CN113836982A - 图像处理方法、装置、存储介质及计算机设备 - Google Patents
图像处理方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN113836982A CN113836982A CN202010588381.5A CN202010588381A CN113836982A CN 113836982 A CN113836982 A CN 113836982A CN 202010588381 A CN202010588381 A CN 202010588381A CN 113836982 A CN113836982 A CN 113836982A
- Authority
- CN
- China
- Prior art keywords
- image
- net cage
- water body
- identified
- branch
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 33
- 238000003672 processing method Methods 0.000 title claims abstract description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 135
- 238000009360 aquaculture Methods 0.000 claims abstract description 41
- 244000144974 aquaculture Species 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000015654 memory Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000003643 water by type Substances 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
- G06F18/22—Matching criteria, e.g. proximity measures
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
本发明公开了一种图像处理方法、装置、存储介质及计算机设备。其中,该方法包括:接收第一待识别图像;通过图像识别模型的第一分支识别第一待识别图像中的网箱,以及通过图像识别模型的第二分支识别第一待识别图像中的水体;输出第一识别结果,其中,第一识别结果包括网箱和水体的关系。本发明解决了相关技术中,从图像中识别养殖网箱时,存在对养殖网箱的误识别的技术问题。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种图像处理方法、装置、存储介质及计算机设备。
背景技术
在相关技术中,在对图像进行识别时,识别出图像中的目标物并不是实际需要的目标物。例如,识别出的目标物并非是处于预定目标环境中的目标物,因此,导致了对目标物的大量误识别。举例说明,比如,从图像中识别养殖网箱时,即识别出图像中用于养殖的网箱时,由于养殖一般是在水体中的,但有时识别出的网箱是在陆地上的,因此,造成了对养殖网箱的误识别。
因此,在相关技术中,从图像中识别养殖网箱时,存在对养殖网箱的误识别的问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种图像处理方法、装置、存储介质及计算机设备,以至少解决相关技术中,从图像中识别养殖网箱时,存在对养殖网箱的误识别的技术问题。
根据本发明实施例的一个方面,提供了一种图像处理方法,包括:接收第一待识别图像;通过图像识别模型的第一分支识别所述第一待识别图像中的网箱,以及通过所述图像识别模型的第二分支识别所述第一待识别图像中的水体;输出第一识别结果,其中,所述第一识别结果包括所述网箱与所述水体的关系。
根据本发明实施例的另一方面,还提供了一种图像处理方法,包括:接收第二待识别图像,其中,所述第二待识别图像中包括网箱;通过图像识别模型识别所述第二待识别图像中的水体;输出第二识别结果,其中,所述第二识别结果用于标识所述网箱是否为所述水体中的养殖网箱。
根据本发明实施例的一方面,还提供了一种图像处理装置,包括:第一接收模块,用于接收第一待识别图像;第一识别模块,用于通过图像识别模型的第一分支识别所述第一待识别图像中的网箱,以及通过所述图像识别模型的第二分支识别所述第一待识别图像中的水体;第一输出模块,用于输出第一识别结果,其中,所述第一识别结果包括所述网箱与所述水体的关系。
根据本发明实施例的另一方面,还提供了一种图像处理装置,包括:第二接收模块,用于接收第二待识别图像,其中,所述第二待识别图像中包括网箱;第二识别模块,用于通过图像识别模型识别所述第二待识别图像中的水体;第二输出模块,用于输出第二识别结果,其中,所述第二识别结果用于标识所述网箱是否为所述水体中的养殖网箱。
根据本发明实施例的一方面,还提供了一种存储介质,所述存储介质存储有程序,其中,在所述程序被处理器运行时控制所述处理器执行上述任意一项所述的图像处理方法。
根据本发明实施例的另一方面,还提供了一种计算机设备,包括:存储器和处理器,所述存储器存储有计算机程序;所述处理器,用于执行所述存储器中存储的计算机程序,所述计算机程序运行时使得所述处理器执行上述任意一项所述的图像处理方法。
在本发明实施例中,采用通过图像识别模型识别出待识别图像中的水体的方式,通过将识别网箱与识别水体进行结合,达到了识别出包括网箱与水体的关系,即识别出网箱是否为水体中的养殖网箱的目的,从而实现了提高准确识别养殖网箱的识别率的技术效果,进而解决了相关技术中,从图像中识别养殖网箱时,存在对养殖网箱的误识别的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1示出了一种用于实现图像处理方法的计算机终端的硬件结构框图;
图2是根据本发明实施例1的图像处理方法一的流程图;
图3是根据本发明实施例1的图像处理方法二的流程图;
图4是根据本发明优选实施方式的图像识别模型的结构示意图;
图5是根据本发明实施例2的图像处理装置一的结构框图,;
图6是根据本发明实施例3的图像处理装置二的结构框图;
图7是根据本发明实施例的一种计算机终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,还提供了一种图像处理方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例1所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现图像处理方法的计算机终端的硬件结构框图。如图1所示,计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本发明实施例中的图像处理方法对应的程序指令/数据存储装置,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的应用程序的漏洞检测方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
在上述运行环境下,本申请提供了如图2所示的图像处理方法。图2是根据本发明实施例1的图像处理方法一的流程图,如图2所示,该流程包括如下步骤:
步骤S202,接收第一待识别图像;
步骤S204,通过图像识别模型的第一分支识别第一待识别图像中的网箱,以及通过图像识别模型的第二分支识别第一待识别图像中的水体;
步骤S206,输出第一识别结果,其中,第一识别结果包括网箱与水体的关系。
通过上述步骤,采用通过图像识别模型识别出待识别图像中的水体的方式,通过将识别网箱与识别水体进行结合,达到了识别出包括网箱与水体的关系,即识别出网箱是否为水体中的养殖网箱的目的,从而实现了提高准确识别养殖网箱的识别率的技术效果,进而解决了相关技术中,从图像中识别养殖网箱时,存在对养殖网箱的误识别的技术问题。
作为一种可选的实施例,上述步骤的执行主体可以是用于进行图像处理的计算机设备,可以是终端,可以是服务器,还可以是其它用于处理并行计算的计算装置等。
作为一种可选的实施例,接收第一待识别图像时,该第一待识别图像可以是通过多种方式获得的,例如,可以是直接通过拍摄设备进行拍摄获得,也可以是从监控设备中截取的监控画面,还可以是经过预定的图像处理设备处理后的图像,等等。其中,接收该第一待识别图像时,可以通过与其它设备连接的接口接收,也可以通过任何能够实现通信的无线通信技术实现接收,在此不限定。
作为一种可选的实施例,在接收第一待识别图像后,在识别该第一待识别图像中的网箱和水体时,可以采用多种方式,例如,可以采用以下方式实现:通过图像识别模型的第一分支,识别第一待识别图像中的网箱;通过图像识别模型的第二分支,识别第一待识别图像中的水体;其中,图像识别模型的第一分支与第二分支的结构可以不同。由于不同的识别目标具有不同的特征,因此,通过不同的分支分别对网箱和水体进行识别,有效提高识别准确率。
需要说明的是,“通过图像识别模型的第一分支,识别第一待识别图像中的网箱”与“通过图像识别模型的第二分支,识别第一待识别图像中的水体”的结合方式可以依据具体需求,灵活选择。
例如,“通过图像识别模型的第一分支,识别第一待识别图像中的网箱”与“通过图像识别模型的第二分支,识别第一待识别图像中的水体”采用并列的方式,即两者单独执行,互相不影响。并且,两者单独执行时,执行的先后顺序也可以多种,比如,可以先“通过图像识别模型的第一分支,识别第一待识别图像中的网箱”,后“通过图像识别模型的第二分支,识别第一待识别图像中的水体”;也可以先“通过图像识别模型的第二分支,识别第一待识别图像中的水体”,后“通过图像识别模型的第一分支,识别第一待识别图像中的网箱”,还可以两者同时执行。
又例如,“通过图像识别模型的第一分支,识别第一待识别图像中的网箱”与“通过图像识别模型的第二分支,识别第一待识别图像中的水体”还可以采用串联的方式,即两者分先后地执行,并且在先的执行结果影响在后的执行。比如,可以先执行“通过图像识别模型的第一分支,识别第一待识别图像中的网箱”,在识别出网箱时,再执行“通过图像识别模型的第二分支,识别第一待识别图像中的水体”;也可以先执行“通过图像识别模型的第二分支,识别第一待识别图像中的水体”,在识别出水体时,再执行“通过图像识别模型的第一分支,识别第一待识别图像中的网箱”。
作为一种可选的实施例,在通过图像识别模型的第一分支识别第一待识别图像中的网箱,以及通过图像识别模型的第二分支识别第一待识别图像中的水体之前,可以通过机器训练,得到图像识别模型的第一分支和第二分支。例如,可以采用第一类多组数据进行机器训练,得到图像识别模型的第一分支,其中,第一类多组数据中的每组数据均包括:图像,以及图像中的网箱;以及,采用第二类多组数据进行机器训练,得到图像识别模型的第二分支,其中,第二类多组数据中的每组数据均包括:图像,以及图像中的水体。因此,在模型训练时,可以采用分类的多组数据,依据不同分类的多组数据,可以对模型的不同分支进行优化调整,从而实现提高模型训练效率的好处。需要说明的是,上述模型的不同分支可以是分别独立的模型分支,分别独立的模型分支用于实现不同的识别作用,例如,可以是上述用于识别出第一待识别图像中的网箱的第一分支,也可以是上述用于识别出第一待识别图像中的水体的第二分支。另外,上述第一类多组数据与上述第二类多组数据可以是不同的数据,也可以是同一组数据,只是同一组数据用于图像识别模型的不同分支的训练,同一组数据用于图像识别模型不同分支的训练时,不仅可以实现训练样本的重复使用,而且针对需要识别出网箱出现在水体中的识别结果时,能够有效提高识别的准确率。
作为一种可选的实施例,上述网箱和水体的关系可以包括:
在网箱与参考网箱的相似度大于或等于第一相似度阈值,以及水体与参考水体的相似度大于或等于第二相似度阈值的情况下,网箱与水体的关系为:网箱为出现在水体内的养殖网箱;或者,
在网箱与参考网箱的相似度大于或等于第一相似度阈值,以及水体与参考水体的相似度小于第二相似度阈值的情况下,网箱与水体的关系为:网箱为不是出现在水体内的养殖网箱。即通过第一相似度阈值和第二相似度阈值,可以确定依据图像识别模型的第一分支识别出的网箱与依据图像识别模型的第二分支识别出的水体,判断识别出的网箱是否是在识别出的水体中的养殖网箱。
需要说明的是,上述参考网箱可以是对多个具体的养殖网箱的特征提取后拟合出的网箱,可以理解为用于表征在水域中养殖水产品的网箱。该参考网箱可以是一种虚拟网箱,不是某一个具体的网箱。上述参考水体也可以是对多种具体的水体的特征提取后拟合出的水体,可以理解为用于养殖水产品的水域。该参考水体也可以是一种虚拟水体,不是某一片具体的水域。上述参考网箱相对于具体的养殖网箱具备更全面的养殖网箱的特征,上述参考水体相对于具体的水域也具备更全面的水体的特征。
作为一种可选的实施例,上述方法还可以包括:接收第一反馈信息,其中,第一反馈信息用于反馈第一识别结果是否正确。例如,可以通过交互界面显示第一识别结果,用户基于对该第一待识别对象的识别确定通过图像识别模型识别出的第一识别结果是否正确。基于用户的反馈,可以将该第一识别图像与对应的第一识别结果作为标记样本,用于后续图像识别模型的优化等。
在本发明实施例中,还提供了一种图像处理方法,图3是根据本发明实施例1的图像处理方法二的流程图,如图3所示,该流程包括如下步骤:
步骤S302,接收第二待识别图像,其中,第二待识别图像中包括网箱;
步骤S304,通过图像识别模型识别第二待识别图像中的水体;
步骤S306,输出第二识别结果,其中,第二识别结果用于标识网箱是否为水体中的养殖网箱。
通过上述步骤,针对包括网箱的第二待识别图像中,采用图像识别模型识别该第二待识别图像中的水体,通过确定第二待识别图像中的网箱是否为水体中的养殖网箱,,实现对图像识别过程中,对养殖网箱的准确识别,有效提高了准确识别图像的识别效率。
作为一种可选的实施例,上述第二待识别图像可以为通过预定识别模型确定存在网箱的图像。其中,上述预定识别模型可以是任何用于识别网箱的模型;也可以是上述识别水体的图像识别模型,由于识别目标不同,因此,可以是在图像识别模型中与识别水体分别属于不同的分支。比如,在该同一个图像识别模型中一个分支用于识别上述网箱,另一个分支用于识别上述水体。
作为一种可选的实施例,在输出第二识别结果之后,还可以接收第二反馈信息,其中,第二反馈信息用于反馈第二识别结果是否正确。例如,可以通过交互界面显示第二识别结果,用户基于对该第二待识别对象的识别确定通过图像识别模型识别出的第二识别结果是否正确。基于用户的反馈,可以将该第二识别图像与对应的第二识别结果作为标记样本,用于后续图像识别模型的优化等。
基于上述实施例及可选实施例,以对养殖网箱是否属于水体中的网箱为例,提供了一种优选实施方式。
采用网箱的养殖一般仅出现在水域中,但是由于现在的识别模型(即,算法)是不能约束用于养殖的网箱的出现位置的,导致在陆地区域有大量的误检测。基于此,在本优选实施方式中,在采用识别模型预测(即识别)网箱的时候,加上一个分支用于水体的预测,在水体与网箱之间产生先验信息。
图4是根据本发明优选实施方式的图像识别模型的结构示意图,如图4所示,该图像识别模型的输入可以是待识别图像,该图像识别模型的输出可以依据模型处于训练阶段还是应用阶段而不同。比如,在模型训练阶段输出的可以是三个结果(可以包括:输出网箱,输出水体,以及将网箱和水体进行关系后的结果),从而进行损失loss的计算;而在测试阶段(即应用阶段),可以仅输出关系后的结果。另外,因为网箱和水体的特点不同,所以用于识别网箱和水体的两个头部(head)的网络结构可以不同。具体地,输出的关系后的结果可以为(水体>threshold1)*(网箱>threshold2),其中,水体>threshold1表示识别出的水体与预定水体(类似于上述参考水体)的相似度大于第一预定阈值,网箱>threshold2表示识别出的网箱与预定网箱(类似于上述参考网箱)的相似度大于第二预定阈值。
在上述优选实施方式中,每个用于不同识别目标的(模型的)头部的网络结构不同,另外,通过该优选实施方式,可以实现关系的输出,例如,输出水体和网箱关系,即网箱仅仅出现在水体内。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
实施例2
根据本发明实施例,还提供了一种用于实施上述图像处理方法一的图像处理装置一,图5是根据本发明实施例2的图像处理装置一的结构框图,如图5所示,该图像处理装置一50包括:第一接收模块52,第一识别模块54和第一输出模块56,下面对该图像处理装置一50进行说明。
第一接收模块52,用于接收第一待识别图像;第一识别模块54,连接至上述第一接收模块52,用于通过图像识别模型的第一分支识别第一待识别图像中的网箱,以及通过图像识别模型的第二分支识别第一待识别图像中的水体;第一输出模块56,连接至上述第一识别模块54,用于输出第一识别结果,其中,第一识别结果包括网箱和水体的关系。
此处需要说明的是,上述第一接收模块52,第一识别模块54和第一输出模块56对应于实施例1中的步骤S202至步骤S206,上述模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
实施例3
根据本发明实施例,还提供了一种用于实施上述图像处理方法二的图像处理装置二,图6是根据本发明实施例3的图像处理装置二的结构框图,如图6所示,该图像处理装置二60包括:第二接收模块62,第二识别模块64和第二输出模块66,下面对该图像处理装置二60进行说明。
第二接收模块62,用于接收第二待识别图像,其中,第二待识别图像中包括网箱;第二识别模块64,连接至上述第二接收模块62,用于通过图像识别模型识别第二待识别图像中的水体;第二输出模块66,连接至上述第二识别模块64,用于输出第二识别结果,其中,第二识别结果用于标识网箱是否为水体中的养殖网箱
此处需要说明的是,上述第二接收模块62,第二识别模块64和第二输出模块66对应于实施例1中的步骤S302至步骤S306,上述模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
实施例4
本发明的实施例可以提供一种计算机终端,该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地,在本实施例中,上述计算机终端也可以替换为移动终端等终端设备。
可选地,在本实施例中,上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中,上述计算机终端可以执行应用程序的图像处理方法中以下步骤的程序代码:接收第一待识别图像;通过图像识别模型的第一分支识别第一待识别图像中的网箱,以及通过图像识别模型的第二分支识别第一待识别图像中的水体;输出第一识别结果,其中,第一识别结果包括网箱和水体的关系。
可选地,图7是根据本发明实施例的一种计算机终端的结构框图。如图7所示,该计算机终端可以包括:一个或多个(图中仅示出一个)处理器、存储器等。
其中,存储器可用于存储软件程序以及模块,如本发明实施例中的图像处理方法和装置对应的程序指令/模块,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的图像处理方法。存储器可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:接收第一待识别图像;通过图像识别模型的第一分支识别第一待识别图像中的网箱,以及通过图像识别模型的第二分支识别第一待识别图像中的水体;输出第一识别结果,其中,第一识别结果包括网箱和水体的关系。
可选的,上述处理器还可以执行如下步骤的程序代码:第一分支与第二分支的结构不同。
可选的,上述处理器还可以执行如下步骤的程序代码:采用第一类多组数据进行机器训练,得到图像识别模型的第一分支,其中,第一类多组数据中的每组数据均包括:图像,以及图像中的网箱;以及,采用采用第二类多组数据进行机器训练,得到图像识别模型的第二分支,其中,第二类多组数据中的每组数据均包括:图像,以及图像中的水体。
可选的,上述处理器还可以执行如下步骤的程序代码:网箱和水体的关系包括:在网箱与参考网箱的相似度大于或等于第一相似度阈值,以及水体与参考水体的相似度大于或等于第二相似度阈值的情况下,网箱与水体的关系为:网箱为出现在水体内的养殖网箱;或者,在网箱与参考网箱的相似度大于或等于第一相似度阈值,以及水体与参考水体的相似度小于第二相似度阈值的情况下,网箱与水体的关系为:网箱为不是出现在水体内的养殖网箱。
可选的,上述处理器还可以执行如下步骤的程序代码:接收第一反馈信息,其中,第一反馈信息用于反馈第一识别结果是否正确。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:接收第二待识别图像,其中,第二待识别图像中包括网箱;通过图像识别模型识别第二待识别图像中的水体;输出第二识别结果,其中,第二识别结果用于标识网箱是否为水体中的养殖网箱。
可选的,上述处理器还可以执行如下步骤的程序代码:第二待识别图像为通过预定识别模型确定存在网箱的图像。
可选的,上述处理器还可以执行如下步骤的程序代码:接收第二反馈信息,其中,第二反馈信息用于反馈第二识别结果是否正确。
采用本发明实施例,提供了一种图像处理的方案。采用通过图像识别模型识别出待识别图像中的水体的方式,通过将识别网箱与识别水体进行结合,达到了识别出包括网箱与水体的关系,即识别出网箱是否为水体中的养殖网箱的目的,从而实现了提高准确识别养殖网箱的识别率的技术效果,进而解决了相关技术中,从图像中识别养殖网箱时,存在对养殖网箱的误识别的技术问题。
本领域普通技术人员可以理解,图7所示的结构仅为示意,计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet Devices,MID)、PAD等终端设备。图7其并不对上述电子装置的结构造成限定。例如,计算机终端7还可包括比图7中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图7所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(RandomAccess Memory,RAM)、磁盘或光盘等。
实施例5
本发明的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于保存上述实施例1所提供的图像处理方法所执行的程序代码。
可选地,在本实施例中,上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:接收第一待识别图像;通过图像识别模型的第一分支识别第一待识别图像中的网箱,以及通过图像识别模型的第二分支识别第一待识别图像中的水体;输出第一识别结果,其中,第一识别结果包括网箱和水体的关系。
可选地,在本实施例中,存储介质还被设置为存储用于执行以下步骤的程序代码:第一分支与第二分支的结构不同。
可选地,在本实施例中,存储介质还被设置为存储用于执行以下步骤的程序代码:用第一类多组数据进行机器训练,得到图像识别模型的第一分支,其中,第一类多组数据中的每组数据均包括:图像,以及图像中的网箱;以及,采用采用第二类多组数据进行机器训练,得到图像识别模型的第二分支,其中,第二类多组数据中的每组数据均包括:图像,以及图像中的水体。
可选地,在本实施例中,存储介质还被设置为存储用于执行以下步骤的程序代码:网箱和水体的关系包括:在网箱与参考网箱的相似度大于或等于第一相似度阈值,以及水体与参考水体的相似度大于或等于第二相似度阈值的情况下,网箱与水体的关系为:网箱为出现在水体内的养殖网箱;或者,在网箱与参考网箱的相似度大于或等于第一相似度阈值,以及水体与参考水体的相似度小于第二相似度阈值的情况下,网箱与水体的关系为:网箱为不是出现在水体内的养殖网箱。
可选地,在本实施例中,存储介质还被设置为存储用于执行以下步骤的程序代码:接收第一反馈信息,其中,第一反馈信息用于反馈第一识别结果是否正确。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:接收第二待识别图像,其中,第二待识别图像中包括网箱;通过图像识别模型识别第二待识别图像中的水体;输出第二识别结果,其中,第二识别结果用于标识网箱是否为水体中的养殖网箱。
可选地,在本实施例中,存储介质还被设置为存储用于执行以下步骤的程序代码:第二待识别图像为通过预定识别模型确定存在网箱的图像。
可选地,在本实施例中,存储介质还被设置为存储用于执行以下步骤的程序代码:接收第二反馈信息,其中,第二反馈信息用于反馈第二识别结果是否正确。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,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信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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,在本发明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。
集成的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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种图像处理方法,其特征在于,包括:
接收第一待识别图像;
通过图像识别模型的第一分支识别所述第一待识别图像中的网箱,以及通过所述图像识别模型的第二分支识别所述第一待识别图像中的水体;
输出第一识别结果,其中,所述第一识别结果包括所述网箱与所述水体的关系。
2.根据权利要求1所述的方法,其特征在于,所述第一分支与所述第二分支的结构不同。
3.根据权利要求1所述的方法,其特征在于,还包括:
采用第一类多组数据进行机器训练,得到所述图像识别模型的第一分支,其中,所述第一类多组数据中的每组数据均包括:图像,以及图像中的网箱;以及,
采用采用第二类多组数据进行机器训练,得到所述图像识别模型的第二分支,其中,所述第二类多组数据中的每组数据均包括:图像,以及图像中的水体。
4.根据权利要求1所述的方法,其特征在于,所述网箱和所述水体的关系包括:
在所述网箱与参考网箱的相似度大于或等于第一相似度阈值,以及所述水体与参考水体的相似度大于或等于第二相似度阈值的情况下,所述网箱与所述水体的关系为:所述网箱为出现在所述水体内的养殖网箱;或者,
在所述网箱与参考网箱的相似度大于或等于第一相似度阈值,以及所述水体与参考水体的相似度小于第二相似度阈值的情况下,所述网箱与所述水体的关系为:所述网箱为不是出现在所述水体内的养殖网箱。
5.根据权利要求1所述的方法,其特征在于,还包括:
接收第一反馈信息,其中,所述第一反馈信息用于反馈所述第一识别结果是否正确。
6.一种图像处理方法,其特征在于,包括:
接收第二待识别图像,其中,所述第二待识别图像中包括网箱;
通过图像识别模型识别所述第二待识别图像中的水体;
输出第二识别结果,其中,所述第二识别结果用于标识所述网箱是否为所述水体中的养殖网箱。
7.根据权利要求6所述的方法,其特征在于,所述第二待识别图像为通过预定识别模型确定存在所述网箱的图像。
8.根据权利要求6所述的方法,其特征在于,还包括:
接收第二反馈信息,其中,所述第二反馈信息用于反馈所述第二识别结果是否正确。
9.一种图像处理装置,其特征在于,包括:
第一接收模块,用于接收第一待识别图像;
第一识别模块,用于通过图像识别模型的第一分支识别所述第一待识别图像中的网箱,以及通过所述图像识别模型的第二分支识别所述第一待识别图像中的水体;
第一输出模块,用于输出第一识别结果,其中,所述第一识别结果包括所述网箱与所述水体的关系。
10.一种图像处理装置,其特征在于,包括:
第二接收模块,用于接收第二待识别图像,其中,所述第二待识别图像中包括网箱;
第二识别模块,用于通过图像识别模型识别所述第二待识别图像中的水体;
第二输出模块,用于输出第二识别结果,其中,所述第二识别结果用于标识所述网箱是否为所述水体中的养殖网箱。
11.一种存储介质,其特征在于,所述存储介质存储有程序,其中,在所述程序被处理器运行时控制所述处理器执行权利要求1至8中任意一项所述的图像处理方法。
12.一种计算机设备,其特征在于,包括:存储器和处理器,
所述存储器存储有计算机程序;
所述处理器,用于执行所述存储器中存储的计算机程序,所述计算机程序运行时使得所述处理器执行权利要求1至8中任意一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010588381.5A CN113836982A (zh) | 2020-06-24 | 2020-06-24 | 图像处理方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010588381.5A CN113836982A (zh) | 2020-06-24 | 2020-06-24 | 图像处理方法、装置、存储介质及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113836982A true CN113836982A (zh) | 2021-12-24 |
Family
ID=78963399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010588381.5A Pending CN113836982A (zh) | 2020-06-24 | 2020-06-24 | 图像处理方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113836982A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188801A (zh) * | 2019-05-10 | 2019-08-30 | 深圳灵图慧视科技有限公司 | 图像识别方法、装置、电子设备及存储介质 |
CN110210521A (zh) * | 2019-05-10 | 2019-09-06 | 深圳灵图慧视科技有限公司 | 图像识别方法、装置、服务器、终端及存储介质 |
CN110516554A (zh) * | 2019-07-31 | 2019-11-29 | 杭州电子科技大学 | 一种多场景多字体中文文字检测识别方法 |
CN110705564A (zh) * | 2019-09-09 | 2020-01-17 | 华为技术有限公司 | 图像识别的方法和装置 |
CN110728310A (zh) * | 2019-09-27 | 2020-01-24 | 聚时科技(上海)有限公司 | 一种基于超参数优化的目标检测模型融合方法及融合系统 |
CN111161090A (zh) * | 2019-11-26 | 2020-05-15 | 北京海益同展信息科技有限公司 | 圈养栏信息的确定方法、装置及系统、存储介质 |
CN111274951A (zh) * | 2020-01-19 | 2020-06-12 | 北京迈格威科技有限公司 | 料箱状态的监控方法及装置、自动投料系统 |
-
2020
- 2020-06-24 CN CN202010588381.5A patent/CN113836982A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188801A (zh) * | 2019-05-10 | 2019-08-30 | 深圳灵图慧视科技有限公司 | 图像识别方法、装置、电子设备及存储介质 |
CN110210521A (zh) * | 2019-05-10 | 2019-09-06 | 深圳灵图慧视科技有限公司 | 图像识别方法、装置、服务器、终端及存储介质 |
CN110516554A (zh) * | 2019-07-31 | 2019-11-29 | 杭州电子科技大学 | 一种多场景多字体中文文字检测识别方法 |
CN110705564A (zh) * | 2019-09-09 | 2020-01-17 | 华为技术有限公司 | 图像识别的方法和装置 |
CN110728310A (zh) * | 2019-09-27 | 2020-01-24 | 聚时科技(上海)有限公司 | 一种基于超参数优化的目标检测模型融合方法及融合系统 |
CN111161090A (zh) * | 2019-11-26 | 2020-05-15 | 北京海益同展信息科技有限公司 | 圈养栏信息的确定方法、装置及系统、存储介质 |
CN111274951A (zh) * | 2020-01-19 | 2020-06-12 | 北京迈格威科技有限公司 | 料箱状态的监控方法及装置、自动投料系统 |
Non-Patent Citations (1)
Title |
---|
王菲菲 等: "基于SSD-MobileNet的安全帽检测算法研究", 《信息化研究》, vol. 46, no. 3, pages 34 - 39 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815754B (zh) | 一种三维信息确定方法、三维信息确定装置及终端设备 | |
CN110751215B (zh) | 一种图像识别方法、装置、设备、系统及介质 | |
CN109116129B (zh) | 终端检测方法、检测设备、系统及存储介质 | |
CN108319888B (zh) | 视频类型的识别方法及装置、计算机终端 | |
CN113011403B (zh) | 手势识别方法、系统、介质及设备 | |
CN111198973A (zh) | 基于领域模型的业务可视化处理方法及装置 | |
CN113015022A (zh) | 行为识别方法、装置、终端设备及计算机可读存储介质 | |
CN112949437A (zh) | 一种手势识别方法、手势识别装置及智能设备 | |
CN112492383A (zh) | 视频帧的生成方法及装置、存储介质、电子设备 | |
CN111191558B (zh) | 一种机器人及其人脸识别示教方法和存储介质 | |
CN111130828A (zh) | 一种智能配网方法、装置及终端设备 | |
CN112416706A (zh) | 功耗的测试方法、装置及系统、存储介质、电子装置 | |
CN109919164B (zh) | 用户界面对象的识别方法及装置 | |
CN115690592B (zh) | 图像处理方法和模型训练方法 | |
CN110414596B (zh) | 视频处理、模型训练方法和装置、存储介质及电子装置 | |
CN107704884A (zh) | 图像标签处理方法、图像标签处理装置及电子终端 | |
CN113836982A (zh) | 图像处理方法、装置、存储介质及计算机设备 | |
CN114970761A (zh) | 模型训练方法及装置、系统 | |
CN112749150B (zh) | 一种错误标注数据的识别方法、装置和介质 | |
CN114550143A (zh) | 无人车行驶中的场景识别方法及装置 | |
CN114332522A (zh) | 图像识别方法及装置、残差网络模型的构建方法 | |
CN112307891A (zh) | 一种基于深度学习进行图像识别的方法及装置 | |
CN110781878B (zh) | 目标区域的确定方法及装置、存储介质、电子装置 | |
CN114943868B (zh) | 图像处理方法、装置、存储介质及处理器 | |
CN110929866A (zh) | 神经网络模型的训练方法、装置和系统 |
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 |