级卷积神经网络的目标检测方法
CN111353396A (zh) 一种基于SCSEOCUnet的混凝土裂缝分割方法
CN116664586B (zh) 一种基于多模态特征融合的玻璃缺陷检测方法及系统
CN112580583B (zh) 一种台球花色识别参数自动校准方法及系统
CN117372515B (zh) 一种自适应纠偏控制系统
TWI420406B (zh) 未控制環境下之立體視覺骰點辨識系統及方法
CN113673515A (zh) 一种计算机视觉目标检测算法
CN111862036B (zh) 一种基于双指标度量学习的工具异常放置检测方法及系统
CN115880683B (zh) 一种基于深度学习的城市内涝积水智能水位检测方法
CN107358221B (zh) 一种基于视频识别技术的围棋自动记谱的棋盘定位方法
CN114638805B (zh) 一种轨道板裂缝检测方法、系统及存储介质
CN115690770A (zh) 基于空间注意力特征的非受限场景下的车牌识别方法
CN110059101B (zh) 一种基于图像识别的车辆数据查找系统和查找方法
CN114332748A (zh) 基于多源特征联合网络与变换图像自生成的目标检测方法
CN113610079A (zh) 一种基于机器视觉技术的虚拟水文标尺建立方法

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