CN113901932A - 融合人工鱼与粒子群算法的工程机械图像识别方法及系统 - Google Patents
融合人工鱼与粒子群算法的工程机械图像识别方法及系统 Download PDFInfo
- Publication number
- CN113901932A CN113901932A CN202111192127.4A CN202111192127A CN113901932A CN 113901932 A CN113901932 A CN 113901932A CN 202111192127 A CN202111192127 A CN 202111192127A CN 113901932 A CN113901932 A CN 113901932A
- Authority
- CN
- China
- Prior art keywords
- artificial fish
- image
- engineering
- particle swarm
- engineering machinery
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 93
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 73
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 230000000007 visual effect Effects 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000019637 foraging behavior Effects 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明属于工程机械图像识别领域，提供了一种融合人工鱼与粒子群算法的工程机械图像识别方法及系统。其中，该方法包括获取工程机械图像并初始化工程机械图像的锚框；利用融合的粒子群算法和人工鱼群算法来处理所述工程机械图像的初始锚框，得到所述工程机械图像的标准锚框；其中，粒子群算法的每个粒子看成一条人工鱼，每个粒子的速度看成人工鱼的视野范围，通过适应度寻优自适应改变人工鱼群算法觅食行为的视野，所述视野为锚框；基于所述工程机械图像的标准锚框及目标检测模型，识别出工程机械图像中工程机械的类型。
Description
技术领域
本发明属于工程机械图像识别领域，尤其涉及一种融合人工鱼与粒子群算法的工程机械图像识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
近年来随着人工智能新技术的浪潮涌起，土建工程行业迎来了新的机遇与挑战。传统的工程管理系统已经无法达到智能、高效、闭环管理的目的，科研工作者开始尝试通过引入新技术来提升复杂工况施工管理的实时性与准确性。视觉传感器因其成本低、信息量大、感知距离选、频率高等特点成为工程机械必不可少的传感器之一。通过提取视觉传感器信号，可以对前方诸如工人，卡车，挖掘机，压路机，推土机等物体进行目标检测和识别。准确的识别出传感器视野范围的特定目标，是工程机械控制器接收正确信息完成恰当决策的前提，也是智能化施工中关键的一环。
常见的目标检测算法主要包括传统的目标检测算法和基于深度学习的目标检测算法。与传统算法相比，基于深度学习的目标检测算法由于其大数据训练机制，在精度、速度和鲁棒性方面取得了重大突破。卷积神经元网络作为近几年新兴的基于深度学习的目标检测算法，提供了一种新的目标检测思路，相较于传统目标检测算法，其网络模型的复杂度比较低，但是其精度和实时性受样本集的锚框尺寸影响较大。如何针对具体目标检测样本集，比如应用于一体化施工的工程机械样本集锚框尺寸的准确选择，是提高其检测性能的关键因素之一。发明人发现，传统目标检测算法中，初始锚框的选取一般采用K-means聚类方式，但是这种方式容易陷入局部最优值，且对噪声点和异常点较敏感，进而影响工程机械图像识别的精度。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种融合人工鱼与粒子群算法的工程机械图像识别方法及系统，其能够提高工程机械图像识别的精度。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种融合人工鱼与粒子群算法的工程机械图像识别方法，其包括：
获取工程机械图像并初始化工程机械图像的锚框；
利用融合的粒子群算法和人工鱼群算法来处理所述工程机械图像的初始锚框，得到所述工程机械图像的标准锚框；其中，粒子群算法的每个粒子看成一条人工鱼，每个粒子的速度看成人工鱼的视野范围，通过适应度寻优自适应改变人工鱼群算法觅食行为的视野，所述视野为锚框；
基于所述工程机械图像的标准锚框及目标检测模型，识别出工程机械图像中工程机械的类型。
本发明的第二个方面提供一种融合人工鱼与粒子群算法的工程机械图像识别系统，其包括：
图像获取及初始化模块，其用于获取工程机械图像并初始化工程机械图像的锚框；
标准锚框获取模块，其用于利用融合的粒子群算法和人工鱼群算法来处理所述工程机械图像的初始锚框，得到所述工程机械图像的标准锚框；其中，粒子群算法的每个粒子看成一条人工鱼，每个粒子的速度看成人工鱼的视野范围，通过适应度寻优自适应改变人工鱼群算法觅食行为的视野，所述视野为锚框；
工程机械图像识别模块，其用于基于所述工程机械图像的标准锚框及目标检测模型，识别出工程机械图像中工程机械的类型。
本发明的第三个方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的融合人工鱼与粒子群算法的工程机械图像识别方法中的步骤。
本发明的第四个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的融合人工鱼与粒子群算法的工程机械图像识别方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明利用融合的粒子群算法和人工鱼群算法来处理所述工程机械图像的初始锚框，得到所述工程机械图像的标准锚框；其中粒子群算法的每个粒子看成一条人工鱼，每个粒子的速度看成人工鱼的视野范围，通过适应度寻优自适应改变人工鱼群算法觅食行为的视野，视野为锚框，解决了常规锚框聚类方法容易陷入局部最优值，且对噪声点和异常点较敏感的问题，基于所述工程机械图像的标准锚框及目标检测模型，识别出工程机械图像中工程机械的类型，提高了工程机械图像识别的精度。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，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。
图1是应用本发明实施例的融合人工鱼与粒子群算法的工程机械图像识别方法的示例性应用环境的系统架构的示意图；
图2是本发明实施例的融合人工鱼与粒子群算法的工程机械图像识别方法流程图；
图3是本发明实施例的融合人工鱼与粒子群算法的工程机械图像识别系统结构示意图；
图4是本发明实施例的电子设备结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
图1示出了可以应用本发明实施例的融合人工鱼与粒子群算法的工程机械图像识别方法的示例性应用环境的系统架构的示意图。
如图1所示，系统架构100可以包括电子设备101和/或电子设备102，网络103和服务器104。网络103用以在电子设备101、电子设备102和服务器104之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。电子设备101、电子设备102，包括但不限于台式计算机、便携式计算机、智能手机和平板电脑等等。应该理解，图1中的电子设备、网络和服务器的数量仅仅是示意性的。根据实现需要，可以具有任意数目的电子设备、网络和服务器。比如服务器104可以是多个服务器组成的服务器集群等。
本发明实施例所提供的融合人工鱼与粒子群算法的工程机械图像识别方法一般由服务器104执行，相应地，融合人工鱼与粒子群算法的工程机械图像识别系统可以设置于服务器104中。但本领域技术人员容易理解的是，本发明实施例所提供的融合人工鱼与粒子群算法的工程机械图像识别方法也可以由电子设备101、电子设备102执行。
实施例一
如图2所示，本实施例提供了一种融合人工鱼与粒子群算法的工程机械图像识别方法，其具体包括如下步骤：
S201：获取工程机械图像并初始化工程机械图像的锚框。
在具体实施中，工程机械图像为卡车，挖掘机，压路机，推土机等图像。
其中，所述锚框为矩形框。在本实施例中，用矩形框标注标准框的类别和位置。
S202：利用融合的粒子群算法和人工鱼群算法来处理所述工程机械图像的初始锚框，得到所述工程机械图像的标准锚框；其中，粒子群算法的每个粒子看成一条人工鱼，每个粒子的速度看成人工鱼的视野范围，通过适应度寻优自适应改变人工鱼群算法觅食行为的视野，所述视野为锚框。
觅食行为实现过程，在一个由m个粒子组成的种群中粒子i的位置可表示为Xi＝(xi1,xi2,...xin)，其中i＝1,2,...m；n为粒子的维数，其速度Vi＝(Vi1,Vi2,...Vin)。其个体极值为Pi＝(Pi1,Pi2,...,Pin)，是粒子i搜索到的最优位置，种群的群体极值为Pg＝(Pg1,Pg2,...,Pgn)，是所有粒子搜索到的适应度值最优位置。每个粒子Xi在其视野范围内尝试寻找食物浓度高(适应度高)的位置Xi0的公式为：
xi0＝xi+rands·vi
其中，vi是粒子的速度，同时是人工鱼的视野范围；rand是[0,1]之间的随机数。
如果适应度函数计算结果比上一步好，则按下式更新粒子的速度和位置
其中，ω为权重，k为当前迭代次数；c1和c2为学习因子，也称加速常数，通常，c1＝c2＝2；step是人工鱼的移动步长即粒子的移动步长；rand是[0,1]之间的随机数
如果在尝试设定次数(如：trynumber次)后仍未找到，则进行随机行为。
随机行为实现过程，在全体粒子群中找到适应度值大于粒子Xi的所有粒子，随机选择其中的一个粒子Xj，以其为方向进行粒子速度和位置的更新。其速度和位置更新公式见下式：
其中，ω为权重，k为当前迭代次数；c1和c2为学习因子，也称加速常数，通常，c1＝c2＝2；step是人工鱼的移动步长即粒子的移动步长；rand是[0,1]之间的随机数。
在寻优的过程中，若前后两次寻优的适应度差值与前次寻优的适应度的比值小于预设阈值，则寻优停止。
通过对适应度寻优，自适应改变人工鱼群算法觅食行为的视野时，第k步改进的粒子群算法的适应度值为
改进的粒子群算法适应度函数前后的差值与原值之比为
如果存在error(k)<5‰，则减小觅食行为的人工鱼群视野为0.5vi，增强局部寻优能力。当连续进行15-20次的上述寻优过程，error(k)的值始终小于5‰，此时对该算法进行随机扰动，增大觅食行为的人工鱼群视野为4vi。再次计算适应度值，如果第t步的适应度值优于第t+1步的适应度值，更新粒子群位置，反之，不更新粒子群位置。
如果存在error(k)≥5‰，时增大觅食行为的人工鱼群视野为2vi，增强全局寻优能力。
其中，所述适应度由适应度函数计算得到。适应度函数为所有粒子到最近聚类中心的欧几里得距离。
采用融合人工鱼与粒子群算法计算粒子的参数，每个粒子代表一种聚类方式，每个粒子的行动的目标代表此聚类中心的位置，适应度函数为所有数据到最近聚类中心的欧几里得距离。欧几里得距离计算公式如下：
其中，Fi是第i个数据到所有聚类中心的欧式距离总和，N为聚类总数，m是数据个数，n是数据维度，yjo是各锚框特征尺寸，cko是聚类的中心，即粒子群寻优的最优位置。粒子通过寻找从初始位置到最终位置的最短路径，找到使适应度函数最小的聚类中心，从而把整个数据集进行了N种不同的聚类划分。
S203：基于所述工程机械图像的标准锚框及目标检测模型，识别出工程机械图像中工程机械的类型。
在训练目标检测模型所采用的训练数据集中的图像样本为采用融合的粒子群算法和人工鱼群算法来处理工程机械图像样本的初始锚框，得到对应工程机械图像样本的标准锚框及聚类标准锚框。
训练目标检测模型之前，需要设定初始锚框的宽度和高度。在训练中，网络在初始锚框的基础上输出预测框，进而和标注好的真实框的特征尺寸进行对比，计算两者差距，再反向更新迭代网络参数。因此初始锚框的选择对模型训练的精度和速度都有很大的影响。为了改进锚框的初始值，基于提出的融合人工鱼与粒子群算法对数据集的标准框的宽度和高度进行聚类分析，得到k组锚框的特征尺寸，k可以取9、16、25……等数值。训练之前输入模型的配置文件中即可。详细步骤如下：
(1)将训练集所有样本图片的标准框归一化后的宽度、高度提取出来放在一起，并求出其标准坐标。
(2)初始化k个锚框，通过在所有的标准框中随机选取k个值作为k个锚框的初始值。
(3)计算每个标准框的适应度函数值。
(4)分类操作。通过比较每个标准框的适应度函数，按照其值的大小就分类给最近的锚框。
(5)不断重复(3)和(4)直至满足要求。
完成对数据集锚框特征尺寸初始化工作后，采用卷积神经元网络对改进锚框特征尺寸的工程机械训练集进行训练，得到目标检测模型，使用测试集测试。满足性能要求后，最终得到可以满足对工程机械进行目标检测和识别的方法及系统。
实施例二
如图3所示，本实施例提供了一种融合人工鱼与粒子群算法的工程机械图像识别系统，其包括：
图像获取及初始化模块301，其用于获取工程机械图像并初始化工程机械图像的锚框；
标准锚框获取模块302，其用于利用融合的粒子群算法和人工鱼群算法来处理所述工程机械图像的初始锚框，得到所述工程机械图像的标准锚框；其中，粒子群算法的每个粒子看成一条人工鱼，每个粒子的速度看成人工鱼的视野范围，通过适应度寻优自适应改变人工鱼群算法觅食行为的视野，所述视野为锚框；
工程机械图像识别模块303，其用于基于所述工程机械图像的标准锚框及目标检测模型，识别出工程机械图像中工程机械的类型。
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的融合人工鱼与粒子群算法的工程机械图像识别方法中的步骤。
参照图4，本实施例中电子设备的一种结构示意图。需要说明的是，图4示出的电子设备400仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，电子设备400包括中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有系统操作所需的各种程序和数据。中央处理单元401、ROM 402以及RAM 503通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如局域网(LAN)卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。
实施例四
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元401执行时，执行本申请的装置中限定的各种功能。
本发明是参照本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种融合人工鱼与粒子群算法的工程机械图像识别方法，其特征在于，包括：
获取工程机械图像并初始化工程机械图像的锚框；
利用融合的粒子群算法和人工鱼群算法来处理所述工程机械图像的初始锚框，得到所述工程机械图像的标准锚框；其中，粒子群算法的每个粒子看成一条人工鱼，每个粒子的速度看成人工鱼的视野范围，通过适应度寻优自适应改变人工鱼群算法觅食行为的视野，所述视野为锚框；
基于所述工程机械图像的标准锚框及目标检测模型，识别出工程机械图像中工程机械的类型。
2.如权利要求1所述的融合人工鱼与粒子群算法的工程机械图像识别方法，其特征在于，所述适应度由适应度函数计算得到。
3.如权利要求2所述的融合人工鱼与粒子群算法的工程机械图像识别方法，其特征在于，适应度函数为所有粒子到最近聚类中心的欧几里得距离。
4.如权利要求1所述的融合人工鱼与粒子群算法的工程机械图像识别方法，其特征在于，在寻优的过程中，若前后两次寻优的适应度差值与前次寻优的适应度的比值小于预设阈值，则寻优停止。
5.如权利要求1所述的融合人工鱼与粒子群算法的工程机械图像识别方法，其特征在于，在训练目标检测模型所采用的训练数据集中的图像样本为采用融合的粒子群算法和人工鱼群算法来处理工程机械图像样本的初始锚框，得到对应工程机械图像样本的标准锚框及聚类标准锚框。
6.如权利要求1所述的融合人工鱼与粒子群算法的工程机械图像识别方法，其特征在于，所述锚框为矩形框。
7.一种融合人工鱼与粒子群算法的工程机械图像识别系统，其特征在于，包括：
图像获取及初始化模块，其用于获取工程机械图像并初始化工程机械图像的锚框；
标准锚框获取模块，其用于利用融合的粒子群算法和人工鱼群算法来处理所述工程机械图像的初始锚框，得到所述工程机械图像的标准锚框；其中，粒子群算法的每个粒子看成一条人工鱼，每个粒子的速度看成人工鱼的视野范围，通过适应度寻优自适应改变人工鱼群算法觅食行为的视野，所述视野为锚框；
工程机械图像识别模块，其用于基于所述工程机械图像的标准锚框及目标检测模型，识别出工程机械图像中工程机械的类型。
8.如权利要求7所述的融合人工鱼与粒子群算法的工程机械图像识别系统，其特征在于，在训练目标检测模型所采用的训练数据集中的图像样本为采用融合的粒子群算法和人工鱼群算法来处理工程机械图像样本的初始锚框，得到对应工程机械图像样本的标准锚框及聚类标准锚框。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的融合人工鱼与粒子群算法的工程机械图像识别方法中的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的融合人工鱼与粒子群算法的工程机械图像识别方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111192127.4A CN113901932A (zh) | 2021-10-13 | 2021-10-13 | 融合人工鱼与粒子群算法的工程机械图像识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111192127.4A CN113901932A (zh) | 2021-10-13 | 2021-10-13 | 融合人工鱼与粒子群算法的工程机械图像识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113901932A true CN113901932A (zh) | 2022-01-07 |
Family
ID=79191794
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111192127.4A Pending CN113901932A (zh) | 2021-10-13 | 2021-10-13 | 融合人工鱼与粒子群算法的工程机械图像识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113901932A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114610030A (zh) * | 2022-03-08 | 2022-06-10 | 山东大学 | 基于组合智能算法的作业调配路径规划方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472588A (zh) * | 2019-08-19 | 2019-11-19 | 上海眼控科技股份有限公司 | 锚点框确定方法、装置、计算机设备和存储介质 |
| CN112329721A (zh) * | 2020-11-26 | 2021-02-05 | 上海电力大学 | 一种模型轻量化设计的遥感小目标检测方法 |
| CN112749462A (zh) * | 2020-12-31 | 2021-05-04 | 西安交通大学 | 一种综合能源系统当前运行参数的优化方法、系统及设备 |
| CN112991271A (zh) * | 2021-02-08 | 2021-06-18 | 西安理工大学 | 基于改进yolov3的铝型材表面缺陷视觉检测方法 |
-
2021
- 2021-10-13 CN CN202111192127.4A patent/CN113901932A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472588A (zh) * | 2019-08-19 | 2019-11-19 | 上海眼控科技股份有限公司 | 锚点框确定方法、装置、计算机设备和存储介质 |
| CN112329721A (zh) * | 2020-11-26 | 2021-02-05 | 上海电力大学 | 一种模型轻量化设计的遥感小目标检测方法 |
| CN112749462A (zh) * | 2020-12-31 | 2021-05-04 | 西安交通大学 | 一种综合能源系统当前运行参数的优化方法、系统及设备 |
| CN112991271A (zh) * | 2021-02-08 | 2021-06-18 | 西安理工大学 | 基于改进yolov3的铝型材表面缺陷视觉检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 钟永昌: ""考虑不同路谱及驾驶风格的混合动力汽车控制策略研究"", 《万方数据库》, 16 September 2019 (2019-09-16), pages 1 - 5 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114610030A (zh) * | 2022-03-08 | 2022-06-10 | 山东大学 | 基于组合智能算法的作业调配路径规划方法及系统 |
| CN114610030B (zh) * | 2022-03-08 | 2024-05-28 | 山东大学 | 基于组合智能算法的作业调配路径规划方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | An approach to boundary detection for 3D point clouds based on DBSCAN clustering | |
| CN111275688B (zh) | 基于注意力机制的上下文特征融合筛选的小目标检测方法 | |
| CN113259331B (zh) | 一种基于增量学习的未知异常流量在线检测方法及系统 | |
| WO2020077858A1 (zh) | 基于神经网络的视频描述生成方法、介质、终端及装置 | |
| CN112132014B (zh) | 基于非督导金字塔相似性学习的目标重识别方法及系统 | |
| CN109815979B (zh) | 一种弱标签语义分割标定数据生成方法及系统 | |
| CN106919957B (zh) | 处理数据的方法及装置 | |
| CN113837268B (zh) | 确定轨迹点状态的方法、装置、设备和介质 | |
| CN110969200A (zh) | 基于一致性负样本的图像目标检测模型训练方法及装置 | |
| CN106599927B (zh) | 基于模糊art划分的目标分群方法 | |
| CN111259808A (zh) | 一种基于改进ssd算法的交通标识的检测识别方法 | |
| CN115909079A (zh) | 结合深度特征和自注意力模型的裂缝检测方法及相关设备 | |
| Lin et al. | Optimal CNN-based semantic segmentation model of cutting slope images | |
| CN114139631B (zh) | 一种面向多目标训练对象可选择的灰盒的对抗样本生成方法 | |
| CN113901932A (zh) | 融合人工鱼与粒子群算法的工程机械图像识别方法及系统 | |
| CN113496260B (zh) | 基于改进YOLOv3算法的粮库人员不规范作业检测法 | |
| CN105809200B (zh) | 一种生物启发式自主抽取图像语义信息的方法及装置 | |
| CN118279320A (zh) | 基于自动提示学习的目标实例分割模型建立方法及其应用 | |
| CN115841557B (zh) | 基于数字孪生技术的智能起重机操作环境构建方法 | |
| CN116630268A (zh) | 一种道路病害检测方法、系统、设备及介质 | |
| CN106650814A (zh) | 一种基于车载单目视觉室外道路自适应分类器生成方法 | |
| Kawashima et al. | The aleatoric uncertainty estimation using a separate formulation with virtual residuals | |
| CN115346072A (zh) | 图像分类模型的训练方法及装置、电子设备和存储介质 | |
| Han et al. | Subspace prototype guidance for mitigating class imbalance in point cloud semantic segmentation | |
| Gizatullin et al. | Automatic car license plate detection based on the image weight model |
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 |