CN113643265A - 基于人工智能的质量等级确定方法、装置、设备及介质 - Google Patents
基于人工智能的质量等级确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113643265A CN113643265A CN202110957102.2A CN202110957102A CN113643265A CN 113643265 A CN113643265 A CN 113643265A CN 202110957102 A CN202110957102 A CN 202110957102A CN 113643265 A CN113643265 A CN 113643265A
- Authority
- CN
- China
- Prior art keywords
- image
- quality grade
- quality
- model
- neural network
- 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 49
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 13
- 239000000463 material Substances 0.000 claims abstract description 117
- 238000003709 image segmentation Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims description 76
- 230000009466 transformation Effects 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000001154 acute effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000010893 paper waste Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及人工智能中的智能决策技术领域,提供一种基于人工智能的质量等级确定方法、装置、设备及介质,通过对位于货箱中的材料进行拍摄,准确的得到包含材料的第一图像,将第一图像输入至预设的图像分割模型中进行图像分割,能够得到第二图像,对第二图像进行矫正,能够得到材料的质量等级判定更加准确的第三图,将第三图像输入至预设的质量等级确定模型进行处理,能够准确的得到材料的质量等级。上述方案通过对拍摄到的图像进行分割和矫正,能够提高质量等级确定准确性,通过质量等级确定模型对第三图像进行处理,能够准确的确定材料的质量等级。本申请还涉及区块链技术,上述图像分割模型和质量等级确定模型可存储在区块链中。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种基于人工智能的质量等级确定方法、装置、设备及介质。
背景技术
目前,可持续发展和资源回收再利用是经济发展的基本原则,一般可重复利用的材料在报废后,会将报废的材料返厂重新加工得到新产品再以利用,当通过卡车将报废的材料运至工厂,工厂需对材料进行质量等级判定。例如,卡车将废钢运至工厂时,质检技术员需要爬上卡车对废钢进行观察并进行质量等级判断,将判定的废钢质量等级输入至资材系统,但是在整个废钢质量等级判断过程中存在:质检技术员需要一次次的爬上卡车安全存在安全隐患、质检技术员不相同废钢的判断标准不一,即使为同一质检技术人员进行质量等级判断也会存在误差和将判定的废钢质量等级输入至资材系统容易出错等问题。因此,如何对货箱中材料进行便捷且准确的质量等级判断是目前亟待解决的问题。
发明内容
本申请的主要目的在于提供一种基于人工智能的质量等级确定方法、装置、设备及介质,旨在提高对货箱中材料进行便捷且准确的质量等级判断。
第一方面,本申请提供一种基于人工智能的质量等级确定方法,包括:
对位于货箱中的材料进行拍摄,得到包含所述材料的第一图像;
将所述第一图像输入至预设的图像分割模型中进行图像分割,得到第二图像,其中,所述图像分割模型为预先训练好的第一神经网络模型;
对所述第二图像进行矫正,得到第三图像;
将所述第三图像输入至预设的质量等级确定模型进行处理,得到所述材料的质量等级,所述质量等级确定模型为预先训练好的第二神经网络模型。
第二方面,本申请还提供一种质量等级确定装置,所述质量等级确定装置包括:拍摄模块、分割模块、矫正模块和确定模块,其中:
所述拍摄模块,用于对位于货箱中的材料进行拍摄,得到包含所述材料的第一图像;
所述分割模块,用于将所述第一图像输入至预设的图像分割模型中进行图像分割,得到第二图像,其中,所述图像分割模型为预先训练好的第一神经网络模型;
所述矫正模块,用于对所述第二图像进行矫正,得到第三图像;
所述确定模块,用于将所述第三图像输入至预设的质量等级确定模型进行处理,得到所述材料的质量等级,所述质量等级确定模型为预先训练好的第二神经网络模型。
第三方面,本申请还提供一种计算机设备,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如上述的质量等级确定方法的步骤。
第四方面,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其中所述计算机程序被处理器执行时,实现如上述的质量等级确定方法的步骤。
本申请提供一种基于人工智能的质量等级确定方法、装置、设备及介质,本申请通过对位于货箱中的材料进行拍摄,准确的得到包含材料的第一图像,将第一图像输入至预设的图像分割模型中进行图像分割,能够得到没有环境因素干扰的第二图像,对第二图像进行矫正,得到使质量等级判定更加准确的第三图,将第三图像输入至预设的质量等级确定模型进行处理,能够准确的得到材料的质量等级。上述方案通过对拍摄到的图像进行分割和矫正,能够提高质量等级确定准确性,通过预设的质量等级确定模型对第三图像进行处理,能够准确的确定材料的质量等级。
附图说明
为了更清楚地说明本申请实施例技术方案,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,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,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为本申请实施例提供的一种质量等级确定方法的步骤流程示意图;
图2为本申请实施例提供的另一种质量等级确定方法的步骤流程示意图;
图3为本申请实施例提供的一种质量等级确定装置的示意性框图;
图4为本申请实施例提供的另一种质量等级确定装置的示意性框图;
图5为本申请实施例提供的一种计算机设备的结构示意性框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
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做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。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供一种基于人工智能的质量等级确定方法、装置、设备及介质。其中,该质量等级确定方法可应用于终端设备中,该终端设备可以是手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参照图1,图1为本申请实施例提供的一种质量等级确定方法的步骤流程示意图。
如图1所示,该质量等级确定方法包括步骤S101至步骤S104。
步骤S101、对位于货箱中的材料进行拍摄,得到包含所述材料的第一图像。
其中,第一图像包含材料和货箱等环境的图像,货箱可是卡车的车厢和集装箱等,材料可以是废铁、废钢和废纸等材料。
在一实施例中,当检测检测到装载材料的货箱在预设范围内,通过预置的摄像头拍摄位于货箱中的材料,得到包含材料的第一图像。其中,该预设范围可以是预设的材料质量检测点,该摄像头可以是单目摄像头、双目摄像头,该摄像头也可以是广角摄像头或深度摄像头。
需要说明的是,摄像头拍摄多张第一图像,对多张第一图像进行筛选,得到画质最好的第一图像,以提高对材料质量等级判定的准确性。对多张第一图像进行筛选的方式可以为:在像素相同的情况下,从多张拍摄到第一图像筛选出图像占用内存最大的图像作为第一图像或者从多张拍摄到的图像中筛选出最清晰的图像作为第一图像。
在一实施例中,摄像头拍摄预设范围内的视频,从视频中截取装载材料的货箱的图像,得到第一图像。通过从视频中截取装载材料的货箱的图像,能够有效的防止装载材料的货箱的图像未被采集。
步骤S102、将所述第一图像输入至预设的图像分割模型中进行图像分割,得到第二图像,其中,所述图像分割模型为预先训练好的第一神经网络模型。
其中,图像分割模型为预先训练好的第一神经网络模型,该第一神经网络模型可以是分割神经网络模型,例如,分割神经网络模型可以是MaskRCNN网络。
在一实施例中,训练该第一神经网络模型的方式可以为:获取材料样本图像和材料样本图像对应的材料标准图像,将该材料样本图像输入至第一神经网络模型,得到材料预测图像,根据该材料预测图像和材料标准图像,确定第一神经网络模型的损失值,根据损失值确定第一神经网络模型是否收敛,若第一神经网络模型未收敛,则更新第一神经网络模型的模型参数,并输入材料样本图像进行神经网络模型的训练直至第一神经网络模型收敛,得到图像分割模型。通过将料样本图像输入至第一神经网络模型中训练,并调整第一神经网络模型的模型参数直至第一神经网络模型收敛,能够准确的得到图像分割模型。
在一实施例中,根据损失值确定第一神经网络模型是否收敛的方式可以为:确定损失值是否小于预设阈值,若确定损失值小于预设阈值,则确定第一神经网络模型已收敛,若损失值大于或等于预设阈值,则确定第一神经网络模型未收敛。其中,该预设阈值可以根据实际情况进行设置,根据损失值的大小,能够准确的知晓第一神经网络模型是否收敛。
在一实施例中,若确定第一神经网络模型未收敛,则更新第一神经网络模型的模型参数,并继续获取材料样本图像,将材料样本图像输入至第一神经网络模型中继续训练,调整第一神经网络模型的模型参数直至第一神经网络模型收敛,得到图像分割模型。通过继续训练第一神经网络模型直至收敛,可以提高材料质量等级判定的准确性。
在一实施例中,将第一图像输入至预设图像分割模型中,得到第二图像,通过该预设图像分割模型,能够准确的对第一图像进行分割,得到只包括的材料区域的第二图像,以提高后续材料的质量等级确定的准确性。
步骤S103、对所述第二图像进行矫正,得到第三图像。
在得到第二图像之后,由于摄像头安装的位置是随机的,因此,拍摄的材料在货箱内的第二图像为平行四边形,需要对该平行四边形的第二图像进行矫正,得到第三图像。
在一实施例中,选取第二图像中的一个角作为目标角,并选取目标角的一条邻边作为目标边;基于目标角和目标边建立直角坐标系,并按照直角坐标系对第二图像进行图像变换,得到第三图像。其中,该目标角可以是第二图像中的锐角或钝角,该目标边可以是目标角邻边中的长边或者短边。通过对第二图像进行图像转换,能够得到质量等级确定更加准确的第三图像。
在一实施例中,基于目标角和目标边建立直角坐标系,并按照直角坐标系对第二图像进行图像变换,得到第三图像的方式可以为:以目标角的顶点为原点建立直角坐标系,并获取第二图像中的每个点的坐标;将目标角和目标边固定,移动目标角的另一条邻边直至目标角为直角,并获取另一条邻边的转动角度;根据转动角度查找对应的图像变换矩阵;基于图像变换矩阵和第二图像中的每个点的坐标,对第二图像进行图像变换,得到第三图像。其中,该图像变换矩阵可以根据实际情况进行选择,本申请实施例对此不做具体限定,例如,该图像变换矩阵可以是图像仿射变换的图像变换矩阵。通过对第二图像进行变换,能够准确的得到第三图像。
在一实施例中,根据转动角度查找对应的图像变换矩阵的方式可以为:获取预设的转动角度与图像变换矩阵之间的映射关系表;从映射关系表查找所述转动角度对应的图像变换矩阵,得到图像变换矩阵。其中,该映射关系表为预先根据转动角度和图像变换矩阵建立好的,该映射关系表的建立可以根据实际情况进行建立,本身是实施例对此不做具体限定。通过该映射关系表能够准确的确定图像变换矩阵。
示例性的,通过图像仿射变换对第二图像进行矫正,得到第三图像,具体地,选取第二图像中的一个锐角作为目标角,并选取该锐角的一条短邻边作为目标边,以该锐角的顶点为原点建立直角坐标系,并获取第二图像中的每个点的坐标,将该锐角和短邻边固定,移动该锐角的另一条邻边直至锐角为直角,并获取另一条邻边的转动角度;映射关系表中获取转动角度对应的图像变换矩阵,基于图像变换矩阵和第二图像中的每个点的坐标,对第二图像进行图像变换,得到第三图像。
需要说明的是,该目标角也可以是钝角,例如,选取第二图像中的一个钝角作为目标角,并选取该钝角的一条短邻边作为目标边,以该钝角的顶点为原点建立直角坐标系,并获取第二图像中的每个点的坐标,将该钝角和短邻边固定,移动该钝角的另一条邻边直至钝角为直角,并获取另一条邻边的转动角度;映射关系表中获取转动角度对应的图像变换矩阵,基于图像变换矩阵和第二图像中的每个点的坐标,对第二图像进行图像变换,得到第三图像。
步骤S104、将所述第三图像输入至预设的质量等级确定模型进行处理,得到所述材料的质量等级,所述质量等级确定模型为预先训练好的第二神经网络模型。
其中,材料的质量等级可以根据实际情况进行设置,例如,质量等级包括第一质量等级、第二质量等级和第三质量等级,第一质量等级的质量最差,第三质量等级的质量最好。
在一实施例中,如图2所示,步骤S104之前还包括步骤S105至步骤S108。
步骤S105、获取材料样本数据,其中,所述材料样本数据包括包含材料的样本图像和所述样本图像对应的标准质量等级。
获取材料样本数据,该材料样本数据包括材料的样本图像和样本图像对应的标准质量等级,该标准质量等级可以是材料的质量检测员鉴定得到。
需要说明的是,获取该材料样本数据还可以从样本数据库中获取,材料的质量检测员将样本图像和样本图像对应的标准质量等级存储至样本数据库,后续需要材料样本数据时直接从样本数据库中获取,提高了材料样本数据获取的效率。
步骤S106、将所述样本图像输入至所述第二神经网络模型进行处理,得到所述样本图像中的材料的预测质量等级。
其中,该第二神经网络模型为神经网络模型,该第二神经网络可以是卷积神经网络模型、循环神经网络模型和卷积循环神经网络模型,本实施例对此不做具体限定。
将该样本图像输入至第二神经网络模型进行处理,得到样本图像中的材料的预测质量等级。通过该第二神经网络模型能够准确的得到样本图像对应的预测质量等级。
步骤S107、根据所述预测质量等级和所述标准质量等级,确定模型损失值,并根据所述模型损失值,确定所述第二神经网络模型是否收敛。
根据预测质量等级和标准质量等级,确定模型损失值的方式可以为:当预测质量等级和标准质量等级相同,第一损失值为1,当预测质量等级和标准质量等级不相同,第一损失值为0,将每个预测质量等级和对应的标准质量等级进行比较,得到多个第一损失值,对多个第一损失值进行累加,得到第二损失值,将第二损失值除以模型的训练次数,得到模型损失值。
在一实施例中,根据所述模型损失值,确定第二神经网络模型是否收敛的方式可以为:确定模型损失值是否小于预设阈值,若模型损失值小于预设阈值,则确定第二神经网络模型已收敛,若模型损失值大于或等于预设阈值,则确定第二神经网络模型未收敛。其中,该预设阈值可以根据实际情况进行设置,本实施例对此不做具体限定。根据模型损失值的大小,能够准确的确定第二神经网络模型是否收敛。
步骤S108、若所述第二神经网络模型未收敛,则调整所述神经网络模型的模型参数,并执行获取材料样本数据的步骤,直至所述第二神经网络模型收敛。
若第二神经网络模型未收敛,则调整神经网络模型的模型参数,并继续获取材料样本数据,将样本图像输入至第二神经网络模型中继续训练,调整第二神经网络模型的模型参数直至神经网络模型收敛,得到质量等级确定模型。通过继续训练神经网络模型直至收敛,可以提高材料质量等级判定的准确性。
在一实施例中,当第二神经网络模型收敛,得到质量等级确定模型,将第三图像输入至质量等级确定模型进行处理,得到材料的质量等级。通过该质量等级确定模型能够准确的识别出第三图像中材料的质量等级,极大地提高对货箱中材料的质量等级判定的便捷性和准确性。
在一实施例中,拍摄多张包含材料的第一图像,并通过预设的质量等级确定模型对多张所述第一图像进行处理,得到材料的多个质量等级;根据多个质量等级,得到材料的目标质量等级。通过对多张第一图像进行质量等级的确定,能够提高材料的质量等级确定准确性。
在一实施例中,根据多个质量等级,得到材料的目标质量等级的方式可以为:获取预设的质量等级权重参数;基于质量等级权重参数,对多个各个质量等级进行乘法运算,得到对应数量的质量等级参数;将所有的质量等级参数进行累加,得到目标质量等级。其中,该质量等级权重参数可以根据实际情况进行设置,本实施例对此不做具体限定。
上述实施例提供的质量等级确定方法,通过对位于货箱中的材料进行拍摄,准确的得到包含材料的第一图像,将第一图像输入至预设的图像分割模型中进行图像分割,能够得到没有环境因素干扰的第二图像,对第二图像进行矫正,得到使质量等级判定更加准确的第三图,将第三图像输入至预设的质量等级确定模型进行处理,能够准确的得到材料的质量等级。上述方案通过对拍摄到的图像进行分割和矫正,能够提高质量等级确定准确性,通过预设的质量等级确定模型对第三图像进行处理,能够准确的确定材料的质量等级。
请参阅图3,图3为本申请实施例提供的一种质量等级确定装置的示意性框图。
如图3所示,质量等级确定装置200包括:拍摄模块210、分割模块220、矫正模块230和确定模块240,其中:
所述拍摄模块210,用于对位于货箱中的材料进行拍摄,得到包含所述材料的第一图像;
所述分割模块220,用于将所述第一图像输入至预设的图像分割模型中进行图像分割,得到第二图像,其中,所述图像分割模型为预先训练好的第一神经网络模型;
所述矫正模块230,用于对所述第二图像进行矫正,得到第三图像;
所述确定模块240,用于将所述第三图像输入至预设的质量等级确定模型进行处理,得到所述材料的质量等级,所述质量等级确定模型为预先训练好的第二神经网络模型。
在一实施例中,所述矫正模块230,还用于:
选取所述第二图像中的一个角作为目标角,并选取所述目标角的一条邻边作为目标边;
基于所述目标角和所述目标边建立直角坐标系,并按照所述直角坐标系对所述第二图像进行图像变换,得到所述第三图像。
在一实施例中,所述矫正模块230,还用于:
以所述目标角的顶点为原点建立直角坐标系,并获取所述第二图像中的每个点的坐标;
将所述目标角和所述目标边固定,移动所述目标角的另一条邻边直至所述目标角为直角,并获取另一条邻边的转动角度;
根据所述转动角度查找对应的图像变换矩阵;
基于所述图像变换矩阵和所述第二图像中的每个点的所述坐标,对所述第二图像进行图像变换,得到所述第三图像。
在一实施例中,所述矫正模块230,还用于:
获取预设的转动角度与图像变换矩阵之间的映射关系表;
从所述映射关系表查找所述转动角度对应的图像变换矩阵,得到所述图像变换矩阵。
在一实施例中,如图4所示,质量等级确定装置200还包括获取模块250、调整模块260,其中:
所述获取模块250,用于获取材料样本数据,其中,所述材料样本数据包括包含材料的样本图像和所述样本图像对应的标准质量等级;
所述确定模块240,将所述样本图像输入至所述第二神经网络模型进行处理,得到所述样本图像中的材料的预测质量等级;
所述确定模块240,还用于根据所述预测质量等级和所述标准质量等级,确定模型损失值,并根据所述模型损失值,确定所述第二神经网络模型是否收敛;
所述调整模块260,用于若所述第二神经网络模型未收敛,则调整所述神经网络模型的模型参数,并执行获取材料样本数据的步骤,直至所述第二神经网络模型收敛。
在一实施例中,所述质量等级确定装置200,还用于:
拍摄多张包含所述材料的第一图像,并通过所述预设的质量等级确定模型对多张所述第一图像进行处理,得到所述材料的多个质量等级;
根据多个所述质量等级,得到所述材料的目标质量等级。
在一实施例中,所述质量等级确定装置200,还用于:
获取预设的质量等级权重参数;
基于所述质量等级权重参数,对多个各个质量等级进行乘法运算,得到对应数量的质量等级参数;
将所有的所述质量等级参数进行累加,得到所述目标质量等级。
需要说明的是,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,上述描述质量等级确定装置的具体工作过程,可以参考前述质量等级确定方法实施例中的对应过程,在此不再赘述。
请参阅图5,图5为本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以为服务器或终端。
如图5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,存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种质量等级确定方法。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种质量等级确定方法。
该网络接口用于网络通信。本领域技术人员可以理解,图5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。
应当理解的是,该总线比如为I2C(Inter-integrated Circuit)总线,存储器可以是Flash芯片、只读存储器(ROM,Read-Only Memory)磁盘、光盘、U盘或移动硬盘等,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器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(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,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。其中,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。
其中,在一个实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:
对位于货箱中的材料进行拍摄,得到包含所述材料的第一图像;
将所述第一图像输入至预设的图像分割模型中进行图像分割,得到第二图像,其中,所述图像分割模型为预先训练好的第一神经网络模型;
对所述第二图像进行矫正,得到第三图像;
将所述第三图像输入至预设的质量等级确定模型进行处理,得到所述材料的质量等级,所述质量等级确定模型为预先训练好的第二神经网络模型。
在一个实施例中,所述处理器在实现所述对所述第二图像进行矫正,得到第三图像时,用于实现:
选取所述第二图像中的一个角作为目标角,并选取所述目标角的一条邻边作为目标边;
基于所述目标角和所述目标边建立直角坐标系,并按照所述直角坐标系对所述第二图像进行图像变换,得到所述第三图像。
在一个实施例中,所述处理器在实现所述基于所述目标角和所述目标边建立直角坐标系,并按照所述直角坐标系对所述第二图像进行图像变换,得到所述第三图像时,用于实现:
以所述目标角的顶点为原点建立直角坐标系,并获取所述第二图像中的每个点的坐标;
将所述目标角和所述目标边固定,移动所述目标角的另一条邻边直至所述目标角为直角,并获取另一条邻边的转动角度;
根据所述转动角度查找对应的图像变换矩阵;
基于所述图像变换矩阵和所述第二图像中的每个点的所述坐标,对所述第二图像进行图像变换,得到所述第三图像。
在一个实施例中,所述处理器在实现根据所述转动角度查找对应的图像变换矩阵时,用于实现:
获取预设的转动角度与图像变换矩阵之间的映射关系表;
从所述映射关系表中查找所述转动角度对应的图像变换矩阵,得到所述图像变换矩阵。
在一个实施例中,所述处理器在实现所述将所述第三图像输入至预设的质量等级确定模型,得到所述材料的质量等级之前,还用于实现:
获取材料样本数据,其中,所述材料样本数据包括包含材料的样本图像和所述样本图像对应的标准质量等级;
将所述样本图像输入至所述第二神经网络模型进行处理,得到所述样本图像中的材料的预测质量等级;
根据所述预测质量等级和所述标准质量等级,确定模型损失值,并根据所述模型损失值,确定所述第二神经网络模型是否收敛;
若所述第二神经网络模型未收敛,则调整所述神经网络模型的模型参数,并执行获取材料样本数据的步骤,直至所述第二神经网络模型收敛。
在一个实施例中,所述处理器用于实现:
拍摄多张包含所述材料的第一图像,并通过所述预设的质量等级确定模型对多张所述第一图像进行处理,得到所述材料的多个质量等级;
根据多个所述质量等级,得到所述材料的目标质量等级。
在一个实施例中,所述处理器在实现所述根据多个所述质量等级,得到所述材料的目标质量等级时,用于实现:
获取预设的质量等级权重参数;
基于所述质量等级权重参数,对多个各个质量等级进行乘法运算,得到对应数量的质量等级参数;
将所有的所述质量等级参数进行累加,得到所述目标质量等级。
需要说明的是,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,上述描述计算机设备的具体工作过程,可以参考前述质量等级确定方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序中包括程序指令,所述程序指令被执行时所实现的方法可参照本申请质量等级确定方法的各个实施例。
其中,所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元,例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备,例如所述计算机设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
进一步地,所述计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于人工智能的质量等级确定方法,其特征在于,包括:
对位于货箱中的材料进行拍摄,得到包含所述材料的第一图像;
将所述第一图像输入至预设的图像分割模型中进行图像分割,得到第二图像,其中,所述图像分割模型为预先训练好的第一神经网络模型;
对所述第二图像进行矫正,得到第三图像;
将所述第三图像输入至预设的质量等级确定模型进行处理,得到所述材料的质量等级,所述质量等级确定模型为预先训练好的第二神经网络模型。
2.如权利要求1所述的质量等级确定方法,其特征在于,所述对所述第二图像进行矫正,得到第三图像,包括:
选取所述第二图像中的一个角作为目标角,并选取所述目标角的一条邻边作为目标边;
基于所述目标角和所述目标边建立直角坐标系,并按照所述直角坐标系对所述第二图像进行图像变换,得到所述第三图像。
3.如权利要求2所述的质量等级确定方法,其特征在于,所述基于所述目标角和所述目标边建立直角坐标系,并按照所述直角坐标系对所述第二图像进行图像变换,得到所述第三图像,包括:
以所述目标角的顶点为原点建立直角坐标系,并获取所述第二图像中的每个点的坐标;
将所述目标角和所述目标边固定,移动所述目标角的另一条邻边直至所述目标角为直角,并获取另一条邻边的转动角度;
根据所述转动角度查找对应的图像变换矩阵;
基于所述图像变换矩阵和所述第二图像中的每个点的所述坐标,对所述第二图像进行图像变换,得到所述第三图像。
4.如权利要求3所述的质量等级确定方法,其特征在于,所述根据所述转动角度查找对应的图像变换矩阵,包括:
获取预设的转动角度与图像变换矩阵之间的映射关系表;
从所述映射关系表中查找所述转动角度对应的图像变换矩阵,得到所述图像变换矩阵。
5.如权利要求1所述的质量等级确定方法,其特征在于,所述将所述第三图像输入至预设的质量等级确定模型,得到所述材料的质量等级之前,还包括:
获取材料样本数据,其中,所述材料样本数据包括包含材料的样本图像和所述样本图像对应的标准质量等级;
将所述样本图像输入至所述第二神经网络模型进行处理,得到所述样本图像中的材料的预测质量等级;
根据所述预测质量等级和所述标准质量等级,确定模型损失值,并根据所述模型损失值,确定所述第二神经网络模型是否收敛;
若所述第二神经网络模型未收敛,则调整所述神经网络模型的模型参数,并执行获取材料样本数据的步骤,直至所述第二神经网络模型收敛。
6.如权利要求1-5中任一项所述的质量等级确定方法,其特征在于,所述方法还包括:
拍摄多张包含所述材料的第一图像,并通过所述预设的质量等级确定模型对多张所述第一图像进行处理,得到所述材料的多个质量等级;
根据多个所述质量等级,得到所述材料的目标质量等级。
7.如权利要求6所述的质量等级确定方法,其特征在于,所述根据多个所述质量等级,得到所述材料的目标质量等级,包括:
获取预设的质量等级权重参数;
基于所述质量等级权重参数,对多个各个质量等级进行乘法运算,得到对应数量的质量等级参数;
将所有的所述质量等级参数进行累加,得到所述目标质量等级。
8.一种质量等级确定装置,其特征在于,所述质量等级确定装置包括:拍摄模块、分割模块、矫正模块和确定模块,其中:
所述拍摄模块,用于对位于货箱中的材料进行拍摄,得到包含所述材料的第一图像;
所述分割模块,用于将所述第一图像输入至预设的图像分割模型中进行图像分割,得到第二图像,其中,所述图像分割模型为预先训练好的第一神经网络模型;
所述矫正模块,用于对所述第二图像进行矫正,得到第三图像;
所述确定模块,用于将所述第三图像输入至预设的质量等级确定模型进行处理,得到所述材料的质量等级,所述质量等级确定模型为预先训练好的第二神经网络模型。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如权利要求1至7中任一项所述的质量等级确定方法的步骤。
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上存储有计算机程序,其中所述计算机程序被处理器执行时,实现如权利要求1至7中任一项所述的质量等级确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110957102.2A CN113643265A (zh) | 2021-08-19 | 2021-08-19 | 基于人工智能的质量等级确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110957102.2A CN113643265A (zh) | 2021-08-19 | 2021-08-19 | 基于人工智能的质量等级确定方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113643265A true CN113643265A (zh) | 2021-11-12 |
Family
ID=78423023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110957102.2A Pending CN113643265A (zh) | 2021-08-19 | 2021-08-19 | 基于人工智能的质量等级确定方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113643265A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115563687A (zh) * | 2022-10-27 | 2023-01-03 | 湖北绿森林新材料有限公司 | 3d打印装饰预制件及设计方法和系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006059202A (ja) * | 2004-08-20 | 2006-03-02 | Iwate Univ | 撮像装置及び画像補正方法 |
US20130083373A1 (en) * | 2011-09-29 | 2013-04-04 | Brother Kogyo Kabushiki Kaisha | Image-Reading Device and Computer-Readable Storage Medium |
CN107169494A (zh) * | 2017-06-01 | 2017-09-15 | 中国人民解放军国防科学技术大学 | 基于手持终端的车牌图像分割校正方法 |
CN109740617A (zh) * | 2019-01-08 | 2019-05-10 | 国信优易数据有限公司 | 一种图像检测方法及装置 |
CN110148122A (zh) * | 2019-05-17 | 2019-08-20 | 南京东奇智能制造研究院有限公司 | 基于深度学习的苹果外观质量分级方法 |
CN110956092A (zh) * | 2019-11-06 | 2020-04-03 | 江苏大学 | 一种基于深度学习的智能金相检测评级方法及系统 |
CN111784656A (zh) * | 2020-06-28 | 2020-10-16 | 京东数字科技控股有限公司 | 一种铁路接触网故障检测方法、装置、电子设备及存储介质 |
CN111915580A (zh) * | 2020-07-27 | 2020-11-10 | 深圳市识农智能科技有限公司 | 烟叶分级方法、系统、终端设备及存储介质 |
CN111968122A (zh) * | 2020-08-27 | 2020-11-20 | 广东工业大学 | 一种基于卷积神经网络的纺织材料ct图像分割方法和装置 |
CN112561891A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 图像质量检测方法、装置、设备及存储介质 |
CN112950626A (zh) * | 2021-03-31 | 2021-06-11 | 网易传媒科技(北京)有限公司 | 清晰度的确定方法、介质、装置和计算设备 |
-
2021
- 2021-08-19 CN CN202110957102.2A patent/CN113643265A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006059202A (ja) * | 2004-08-20 | 2006-03-02 | Iwate Univ | 撮像装置及び画像補正方法 |
US20130083373A1 (en) * | 2011-09-29 | 2013-04-04 | Brother Kogyo Kabushiki Kaisha | Image-Reading Device and Computer-Readable Storage Medium |
CN107169494A (zh) * | 2017-06-01 | 2017-09-15 | 中国人民解放军国防科学技术大学 | 基于手持终端的车牌图像分割校正方法 |
CN109740617A (zh) * | 2019-01-08 | 2019-05-10 | 国信优易数据有限公司 | 一种图像检测方法及装置 |
CN110148122A (zh) * | 2019-05-17 | 2019-08-20 | 南京东奇智能制造研究院有限公司 | 基于深度学习的苹果外观质量分级方法 |
CN110956092A (zh) * | 2019-11-06 | 2020-04-03 | 江苏大学 | 一种基于深度学习的智能金相检测评级方法及系统 |
CN111784656A (zh) * | 2020-06-28 | 2020-10-16 | 京东数字科技控股有限公司 | 一种铁路接触网故障检测方法、装置、电子设备及存储介质 |
CN111915580A (zh) * | 2020-07-27 | 2020-11-10 | 深圳市识农智能科技有限公司 | 烟叶分级方法、系统、终端设备及存储介质 |
CN111968122A (zh) * | 2020-08-27 | 2020-11-20 | 广东工业大学 | 一种基于卷积神经网络的纺织材料ct图像分割方法和装置 |
CN112561891A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 图像质量检测方法、装置、设备及存储介质 |
CN112950626A (zh) * | 2021-03-31 | 2021-06-11 | 网易传媒科技(北京)有限公司 | 清晰度的确定方法、介质、装置和计算设备 |
Non-Patent Citations (6)
Title |
---|
MEI WANG等: "An Optimization Algorithm of Vehicle License Plate Correction Based on Minimum Projection Distance", 《2008 THE 9TH INTERNATIONAL CONFERENCE FOR YOUNG COMPUTER SCIENTISTS》, 12 December 2008 (2008-12-12), pages 1701 - 1705 * |
MEISEN PAN等: "An Approach to Tilt Correction of Vehicle License Plate", 《2007 INTERNATIONAL CONFERENCE ON MECHATRONICS AND AUTOMATION》, 24 September 2007 (2007-09-24), pages 272 - 273 * |
刘庆珲: "基于图像的柑橘分级方法研究", 《中国优秀硕士学位论文全文数据库 (农业科技辑)》, no. 2021, 15 May 2021 (2021-05-15), pages 43 - 44 * |
吴晓飞: "洗车行环境中车牌号码识别方法研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 2018, 15 April 2018 (2018-04-15), pages 035 - 416 * |
胡仁伟等: "基于傅里叶变换和Hough变换的商标图案倾斜校正", 《轻工机械》, vol. 36, no. 01, 29 January 2018 (2018-01-29), pages 62 - 65 * |
雷晓强: "基于深度学习的线缆接头焊点合格性检测研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》, no. 2020, 15 December 2020 (2020-12-15), pages 022 - 181 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115563687A (zh) * | 2022-10-27 | 2023-01-03 | 湖北绿森林新材料有限公司 | 3d打印装饰预制件及设计方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009543B (zh) | 一种车牌识别方法及装置 | |
CN110378235B (zh) | 一种模糊人脸图像识别方法、装置及终端设备 | |
CN110569341B (zh) | 配置聊天机器人的方法、装置、计算机设备和存储介质 | |
CN110084299B (zh) | 基于多头融合注意力的目标检测方法和装置 | |
CN110706261A (zh) | 车辆违章检测方法、装置、计算机设备和存储介质 | |
CN112232426B (zh) | 目标检测模型的训练方法、装置、设备及可读存储介质 | |
CN111310746B (zh) | 文本行检测方法、模型训练方法、装置、服务器及介质 | |
CN111814905A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN113673439A (zh) | 基于人工智能的宠物狗识别方法、装置、设备及存储介质 | |
KR20220093187A (ko) | 포지셔닝 방법 및 장치, 전자 기기, 컴퓨터 판독 가능 저장 매체 | |
CN110909665A (zh) | 一种多任务的图像处理方法、装置、电子设备及存储介质 | |
CN115937003A (zh) | 图像处理方法、装置、终端设备和可读存储介质 | |
CN113643265A (zh) | 基于人工智能的质量等级确定方法、装置、设备及介质 | |
CN110427845B (zh) | 物品像素中心确定方法、装置、设备及可读存储介质 | |
CN110222704B (zh) | 一种弱监督目标检测方法及装置 | |
CN111274965A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
CN113034531B (zh) | 设备摆放检测方法及装置 | |
CN114494751A (zh) | 证照信息识别方法、装置、设备及介质 | |
CN112819799A (zh) | 目标缺陷检测方法及装置、系统、电子设备和存储介质 | |
CN111079575B (zh) | 一种基于包装图像特征的物料识别方法及系统 | |
CN111860287A (zh) | 一种目标检测方法及装置、存储介质 | |
CN112699886B (zh) | 一种字符识别方法、装置及电子设备 | |
CN111260757A (zh) | 一种图像处理方法、装置及终端设备 | |
CN110874814A (zh) | 一种图像处理方法、图像处理装置及终端设备 | |
CN112686851B (zh) | 一种图像检测方法、装置及存储介质 |
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 |