CN113111921A - 物体识别方法、装置、电子设备及存储介质 - Google Patents
物体识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113111921A CN113111921A CN202110294884.6A CN202110294884A CN113111921A CN 113111921 A CN113111921 A CN 113111921A CN 202110294884 A CN202110294884 A CN 202110294884A CN 113111921 A CN113111921 A CN 113111921A
- Authority
- CN
- China
- Prior art keywords
- picture
- size
- recognized
- template
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 93
- 230000008569 process Effects 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 230000003416 augmentation Effects 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 2
- 229910000831 Steel Inorganic materials 0.000 description 27
- 239000010959 steel Substances 0.000 description 27
- 238000010586 diagram Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
Abstract
本申请适用于图像处理技术领域,提供了物体识别方法、装置、电子设备及存储介质,包括:获取待识别图片,所述待识别图片为待识别物体对应的最小外接矩形图片;根据预设的模板尺寸对所述待识别图片进行目标处理,得到尺寸为所述模板尺寸的目标图片;其中,所述目标处理包括背景扩充处理;根据所述目标图片及预设的物体识别网络,确定所述待识别物体对应的识别结果;其中,所述物体识别网络为提前训练得到的用于识别物体的神经网络。本申请实施例能够提高物体识别的准确性。
Description
技术领域
本申请属于图像处理技术领域,尤其涉及一种物体识别方法、装置、电子设备及存储介质。
背景技术
随着制造业与工业产线的自动化程度越来越高,工厂生产线中常常通过拍摄物体得到对应的图片后,进行识别处理,从而确定该物体的类别,得到物体的识别结果。
现有的识别技术中,通常基于传统的机器学习方法,利用人工对不同类型物体的特征进行总结归纳,并利用数学公式进行描述,但是,此种方式在面对复杂环境中具有很大的误判性;同时,人工寻找特征非常考验算法人员自身能力,所以使得基于传统机器学习的分类算法正在逐渐被神经网络算法淘汰。基于神经网络的识别算法具有识别精度高,训练速度快,部署容易等特点,但是却有一个限制,即输入图片的尺寸必须统一。当需要识别分类的各类物体本身形状相似,大小不同,却具有相同的长宽比时,在对图片进行缩放处理实现尺寸统一后,不同类型物体的差异性就会变小,导致识别网络的准确性下降,从而导致物体识别的准确性低。
发明内容
有鉴于此,本申请实施例提供了物体识别方法、装置、电子设备及存储介质,以解决现有技术中如何提高物体识别的准确性的问题。
本申请实施例的第一方面提供了一种物体识别方法,包括:
获取待识别图片,所述待识别图片为待识别物体对应的最小外接矩形图片;
根据预设的模板尺寸对所述待识别图片进行目标处理,得到尺寸为所述模板尺寸的目标图片;其中,所述目标处理包括背景扩充处理;
根据所述目标图片及预设的物体识别网络,确定所述待识别物体对应的识别结果;其中,所述物体识别网络为提前训练得到的用于识别物体的神经网络。
可选地,所述获取待识别图片,包括:
获取灰度图片,所述灰度图片为待识别物体对应的灰度格式的最小外接矩形图片;
对所述灰度图片进行二值化处理,得到待识别图片。
可选地,所述对所述灰度图片进行二值化处理,得到待识别图片,包括:
根据所述灰度图片的灰度直方图,确定二值化阈值;
根据所述二值化阈值对所述灰度图片进行二值化处理,得到待识别图片。
可选地,所述根据预设的模板尺寸对所述待识别图片进行目标处理,得到尺寸为所述模板尺寸的目标图片,包括:
若所述待识别图片的尺寸小于所述模板尺寸,则以所述待识别图片为中心,在所述待识别图片的周围进行背景扩充处理,得到尺寸为所述模板尺寸的目标图片。
可选地,所述根据预设的模板尺寸对所述待识别图片进行目标处理,得到尺寸为所述模板尺寸的目标图片,包括:
若所述模板尺寸为正方形尺寸,且所述待识别图片的尺寸大于所述模板尺寸,则根据所述模板尺寸的边长与所述待识别图片的长边长度的比值,确定缩放比例;
根据所述缩放比例对所述待识别图片进行缩放处理,得到缩放图片;
通过背景扩充处理,将所述缩放图片的短边扩充至与所述模板尺寸的边长一致,得到尺寸为所述模板尺寸的目标图片。
可选地,所述物体识别方法用于识别预设种类的物体,对应地,在所述获取待识别图片之前,包括:
将所述预设种类的物体中尺寸最大的物体作为模板物体;
根据所述模板物体对应的最小外接矩形图片的尺寸,确定模板尺寸。
可选地,所述根据所述目标图片及预设的物体识别网络,确定所述待识别物体对应的识别结果,包括:
根据所述物体识别网络的输入层的尺寸,对所述目标图片进行缩小处理,得到待输入图片
将所述待输入图片输入所述物体识别网络进行处理,得到所述待识别物体对应的识别结果。
本申请实施例的第二方面提供了一种物体识别装置,包括:
待识别图片获取单元,用于获取待识别图片,所述待识别图片为待识别物体对应的最小外接矩形图片;
目标处理单元,用于根据预设的模板尺寸对所述待识别图片进行目标处理,得到尺寸为所述模板尺寸的目标图片;其中,所述目标处理包括背景扩充处理;
识别结果确定单元,用于根据所述目标图片及预设的物体识别网络,确定所述待识别物体对应的识别结果;其中,所述物体识别网络为提前训练得到的用于识别物体的神经网络。
本申请实施例的第三方面提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,当所述处理器执行所述计算机程序时,使得电子设备实现如所述物体识别方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时,使得电子设备实现如所述物体识别方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行上述第一方面中任一项所述的物体识别方法。
本申请实施例与现有技术相比存在的有益效果是:本申请实施例中,获取待识别图片,所述待识别图片为待识别物体对应的最小外接矩形图片;根据预设的模板尺寸对所述待识别图片进行目标处理,得到尺寸为所述模板尺寸的目标图片;其中,所述目标处理包括背景扩充处理;根据所述目标图片及预设的物体识别网络,确定所述待识别物体对应的识别结果;其中,所述物体识别网络为提前训练得到的用于识别物体的神经网络。由于相同条件下,物体对应的最小外接矩形图片与物体的实际大小相关,因此本申请实施例中的待识别图片的大小能够一定程度反映物体的大小;而在需要通过背景扩充处理得到模板尺寸的目标图片时,对于不同大小的待识别图片,其待进行背景扩充的区域大小不一,即,相对于现有的对所有待识别图片都进行统一的缩放处理的方式,背景扩充处理能够对不同大小的待识别图片进行不同程度的背景扩充,一定程度保持待识别物体在目标图片中的图像区域大小与待识别图片大小同步,使得形状相似但大小不同的物体对应的目标图片具有较大的差异,从而使得后续根据目标图片和物体识别网络进行物体识别时,能够更加准确地区分识别不同物体,从而提高物体识别的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1是本申请实施例提供的一种物体识别方法的实现流程示意图;
图2是本申请实施例提供的将待识别图片进行缩放处理的对比示意图;
图3是本申请实施例提供的的将待识别图片进行目标处理的对比示意图;
图4是本申请实施例提供的一种图片增强处理得到的图片示例图;
图5是本申请实施例提供的一种模板物体及对应的模板图片的示意图;
图6是本申请实施例提供的一组钢筋的待识别图片及其对应的目标图片的示意图;
图7是本申请实施例提供的一种物体识别装置的示意图;
图8是本申请实施例提供的电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
目前,在基于神经网络进行物体识别时,存在一个限制条件:输入图片的尺寸必须统一。在该限制条件下,当需要识别分类的各类物体本身形状相似,大小不同,却具有相同的长宽比时,在对图片进行缩放处理实现尺寸统一后,不同类型物体的差异性就会变小,导致识别网络的准确性下降,从而导致物体识别的准确性低。为了解决该技术问题,本申请实施例提供了一种物体识别方法、装置、电子设备及存储介质,包括:获取待识别图片,所述待识别图片为待识别物体对应的最小外接矩形图片;根据预设的模板尺寸对所述待识别图片进行目标处理,得到尺寸为所述模板尺寸的目标图片;其中,所述目标处理包括背景扩充处理;根据所述目标图片及预设的物体识别网络,确定所述待识别物体对应的识别结果;其中,所述物体识别网络为提前训练得到的用于识别物体的神经网络。由于相同条件下,物体对应的最小外接矩形图片与物体的实际大小相关,因此本申请实施例中的待识别图片的大小能够一定程度反映物体的大小;而在需要通过背景扩充处理得到模板尺寸的目标图片时,对于不同大小的待识别图片,其待进行背景扩充的区域大小不一,即,相对于现有的对所有待识别图片都进行统一的缩放处理的方式,背景扩充处理能够对不同大小的待识别图片进行不同程度的背景扩充,一定程度保持待识别物体在目标图片中的图像区域大小与待识别图片大小同步,使得形状相似但大小不同的物体对应的目标图片具有较大的差异,从而使得后续根据目标图片和物体识别网络进行物体识别时,能够更加准确地区分识别不同物体,从而提高物体识别的准确性。
实施例一:
图1示出了本申请实施例提供的一种物体识别方法的流程示意图,详述如下:
在S101中,获取待识别图片,所述待识别图片为待识别物体对应的最小外接矩形图片。
本申请实施例中,待识别图片为待识别物体对应的最小外接矩形图片,即,刚好能够完整包含待识别物体的图像信息的矩形图片。示例性地,可以通过摄像头拍摄放置了待识别物体的指定区域,得到包含待识别物体的图像信息的照片。之后,通过目标检测或者图像分割等方法,从所述照片中确定待识别物体的图像对应的最小外接矩形区域,并从该照片中提取该最小外接矩形区域,得到该待识别物体对应的最小外接矩形图片,将该最小外接矩形图片作为待识别图片。
在S102中,根据预设的模板尺寸对所述待识别图片进行目标处理,得到尺寸为所述模板尺寸的目标图片;其中,所述目标处理包括背景扩充处理。
本申请实施例中,模板尺寸为根据后续图片识别的要求提前设定的尺寸。例如,由于物体识别网络通常要求输入的图片为正方形图片,因此该模板尺寸通常为正方形尺寸。在获取待识别图片后,根据预设的模板尺寸,对待识别图片进行目标处理,从而得到包含待识别物体的图像信息并且尺寸为模板尺寸的目标图片,进而实现图片的尺寸规范,便于后续进行物体识别。
具体地,与现有通过简单的图片缩放来实现图片尺寸的改变的处理方式不同,本申请实施例中的目标处理具体包括背景扩充处理。背景扩充处理具体指的是,对于一张图片,保持图片中原物体对应的图像信息不变,通过改变该图片的背景区域的大小而改变图片的大小的处理过程。例如可以设置一个尺寸为模板尺寸的预设图像区域,将待识别图片放置在该预设图像区域后,为预设图像区域中,除该待识别图片以外的区域填充上与该待识别图片的背景的像素值一样的像素点,从而实现背景扩充,得到尺寸为模板尺寸的目标图片。通过该目标处理,能够一定程度保持待识别物体在目标图片中的图像区域大小与待识别图片大小同步,使得形状相似但大小不同的物体对应的目标图片具有较大的差异,从而将当前待识别物体对应的目标图片与形状相似的其它类型物体的目标图片有效地区分开,使得后续根据目标图片能够得到准确的识别结果。
示例性地,图2示出了对于待识别物体A对应的待识别图片A与待识别物体B对应的待识别图片B,分别按照目前的缩放处理得到对应的缩放图片A、缩放图片B的示意图。图3示出了对前述的待识别图片A、待识别图片B,分别按照本申请实施例的目标处理得到对应的目标图片A、目标图片B的示意图。其中,待识别物体A与待识别物体B的形状相似、长宽比相似,然而二者的大小不同,因此,待识别图片A与待识别图片B的大小不同。如图2所示,若采用现有的单一缩放处理,则得到的缩放图片A和缩放图片B的大小一致,而又由于图片中待识别物体A对应的图像的形状与待识别物体B对应的图像的形状相似,从而使得缩放图片A与缩放图片B高度相似,进而导致在后续基于缩放图片进行物体识别时,不能有效地区分待识别物体A和待识别物体B,导致物体识别准确率低。而通过本申请实施例的目标处理,如图3所示,目标图片A和目标图片B中物体对应的图像大小显著不同,从而使得目标图片A和目标图片B显著不同,使得后续在基于目标图片进行物体识别时,能够有效地区分待识别物体A和待识别物体B,提高物体识别的准确率。
在S103中,根据所述目标图片及预设的物体识别网络,确定所述待识别物体对应的识别结果;其中,所述物体识别网络为提前训练得到的用于识别物体的神经网络。
本申请实施例中预设的物体识别网络为提前根据预设数目的样本图片进行训练得到的,用于识别物体的神经网络。其中该预设数目的样本图片可以提前获取所需识别的预设种类的物体对应的最小外接矩形图片而得到。在一个实施例中,上述的物体识别网络在训练时,可以获取预设数目的最小外接矩形图片作为训练集,该训练集中包含预设种类的物体中每种物体对应的最小外接矩形图片;之后对该训练集中的图片进行增强处理,例如在训练集中让一定数量(例如预设数目的20%)图片中随机添加白色矩形块(例如图4所示)进行图片随机增强,使得训练得到的物体识别网络的鲁棒性更强。
根据该目标图片及预设的物体识别网络,即可根据待识别物体对应的图像信息,准确地得到待识别物体对应的识别结果。该识别结果可以为该待识别物体的种类、名称、抓取位置中的任意一项或者多项信息。
由于相同条件下,物体对应的最小外接矩形图片与物体的实际大小相关,因此本申请实施例中的待识别图片的大小能够一定程度反映物体的大小;而在需要通过背景扩充处理得到模板尺寸的目标图片时,对于不同大小的待识别图片,其待进行背景扩充的区域大小不一,即,相对于现有的对所有待识别图片都进行统一的缩放处理的方式,背景扩充处理能够对不同大小的待识别图片进行不同程度的背景扩充,一定程度保持待识别物体在目标图片中的图像区域大小与待识别图片大小同步,使得形状相似但大小不同的物体对应的目标图片具有较大的差异,从而使得后续根据目标图片和物体识别网络进行物体识别时,能够更加准确地区分识别不同物体,从而提高物体识别的准确性。
可选地,所述步骤S101,包括:
获取灰度图片,所述灰度图片为待识别物体对应的灰度格式的最小外接矩形图片;
对所述灰度图片进行二值化处理,得到待识别图片。
本申请实施例中,待识别图片具体为待识别物体对应的二值格式的最小外接矩形图片。通常,通过摄像头拍摄的图片为彩色格式的图片,例如包括红、绿、蓝三色的RGB(Red,Green,Blue)格式图片,即通常得到的待识别物体的初始的最小外接矩形图片为彩色格式的图片,由于彩色格式的图片具有3个通道的颜色信息,直接对该初始的彩色格式的图片进行处理的运算量较大,因此,本申请实施例可以首先对待识别物体对应的彩色格式的最小外接矩形图片进行灰度处理,从而得带待识别物体对应的灰度格式的最小外接矩形图片,即得到灰度图片。由于该灰度图片为单通道图片,因此能够减少后续图片处理的运算量。
在得到灰度图片后,对该灰度图片进行二值化处理,得到待识别图片,该待识别图片即为待识别物体对应的二值格式的最小外接矩形图片。在一个实施例中,可以提前设定固定的二值化阈值(例如100),并根据该二值化阈值对该灰度图片进行二值化处理,将灰度图片中待识别物体所在的图像位置的像素值设置为第一灰度值,将灰度图片中除该待识别物体所在的图像位置以外的背景区域的像素值设置为第二灰度值,从而得到该待识别图片。示例性地,该第一灰度值可以为255,该第二灰度值可以为0,从而使得待识别图片中待识别物体对应的图像为白色,待识别图片中背景区域对应的图像为黑色,此时,对应在步骤S102中进行背景扩充处理时,具体可以为对待处理图片添加黑边,从而扩充待识别图片的背景区域,得到模板尺寸的目标图片。可以理解地,也可以将第一灰度值设置为0,第二灰度值设置为255。通过二值化处理得到的待识别图片,能够滤除原本彩色格式的图片、灰度图片的背景区域中存在的干扰信息(例如图片背景中存在的污渍),从而能突显出感兴趣的目标轮廓,使得待识别图片的背景区域和待识别物体对应的图像区域显著分明,进而提高后续物体识别的准确性。
可选地,所述对所述灰度图片进行二值化处理,得到待识别图片,包括:
根据所述灰度图片的灰度直方图,确定二值化阈值;
根据所述二值化阈值对所述灰度图片进行二值化处理,得到待识别图片。
本申请实施例中,在对灰度图片进行二值化处理之前,具体可以获取灰度图片的灰度直方图,根据该灰度直方图,确定二值化阈值。具体地,可以在根据灰度图片,计算得到该灰度图片对应的灰度直方图后,通过k均值聚类算法(k-means clustering algorithm)进行聚类处理,确定该灰度直方图中的两个聚类中心,这两个聚类中心即能够分别代表灰度图片中背景区域对应的灰度值,以及灰度图片中待识别物体的图像所在区域对应的灰度值。根据这两个聚类中心,确定能够准确划分灰度图片的背景区域和待识别物体的图像区域的二值化阈值。例如,可以将这两个聚类中心的两个中心分别对应的两个灰度值相加并除以2,得到对应的平均值作为该二值化阈值。
之后,该二值化阈值对灰度图片进行二值化处理,即可得到准确区分背景区域和图像区域的待识别图片。
本申请实施例中,由于能够根据灰度图片的灰度直方图来确定适用于当前灰度图片的二值化阈值,从而能够提高二值化处理的准确性,得到更准确的待识别图片,进而提高物体识别的准确性。
可选地,所述步骤S102,包括:
若所述待识别图片的尺寸小于所述模板尺寸,则以所述待识别图片为中心,在所述待识别图片的周围进行背景扩充处理,得到尺寸为所述模板尺寸的目标图片。
本申请实施例中,在获取待识别图片之后,将该待识别图片的尺寸与该模板尺寸进行比较。如果该待识别图片的尺寸小于该模板尺寸,则直接以该待识别图片为中心,在该待识别图片的周围增加与该待识别图片背景的像素值一致的像素点,直至图片尺寸达到模板尺寸,从而实现背景扩充处理,得到尺寸为模板尺寸的目标图片。具体地,可以设置一个尺寸为模板尺寸的预设图像区域,并将待识别图片放置在该预设图像区域的中心位置;之后,为该预设图像区域中的空白区域填充上像素值为背景像素值的像素点,从而实现背景扩充,得到尺寸为模板尺寸的目标图片。其中,空白区域为预设图像区域中,除待识别图片所在的区域以外的区域;背景像素值为待识别图片的背景区域对应的像素值。例如,当待识别图片的背景区域为黑色,即像素值(具体可以为灰度值)为0时,则此时具体在前述的空白区域中填充上黑色的像素点。
可选地,所述步骤S102,包括:
若所述模板尺寸为正方形尺寸,且所述待识别图片的尺寸大于所述模板尺寸,则根据所述模板尺寸的边长与所述待识别图片的长边长度的比值,确定缩放比例;
根据所述缩放比例对所述待识别图片进行缩放处理,得到缩放图片;
通过背景扩充处理,将所述缩放图片的短边扩充至与所述模板尺寸的边长一致,得到尺寸为所述模板尺寸的目标图片。
本申请实施例中,当模板尺寸为正方形尺寸并且当前待识别图片的尺寸大于模板尺寸时,则当前为矩形形状的待识别图片无法通过单一的背景扩充处理或者单一的缩放处理得到模板尺寸的目标图片。此时,可以先根据模板尺寸的边长与待识别图片的长边的长度的比值,确定缩放比例。接着,根据该缩放比例,对该待识别图片进行等比例缩放,得到缩放图片,该缩放图片为长边的长度大小等于该模板尺寸的边长大小的矩形图片。之后,通过背景扩充处理,将该缩放图片的短边扩充至和模板尺寸的边长一致,即得到尺寸为模板尺寸的正方形目标图片。具体地,可以根据该正方形的模板尺寸设置一个预设图像区域,将该缩放图片放置于该预设图像区域的中央,并在预设图像区域的剩余区域填充像素值为背景像素值的像素点,从而实现在短边方向上的背景扩充,得到目标图片。其中,该背景像素值为待识别图片的背景区域对应的像素值。
可选地,所述物体识别方法用于识别预设种类的物体,对应地,在所述获取待识别图片之前,还包括:
将所述预设种类的物体中尺寸最大的物体作为模板物体;
根据所述模板物体对应的最小外接矩形图片的尺寸,确定模板尺寸。
本申请实施例中,物体识别方法具体用于识别预设种类的物体,上述步骤S102中的模板尺寸,具体根据这些预设种类的物体的尺寸大小来确定。具体地,可以先获取该预设种类的物体中各个种类物体的尺寸,并将其中尺寸最大的物体作为模板物体。
之后,根据该模板物体对应的最小外接矩形图片的尺寸,确定模板尺寸。具体地,该模板物体对应的最小外接矩形图片(简称为模板物体图片),是将模板物体放置在指定区域中,并通过摄像头进行拍摄、提取最小外接矩形区域后得到的包含了模板物体的图像信息的最小矩形图片。对应地,后续在获取待识别图片时,该待识别图片对应的拍摄条件(例如摄像头与指定区域的距离,拍摄参数等)与该模板物体图片的拍摄条件保持一致,从而保证后续物体识别的准确性。
在一个实施例中,可以获取预设数量的模板物体图片,并求取该预设数量的模板物体图片的尺寸的平均值,作为模板尺寸,从而使得后续在物体识别时,除了模板物体对应的待识别图片的尺寸可能超过模板尺寸,而其它类别的物体对应的待识别图片的尺寸均小于该模板尺寸。在另一个实施例中,可以在获取预设数量的模板物体图片后,求取该预设数量的模板物体图片的尺寸的最大值(简称为模板物体图片最大尺寸),并将模板尺寸设置为大于该模板物体图片最大尺寸的值,从而使得后续在物体识别时,无论待识别物体是哪种物体,其对应的尺寸均小于该模板尺寸。在又一个实施例中,模板尺寸为正方形尺寸,而最小外接矩阵图片为存在长边和短边的矩形图片;该情况下,可以获取预设数量的模板物体图片的长边的尺寸,并进行平均值求得,得到长边平均值;之后,根据该长边平均值,确定模板尺寸(以等于该长边平均值或者略大于该长边平均值的大小作为模板尺寸的大小)。
通过前述几个实施例任意一个的设定,使得最多一种物体(模板物体)对应的最小外接矩形图片可能略大于模板尺寸,而其它物体的最小外接矩形图片均小于该模板尺寸,使得后续在物体识别时,待识别图片基本都需要通过背景扩充来得到该模板尺寸。对应地,上述的步骤S102中,具体可以包括:若所述待识别图片的尺寸小于所述模板尺寸,则对所述待识别图片进行背景扩充处理,得到目标图片;否则,对所述待识别图片进行缩放处理,或者缩放处理加背景扩充处理(具体对应于该待识别物体为模板物体的情况),得到目标图片。
本申请实施例中,通过提前获取预设种类的物体中尺寸最大的物体作为模板物体,并根据该模板物体的最小外接矩形图片的尺寸来确定模板尺寸,从而使得该模板尺寸能够根据当前所需识别的物体的具体尺寸情况来准确确定,从而提高后续目标处理的准确性和效率。
可选地,上述的步骤S103,包括:
根据所述物体识别网络的输入层的尺寸,对所述目标图片进行缩小处理,得到待输入图片
将所述待输入图片输入所述物体识别网络进行处理,得到所述待识别物体对应的识别结果。
本申请实施例中,物体识别网络的输入层的尺寸通常设置得比较小,即物体识别网络所要求输入的图片的尺寸比较小,从而降低物体识别网络在进行物体识别处理时的运算量,提高物体识别网络的处理效率。而在步骤S102中经过目标处理得到的目标图片的尺寸(即模板尺寸)通常远大于该输入层的尺寸,因此需要先根据该物体识别网络的输入的尺寸,对该目标图片进行缩小处理,得到尺寸与该输入层的尺寸一致的图片作为待输入图片。之后,将该待输入图片输入该物体识别网络进行处理,即可得到该待识别物体对应的识别结果。
在一个实施例中,该物体识别网络具体为卷积神经网络,并且,由于该物体识别网络的输入层的尺寸较小,即待输入图片本身的尺寸较小,因此该卷积神经网络具体可以不包括池化层,即在处理不进行下采样处理,从而能够保留待输入图片的细节特征。具体地,该物体识别网络可以为包括两个卷积层和1个全连接层的卷积神经网络。示例性地,该物体识别网络的输入层的尺寸可以为128*128;第一个卷积层的卷积核参数为3*3,通道数为16,步长为3;第二个卷积层的卷积核参数为3*3,通道数为64,步长为1;全连接层的节点数为1849*64,;分类层的输出节点数为:7(即代表待识别物体为预设的7种物体中的一种)。
可选地,在上述的步骤S103之后,还包括:
根据所述识别结果,指示机械臂对所述待识别物体进行抓取。
本申请实施例中,识别结果具体可以为待识别物体的种类信息。在确定了该识别结果后,获取适应于该待识别物体种类的抓取位置计算算法及抓取动作,指示机械臂根据该抓取点及抓取动作,对该待识别物体进行抓取。例如,若确定当前待识别物体对应的识别结果为:8号钢筋,则可以通过该识别结果,获取8号钢筋对应的抓取位置计算算法及抓取动作,实现对该8号钢筋的抓取。示例性地,8号钢筋对应的抓取位置计算算法包括:确定8号钢筋的图像中心点位置;确定8号钢筋的图像正方向,并通过向量与垂线的位置关系以及钢筋的角度,确定当前的抓取位置。示例性地,该抓取动作包括:通过机械臂工具头对钢筋进行抓取,之后通过绑扎枪对钢筋进行绑扎操作;或者,该抓取动作包括:通过旋转拨杆对钢筋进行姿态校正,并利用电磁铁进行吸附定位。
以下以钢筋识别作为一个应用场景,对本申请实施例的物体识别方法进行示例性描述:
本申请实施例中的物体识别方法用于识别1~7号7种不同种类的钢筋,即当前的物体识别方法具体为:确定该待识别物体为这7种钢筋中的几号钢筋的方法。在待识别的1~7号钢筋中,由于2号钢筋的尺寸最大,其对应的最小外接矩形图片的平均尺寸为1380*780,因此,可以将2号钢筋作为模板物体,根据该2号钢筋对应的最小外接矩形图片的平均尺寸的长边,将模板尺寸设定为略大于该长边的尺寸:1400*1400。其中,2号钢筋对应的最小外接矩形图片,以及模板图片(根据2号钢筋确定的尺寸为模板尺寸的图片)的对比图如图5所示。
在钢筋生产线中,以待识别钢筋作为待识别物体,其识别过程如下:
(1)在待识别钢筋经过的指定区域上方设置摄像头,用于拍摄待识别钢筋,得到包含该待识别钢筋的图像信息的彩色照片。从该彩色照片中提取待识别钢筋的图像所在的最小外接矩形区域,得到目标彩色图片。该目标彩色图片为待识别钢筋对应的彩色格式的最小外接矩形图片。
(2)对该目标彩色图片进行灰度处理,得到待识别钢筋对应的灰度图片。
(3)对该灰度图片进行二值化处理,得到背景区域为黑色,钢筋图像区域为白色的待识别图片。
(4)若该待识别图片的尺寸大于上述的模板尺寸1400*1400(通常说明该待识别图片包含的为2号钢筋对应的图片),则通过resize指令将图片等比例缩放至1400*1400。
(5)若该待识别图片的尺寸小于上述的模板尺寸,则将该待识别图片放置于预设图像区域中间,并计算四周的空余间隔后,通过黑色像素进行填充,从而实现待识别图片的背景扩充,得到待识别图片对应的尺寸为模板尺寸的目标图片。示例性地,1号钢筋及3~7号钢筋对应的待识别图片与目标图片的对比图如图6所示。
(7)将尺寸为1400*1400的目标图片缩小至物体识别网络的输入层的尺寸128*128,得到待输入图片。
(8)将该尺寸为128*128的待输入图片输入至物体识别网络,先利用第一个3*3*16的卷积核进行步长为3的卷积后,图片尺寸变为43*43*16,再利用第二个3*3*64的卷积核进行步长为1的卷积后,图片尺寸变为43*43*64,此时加入全连接层,全连接层参数为43*43*64,最后输入神经网络的softmax输出层后,得到对应的识别结果,确定当前待识别钢筋为几号钢筋。由于本次识别的弯折钢筋类型有7类,所以输出层的参数为7。
通过本申请实施例的物体识别方法,能够准确地对不同类型的物体进行识别,其特别适用于形状相似、长宽比相似但大小不同的物体(例如钢筋)的分类识别。并且其网络结构小,识别速度快,适用于部署至工业终端,与工业机械臂进行配合,实现的对流水线上物体进行分类检测以及后续的抓取放置等操作。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
实施例二:
图7示出了本申请实施例提供的一种物体识别装置的结构示意图,为了便于说明,仅示出了与本申请实施例相关的部分:
该物体识别装置包括:待识别图片获取单元71、目标处理单元72、识别结果确定单元73。其中:
待识别图片获取单元71,用于获取待识别图片,所述待识别图片为待识别物体对应的最小外接矩形图片。
目标处理单元72,用于根据预设的模板尺寸对所述待识别图片进行目标处理,得到尺寸为所述模板尺寸的目标图片;其中,所述目标处理包括背景扩充处理。
识别结果确定单元73,用于根据所述目标图片及预设的物体识别网络,确定所述待识别物体对应的识别结果;其中,所述物体识别网络为提前训练得到的用于识别物体的神经网络。
可选地,所述待识别图片获取单元71,包括灰度图片获取模块及二值化处理模块:
灰度图片获取模块,用于获取灰度图片,所述灰度图片为待识别物体对应的灰度格式的最小外接矩形图片;
二值化处理模块,用于对所述灰度图片进行二值化处理,得到待识别图片。
可选地,所述二值化处理模块,具体用于根据所述灰度图片的灰度直方图,确定二值化阈值;根据所述二值化阈值对所述灰度图片进行二值化处理,得到待识别图片。
可选地,所述目标处理单元72,具体用于若所述待识别图片的尺寸小于所述模板尺寸,则以所述待识别图片为中心,在所述待识别图片的周围进行背景扩充处理,得到尺寸为所述模板尺寸的目标图片。
可选地,所述目标处理单元72,具体用于若所述模板尺寸为正方形尺寸,且所述待识别图片的尺寸大于所述模板尺寸,则根据所述模板尺寸的边长与所述待识别图片的长边长度的比值,确定缩放比例;根据所述缩放比例对所述待识别图片进行缩放处理,得到缩放图片;通过背景扩充处理,将所述缩放图片的短边扩充至与所述模板尺寸的边长一致,得到尺寸为所述模板尺寸的目标图片。
可选地,所述物体识别装置,还包括:
模板尺寸确定单元,用于将所述预设种类的物体中尺寸最大的物体作为模板物体;根据所述模板物体对应的最小外接矩形图片的尺寸,确定模板尺寸。
可选地,所述识别结果确定单元73,具体用于根据所述物体识别网络的输入层的尺寸,对所述目标图片进行缩小处理,得到待输入图片;将所述待输入图片输入所述物体识别网络进行处理,得到所述待识别物体对应的识别结果。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
实施例三:
图8是本申请一实施例提供的电子设备的示意图。如图8所示,该实施例的电子设备8包括:处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82,例如物体识别程序。所述处理器80执行所述计算机程序82时实现上述各个物体识别方法实施例中的步骤,例如图1所示的步骤S101至S103。或者,所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块/单元的功能,例如图7所示待识别图片获取单元71至识别结果确定单元73的功能。
示例性的,所述计算机程序82可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器81中,并由所述处理器80执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序82在所述电子设备8中的执行过程。
所述电子设备8可以是桌上型计算机、笔记本、掌上电脑等计算设备。所述电子设备可包括,但不仅限于,处理器80、存储器81。本领域技术人员可以理解,图8仅仅是电子设备8的示例,并不构成对电子设备8的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器80可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81可以是所述电子设备8的内部存储单元,例如电子设备8的硬盘或内存。所述存储器81也可以是所述电子设备8的外部存储设备,例如所述电子设备8上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器81还可以既包括所述电子设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以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,本申请实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种物体识别方法,其特征在于,包括:
获取待识别图片,所述待识别图片为待识别物体对应的最小外接矩形图片;
根据预设的模板尺寸对所述待识别图片进行目标处理,得到尺寸为所述模板尺寸的目标图片;其中,所述目标处理包括背景扩充处理;
根据所述目标图片及预设的物体识别网络,确定所述待识别物体对应的识别结果;其中,所述物体识别网络为提前训练得到的用于识别物体的神经网络。
2.如权利要求1所述的物体识别方法,其特征在于,所述获取待识别图片,包括:
获取灰度图片,所述灰度图片为待识别物体对应的灰度格式的最小外接矩形图片;
对所述灰度图片进行二值化处理,得到待识别图片。
3.如权利要求2所述的物体识别方法,其特征在于,所述对所述灰度图片进行二值化处理,得到待识别图片,包括:
根据所述灰度图片的灰度直方图,确定二值化阈值;
根据所述二值化阈值对所述灰度图片进行二值化处理,得到待识别图片。
4.如权利要求1所述的物体识别方法,其特征在于,所述根据预设的模板尺寸对所述待识别图片进行目标处理,得到尺寸为所述模板尺寸的目标图片,包括:
若所述待识别图片的尺寸小于所述模板尺寸,则以所述待识别图片为中心,在所述待识别图片的周围进行背景扩充处理,得到尺寸为所述模板尺寸的目标图片。
5.如权利要求1所述的物体识别方法,其特征在于,所述根据预设的模板尺寸对所述待识别图片进行目标处理,得到尺寸为所述模板尺寸的目标图片,包括:
若所述模板尺寸为正方形尺寸,且所述待识别图片的尺寸大于所述模板尺寸,则根据所述模板尺寸的边长与所述待识别图片的长边长度的比值,确定缩放比例;
根据所述缩放比例对所述待识别图片进行缩放处理,得到缩放图片;
通过背景扩充处理,将所述缩放图片的短边扩充至与所述模板尺寸的边长一致,得到尺寸为所述模板尺寸的目标图片。
6.如权利要求1所述的物体识别方法,其特征在于,所述物体识别方法用于识别预设种类的物体,对应地,在所述获取待识别图片之前,还包括:
将所述预设种类的物体中尺寸最大的物体作为模板物体;
根据所述模板物体对应的最小外接矩形图片的尺寸,确定模板尺寸。
7.如权利要求1至6任意一项所述的物体识别方法,其特征在于,所述根据所述目标图片及预设的物体识别网络,确定所述待识别物体对应的识别结果,包括:
根据所述物体识别网络的输入层的尺寸,对所述目标图片进行缩小处理,得到待输入图片;
将所述待输入图片输入所述物体识别网络进行处理,得到所述待识别物体对应的识别结果。
8.一种物体识别装置,其特征在于,包括:
待识别图片获取单元,用于获取待识别图片,所述待识别图片为待识别物体对应的最小外接矩形图片;
目标处理单元,用于根据预设的模板尺寸对所述待识别图片进行目标处理,得到尺寸为所述模板尺寸的目标图片;其中,所述目标处理包括背景扩充处理;
识别结果确定单元,用于根据所述目标图片及预设的物体识别网络,确定所述待识别物体对应的识别结果;其中,所述物体识别网络为提前训练得到的用于识别物体的神经网络。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,当所述处理器执行所述计算机程序时,使得电子设备实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,当所述计算机程序被处理器执行时,使得电子设备实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110294884.6A CN113111921A (zh) | 2021-03-19 | 2021-03-19 | 物体识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110294884.6A CN113111921A (zh) | 2021-03-19 | 2021-03-19 | 物体识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113111921A true CN113111921A (zh) | 2021-07-13 |
Family
ID=76711750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110294884.6A Pending CN113111921A (zh) | 2021-03-19 | 2021-03-19 | 物体识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111921A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110243376A1 (en) * | 2007-08-04 | 2011-10-06 | Continental Teves Ag & Ohg | Method and a device for detecting objects in an image |
JP2013020617A (ja) * | 2011-07-08 | 2013-01-31 | Fujitsu Ltd | グレースケール文字画像正規化装置及び方法 |
CN110706158A (zh) * | 2019-10-15 | 2020-01-17 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置及终端设备 |
CN110826566A (zh) * | 2019-11-01 | 2020-02-21 | 北京环境特性研究所 | 一种基于深度学习的目标切片提取方法 |
CN112347985A (zh) * | 2020-11-30 | 2021-02-09 | 广联达科技股份有限公司 | 一种物料类别检测方法及装置 |
-
2021
- 2021-03-19 CN CN202110294884.6A patent/CN113111921A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110243376A1 (en) * | 2007-08-04 | 2011-10-06 | Continental Teves Ag & Ohg | Method and a device for detecting objects in an image |
JP2013020617A (ja) * | 2011-07-08 | 2013-01-31 | Fujitsu Ltd | グレースケール文字画像正規化装置及び方法 |
CN110706158A (zh) * | 2019-10-15 | 2020-01-17 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置及终端设备 |
CN110826566A (zh) * | 2019-11-01 | 2020-02-21 | 北京环境特性研究所 | 一种基于深度学习的目标切片提取方法 |
CN112347985A (zh) * | 2020-11-30 | 2021-02-09 | 广联达科技股份有限公司 | 一种物料类别检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
PEIJIE LIU, ET AL.: "Based on CycleGAN infrared ship image expansion method", 《 2020 INTERNATIONAL CONFERENCE ON IMAGE, VIDEO PROCESSING AND ARTIFICIAL INTELLIGENCE》, 31 December 2020 (2020-12-31), pages 1 - 13 * |
鲍毅 等: "基于模板匹配的三维目标鲁棒识别研究", 《木工机床》, no. 4, pages 17 - 19 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
CN107944450B (zh) | 一种车牌识别方法及装置 | |
CN112446363A (zh) | 一种基于视频抽帧的图像拼接与去重方法及装置 | |
CN113160257A (zh) | 图像数据标注方法、装置、电子设备及存储介质 | |
CN112348765A (zh) | 数据增强方法、装置、计算机可读存储介质及终端设备 | |
CN111860060A (zh) | 目标检测方法、装置、终端设备及计算机可读存储介质 | |
CN110852233A (zh) | 手部脱离方向盘的检测和训练方法、终端、装置、介质、系统 | |
CN112348778B (zh) | 一种物体识别方法、装置、终端设备及存储介质 | |
CN110852311A (zh) | 一种三维人手关键点定位方法及装置 | |
CN111680690A (zh) | 一种文字识别方法及装置 | |
CN111382658B (zh) | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 | |
CN111340796A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
CN111523429A (zh) | 基于深度学习的堆钢识别方法 | |
CN113159064A (zh) | 基于精简的YOLOv3电路板电子元件目标检测的方法与装置 | |
CN112634203A (zh) | 图像检测方法、电子设备及计算机可读存储介质 | |
CN110276759B (zh) | 一种基于机器视觉的手机屏坏线缺陷诊断方法 | |
CN112419214A (zh) | 一种标注图像生成方法、装置、可读存储介质及终端设备 | |
CN115272691A (zh) | 一种钢筋绑扎状态检测模型的训练方法、识别方法及设备 | |
CN111754502A (zh) | 基于多尺度特征融合的Faster-RCNN算法检测磁芯表面缺陷的方法 | |
CN115017931A (zh) | 一种批量qr码实时提取方法及系统 | |
CN108960246B (zh) | 一种用于图像识别的二值化处理装置及方法 | |
CN114219402A (zh) | 物流托盘码放识别方法、装置、设备及存储介质 | |
CN114444565A (zh) | 一种图像篡改检测方法、终端设备及存储介质 | |
CN113762159A (zh) | 一种基于有向箭头模型的目标抓取检测方法及系统 | |
CN112784675A (zh) | 目标检测方法及装置、存储介质、终端 |
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 |