CN114067171A - 一种克服小数据训练集的图像识别精度提升方法及系统 - Google Patents

一种克服小数据训练集的图像识别精度提升方法及系统 Download PDF

Info

Publication number
CN114067171A
CN114067171A CN202111270471.0A CN202111270471A CN114067171A CN 114067171 A CN114067171 A CN 114067171A CN 202111270471 A CN202111270471 A CN 202111270471A CN 114067171 A CN114067171 A CN 114067171A
Authority
CN
China
Prior art keywords
image data
target detection
detection model
target
image
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.)
Withdrawn
Application number
CN202111270471.0A
Other languages
English (en)
Inventor
毕登科
朱亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Fulian Micro Network Technology Co ltd
Original Assignee
Nanjing Fulian Micro Network Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Fulian Micro Network Technology Co ltd filed Critical Nanjing Fulian Micro Network Technology Co ltd
Priority to CN202111270471.0A priority Critical patent/CN114067171A/zh
Publication of CN114067171A publication Critical patent/CN114067171A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06F18/24—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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0014—Image feed-back for automatic industrial control, e.g. robot with camera
    • 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
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/14—Quality control systems
    • G07C3/143—Finished product quality control
    • 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]

Abstract

本发明提出了一种克服小数据训练集的图像识别精度提升方法及系统，其中方法具体包括：步骤1、通过信息采集设备实时获取通过运输台的产品图像数据；步骤2、对获取到的图像数据进行预处理；步骤3、构建目标检测模型，并接收经过预处理后的产品图像数据；步骤4、目标检测模型对接收到的产品图像数据进行分析处理，并输出识别分类的结果；步骤5、根据生成的识别分类结果生成对应的触发指令；步骤6、置于运输台上的机械手根据接收到的触发指令进行对应的残次品抓取操作，实现残次品的剔除。本申请通过对运输传输带上的目标物进行识别检测，剔除质量不合格的货物，减少了人工质检的成本投入，同时提高了货物运输的效率。

Description

一种克服小数据训练集的图像识别精度提升方法及系统
技术领域
本发明涉及一种克服小数据训练集的图像识别精度提升方法及系统，特别是涉及图像数据处理技术领域。
背景技术
随着智能化产业链的发展，自动化产业技术逐渐替代传统工业的人力操作以及简单重复的机械化流程。在实际运输作业过程中，为了在提高运输目标物的运输效率，在运输中，为了更好的得到符合要求的目标物，减少人工质检的成本投入，常通过对目标物检测识别的引入，提高运输效率。
现有技术中，针对目标物的检测，常采用构建目标检测模型的方式对图像数据进行识别检测，但在实际应用中，由于环境因素以及模型训练集的数据量不过，常常会导致识别精度不够高，完成效率不够好的问题。
发明内容
发明目的：提出一种克服小数据训练集的图像识别精度提升方法及系统，以解决现有技术存在的上述问题。通过对现有图像识别模型的优化，提高目标检测的效率，从而提高实际作业过程的工作效率，减少不必要的质量冗余过程。
技术方案：第一方面，提出了一种克服小数据训练集的图像识别精度提升方法，具体包括以下步骤：
步骤1、通过信息采集设备实时获取通过运输台的产品图像数据；
步骤2、对获取到的图像数据进行预处理；所述预处理包括对所述产品图像数据；进行灰度化处理、二值化、以及去噪操作；
步骤3、构建目标检测模型，并接收经过预处理后的产品图像数据；
步骤4、所述目标检测模型对接收到的产品图像数据进行分析处理，并输出识别分类的结果；
步骤5、根据步骤4生成的识别分类结果生成对应的触发指令；所述触发指令用于驱动机械手的作业状态；
步骤6、置于运输台上的机械手根据接收到的触发指令进行对应的残次品抓取操作，实现残次品的剔除。
其中，为提高目标检测模型的识别性能，采用网络预训练的方式对其进行性能的学习提升。通过对运输传输带上的目标物进行识别检测，剔除质量不合格的货物，可以减少人工质检的成本投入，同时提高货物运输的效率。另外，通过对图像数据的预处理，可以在后续对数据进行使用时，增加数据的精准度，同时减少图像噪声的操作在目标检测模型训练的过程中也可以极大程度上的减少对负面影响，从而有效提高网络的性能。
在第一方面的一些可实现方式中，步骤2对获取到的图像数据进行预处理时进一步包括对图像数据进行灰度化处理、二值化、以及去噪操作。
由于图像噪声的存在往往会导致图像识别结果会呈现不精准的问题，进一步提出一种图像去噪方法，提高图像识别精度；实际作业过程中图像去噪的实现过程包括以下步骤：
步骤2.1、对获取到的图像数据进行图像增强；
步骤2.2、匹配噪声图像与增强后图像数据，并通过特征提取模型获取图像的特征点；
步骤2.3、将特征点作为先验信息对去噪过程中的权重值进行修正；
步骤2.4、根据修正后的权重值获取最终去噪后的图像数据。
在第一方面的一些可实现方式中，为了提高所述目标检测模型的检测性能，通过对目标检测模型的预训练，获取目标检测模型对应的初始参数；进一步的，目标检测模型进行预训练的过程，具体包括以下步骤：
步骤3.1.1、构建用于模型训练的数据集，划分源域识别任务并构建对应的源域训练样本；
步骤3.1.2、构建与源域模型相同的目标域模型；
步骤3.1.3、利用实际图像数据集对目标域模型进行对应权重的更新；
步骤3.1.4、采用自适应运动估计算法，通过梯度下降的方式完成目标检测模型的整体优化；
步骤3.1.5、通过分类器识别最终的目标类别分类。
针对目标检测模型训练过程会出现的训练过度从而导致过拟合现象产生，通过稀疏矩阵类聚成相对密集的子矩阵的方法提高网络计算性能，以及在目标检测模型中引入残差网络的结构，克服过拟合的问题。
进一步的，在训练网络模型的过程中，通过随机丢失部分神经元的方式，减少目标检测模型的参数。
步骤4在实现目标识别检测结果输出的时，通过构建的分类器在多项预设逻辑损失的组合下，实现检测结果的判定。
进一步的，分类器在接收到处理完的图像数据后，将其映射为0到1之间的实数，从而实现分类向量的归一化；
所述分类器中包含softmax函数和交叉熵函数；
其中，所述softmax函数表达式为：
Figure BDA0003328572760000031
式中，i表示第i类别；k表示总的类别数；H(zi)表示第i类别的概率；
交叉熵函数表达式为：
H(p，q)＝-∑p(x)log(q(x))
式中，p表示真实分布；q表示估计分布。
在第一方面的一些可实现方式中，步骤4利用所述目标检测模型对接收到的产品图像数据进行分析处理时，进一步包括以下步骤：
步骤4.1、目标检测模型接收到的产品图像数据后，对其进行图像特征的提取，并生成对应的特征图；
步骤4.2、采用锚点机制获取图像数据中的背景和目标，并利用边框回归修正锚点获得精确的候选框；
步骤4.3、通过池化层将感兴趣区域进行池化，使得在特征提取过程中得到的特征图，可以在感兴趣区域中共享；
步骤4.4、通过分类器获取生成感兴趣区域中的目标类别。
所述目标检测模型中用于实现特征提取的每一层卷积层中，使用了多个卷积核，并理解成不同的感受野，通过将其连接起来，丰富每层的信息。
进一步的，每个卷积层用至少两个卷积核进行并联，并且并联的每条支路上的属性值与其余支路相同，即每一个支路都称为一个基数将卷积层中从原来的多个卷积核拆分为多个个数少的核，且这些个数少的卷积核结构相同。
第二方面，提出一种克服小数据训练集的图像识别精度提升系统，该系统具体包括：
信息采集设备，被设置为根据实际运输作业需求实时获取运输台上的产品图像数据；
图像数据处理模块，被设置为根据信息采集设备获取到的实时产品图像数据进行预处理操作；所述预处理包括对所述产品图像数据进行灰度化处理、二值化、以及去噪操作；
目标检测模型，被设置为接收图像数据处理模块预处理后的产品图像数据，并对接收到的产品图像数据进行分析处理，输出识别分类的结果；
指令生成模块，被设置为根据目标监测模型输出的分类结果生成对应的触发指令；所述触发指令用于驱动机械手的作业状态；
为了提高所述目标检测模型的检测性能，通过对目标检测模型的预训练，获取目标检测模型对应的初始参数。
第三方面，提出一种克服小数据训练集的图像识别精度提升设备，所述设备包括：
处理器以及存储有计算机程序指令的存储器；
所述处理器读取并执行所述计算机程序指令，以实现图像识别精度提升方法。
第四方面，提出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指令，所述计算机程序指令被处理器执行时实现图像识别精度提升方法。
有益效果：本发明提出了一种克服小数据训练集的图像识别精度提升方法及系统，通过对运输传输带上的目标物进行识别检测，剔除质量不合格的货物，从而减少人工质检的成本投入，同时提高货物运输的效率。
附图说明
图1为本发明的数据处理流程图。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
随着智能化产业链的拓展，工业运输中智能机械化的操作逐渐替代冗余的人工作业，以及单一重复性的机械运动。在实际工业运输作业过程中，为了更好的获取提高目标物的检测效果，将图像目标检测识别技术引入运输作业过程中，但伴随着环境问题，以及数据集不足等问题，往往会导致图像数据的识别分析精度不够准确。
在一个实施例中，为了提高实际工业作业在运输过程中的运输效率，本实施例提出一种克服小数据训练集的图像识别精度提升方法，通过对运输传输带上的目标物进行识别检测，剔除质量不合格的货物，从而减少人工质检的成本投入，同时提高货物运输的效率。
具体的，如图1所示，一种克服小数据训练集的图像识别精度提升方法具包括以下步骤：
步骤1、通过信息采集设备实时获取通过运输台的产品图像数据；
步骤2、对获取到的图像数据进行预处理；所述预处理包括对所述产品图像数据；进行灰度化处理、二值化、以及去噪操作；
步骤3、构建目标检测模型，并接收经过预处理后的产品图像数据；
步骤4、所述目标检测模型对接收到的产品图像数据进行分析处理，并输出识别分类的结果；
步骤5、根据步骤4生成的识别分类结果生成对应的触发指令；所述触发指令用于驱动机械手的作业状态；
步骤6、置于运输台上的机械手根据接收到的触发指令进行对应的残次品抓取操作，实现残次品的剔除。
其中，为提高目标检测模型的识别性能，还包括步骤3.1采用网络模型预训练的方式对其进行性能的学习提升。
另外，步骤4利用所述目标检测模型对接收到的产品图像数据进行分析处理时，进一步包括以下步骤：
步骤4.1、目标检测模型接收到的产品图像数据后，对其进行图像特征的提取，并生成对应的特征图；
步骤4.2、采用锚点机制获取图像数据中的背景和目标，并利用边框回归修正锚点获得精确的候选框；
步骤4.3、通过池化层将感兴趣区域进行池化，使得在特征提取过程中得到的特征图，可以在感兴趣区域中共享；
步骤4.4、通过分类器获取生成感兴趣区域中的目标类别。
本实施例通过对图像数据的预处理，可以在后续对数据进行使用时，增加数据的精准度，同时减少图像噪声的操作在目标检测模型训练的过程中也可以极大程度上的减少对负面影响，从而有效提高网络的性能。
在进一步的实施例中，步骤2对获取到的图像数据进行预处理时进一步包括对图像数据进行灰度化处理、二值化、以及去噪操作。由于图像噪声的存在往往会导致图像识别结果会呈现不精准的问题，本实施例针对图像数据存在噪声的问题，提出一种图像去噪方法，从而实现图像识别精度。
具体的，图像噪声的表达式为：
Figure BDA0003328572760000061
式中，t(x)表示初始噪声图像；
Figure BDA0003328572760000062
表示哦噪声项；ψ表示所有像素的集合。由于实际工业作业过程中噪声生成的方式不同，因此对噪声则难以定性定量，并不能直接用简单的输入图像减去输出获得。
实际作业过程中图像去噪的实现过程包括以下步骤：
步骤2.1、对获取到的图像数据进行图像增强；
具体的，构造级联滤波器，并用形状相同的结构元素按预设排序的维数对图像进行增强；对应表达式为：
μi＝λi/(λ1+λ2+…+λn)
式中，μi表示结构元素的权值；λi表示结构元素能够匹配图像的次数；
因此，增强后的图像表达式为：
F(x)＝sum(μi*fi(x))，i＝1，2，…，n
式中，μi表示结构元素的权值；fi(x表示进行串行滤波后的输入图像。
步骤2.2、匹配噪声图像与增强后图像数据，并通过特征提取模型获取图像的特征点；
步骤2.3、将特征点作为先验信息对去噪过程中的权重值进行修正；
步骤2.4、根据修正后的权重值获取最终去噪后的图像数据。
本实施例首先通过噪声图像数据进行图像增强；其次，匹配噪声图像与增强后图像数据，并通过特征提取模型获取图像的特征点；最后将特征点作为先验信息对去噪过程中的权重值进行修正。不仅减少了计算量，同时保留了边缘信息，在增强去噪效果的同时，进一步提高了鲁棒性。
在进一步的实施例中，在网络模型进行预训练的过程中，具体包括以下步骤：
步骤3.1.1、构建用于模型训练的数据集，并划分源域识别任务构建对应的源域训练样本；
步骤3.1.2、构建与源域模型相同的目标域模型；
步骤3.1.3、利用实际图像数据集对目标域模型进行对应权重的更新；
步骤3.1.4、采用自适应运动估计算法，通过梯度下降的方式完成目标检测模型的整体优化；
步骤3.1.5、通过分类器识别最终的目标类别分类。
具体的，源域是被学习的领域，目标域是待解决问题的领域，并满足如下表达式：
D(s)＝{xs，P(xs)}
D(t)＝{xt，P(xt)}
式中，D(s)表示源域；D(t)表示目标域；xs表示源域的特征空间；P(xs)表示与xs对应的边际概率分布；P(xt)表示与xt对应的边际概率分布。
本实施例通过对构建网络模型的预训练方式，将两个具有相关关系的领域进行融合，利用一个领域学习到的知识应用到另一个领域的方式，解决权重更新准确率的问题，将预训练获得的网络参数作为目标网络的初始化参数进行迁移学习，可以对网络进一步训练并更新权重等参数直至网络收敛，不仅可以提高网络模型识别性能，同时还能克服数据集不够的问题。
在进一步的实施例中，当构建的目标检测模型过度训练时，则会出现过拟合的现象，从而导致识别精度不够准确，进而造成检测误差，降低作业效率。本实例通过稀疏矩阵类聚成相对密集的子矩阵的方法提高网络计算性能，以及在目标检测模型中引入残差网络的结构，克服过拟合的问题。
具体的，为了克服过拟合现象的产生，在训练网络模型的过程中，通过随机丢失部分神经元的方式，实现网络模型参数的减少，进而提升网络模型的鲁棒性。
本实施例通过融合残差网络结构，在克服过拟合问题时，不仅提高了目标检测识别模型的识别准确率，同时还有效缓解了梯度消失的问题，在一定程度上了克服了小数据集在网络训练过程中容易陷入局部最优解的问题。
在进一步的实施例中，在实现目标识别检测结果输出的时，通过构建的分类器在多项预设逻辑损失的组合下，实现检测结果的判定。
具体的，分类器在接收到处理完的图像数据后，将其映射为0到1之间的实数，从而实现分类向量的归一化。分类器中包含softmax函数和交叉熵函数。
其中，softmax函数表达式为：
Figure BDA0003328572760000081
式中，i表示第i类别；k表示总的类别数；H(zi)表示第i类别的概率；
交叉熵函数表达式为：
H(p，q)＝-∑p(x)log(q(x))
式中，p表示真实分布；q表示估计分布。
本实施例采用的分类器，通过将输入数据映射为0到1区间之间的实数，实现分类向量的归一化，并最小化估计分类概率与实际分布之间交叉熵之间的关系。
在进一步的实施例中，所述目标检测模型中用于实现特征提取的每一层卷积层中，使用了多个卷积核，并理解成不同的感受野，通过将其连接起来，丰富每层的信息；进一步的，每个卷积层用至少两个卷积核进行并联，并且并联的每条支路上的属性值与其余支路相同，即每一个支路都称为一个基数将卷积层中从原来的多个卷积核拆分为多个个数少的核，且这些个数少的卷积核结构相同。
在一个实施例中，提出一种克服小数据训练集的图像识别精度提升系统，用于实现图像识别精度提升方法，该系统具体包括：
信息采集设备，被设置为根据实际运输作业需求实时获取运输台上的产品图像数据；
图像数据处理模块，被设置为根据信息采集设备获取到的实时产品图像数据进行预处理操作；所述预处理包括对所述产品图像数据进行灰度化处理、二值化、以及去噪操作；
目标检测模型，被设置为接收图像数据处理模块预处理后的产品图像数据，并对接收到的产品图像数据进行分析处理，输出识别分类的结果；
指令生成模块，被设置为根据目标监测模型输出的分类结果生成对应的触发指令；所述触发指令用于驱动机械手的作业状态；
为了提高所述目标检测模型的检测性能，通过对目标检测模型的预训练，获取目标检测模型对应的初始参数。
在一个实施例中，提出一种克服小数据训练集的图像识别精度提升设备，该设备包括：
处理器以及存储有计算机程序指令的存储器；
所述处理器读取并执行所述计算机程序指令，以实现图像识别精度提升方法。
在一个实施例中，提出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指令，所述计算机程序指令被处理器执行时实现图像识别精度提升方法。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。

Claims (10)

1.一种克服小数据训练集的图像识别精度提升方法，其特征在于，具体包括以下步骤：
步骤1、通过信息采集设备实时获取通过运输台的产品图像数据；
步骤2、对获取到的图像数据进行预处理；所述预处理包括对所述产品图像数据进行灰度化处理、二值化、以及去噪操作；
步骤3、构建目标检测模型，并接收经过预处理后的产品图像数据；
步骤4、所述目标检测模型对接收到的产品图像数据进行分析处理，并输出识别分类的结果；
步骤5、根据步骤4生成的识别分类结果生成对应的触发指令；所述触发指令用于驱动机械手的作业状态；
步骤6、置于运输台上的机械手根据接收到的触发指令进行对应的残次品抓取操作，实现残次品的剔除；
其中，为提高目标检测模型的识别性能，采用网络预训练的方式对其进行性能的学习提升。
2.根据权利要求1所述的一种克服小数据训练集的图像识别精度提升方法，其特征在于，步骤2对获取到的图像数据进行预处理时进一步包括对图像数据进行灰度化处理、二值化、以及去噪操作；
由于图像噪声的存在往往会导致图像识别结果会呈现不精准的问题，进一步提出一种图像去噪方法，提高图像识别精度；
实际作业过程中图像去噪的实现过程包括以下步骤：
步骤2.1、对获取到的图像数据进行图像增强；
步骤2.2、匹配噪声图像与增强后图像数据，并通过特征提取模型获取图像的特征点；
步骤2.3、将特征点作为先验信息对去噪过程中的权重值进行修正；
步骤2.4、根据修正后的权重值获取最终去噪后的图像数据。
3.根据权利要求1所述的一种克服小数据训练集的图像识别精度提升方法，其特征在于，为了提高所述目标检测模型的检测性能，通过对目标检测模型的预训练，获取目标检测模型对应的初始参数；
进一步的，目标检测模型进行预训练的过程，具体包括以下步骤：
步骤3.1.1、构建用于模型训练的数据集，划分源域识别任务并构建对应的源域训练样本；
步骤3.1.2、构建与源域模型相同的目标域模型；
步骤3.1.3、利用实际图像数据集对目标域模型进行对应权重的更新；
步骤3.1.4、采用自适应运动估计算法，通过梯度下降的方式完成目标检测模型的整体优化；
步骤3.1.5、通过分类器识别最终的目标类别分类。
4.根据权利要求3所述的一种克服小数据训练集的图像识别精度提升方法，其特征在于，
针对目标检测模型训练过程会出现的训练过度从而导致过拟合现象产生，通过稀疏矩阵类聚成相对密集的子矩阵的方法提高网络计算性能，以及在目标检测模型中引入残差网络的结构，克服过拟合的问题；
进一步的，在训练网络模型的过程中，通过随机丢失部分神经元的方式，减少目标检测模型的参数。
5.根据权利要求3所述的一种克服小数据训练集的图像识别精度提升方法，其特征在于，步骤4在实现目标识别检测结果输出的时，通过构建的分类器在多项预设逻辑损失的组合下，实现检测结果的判定；
进一步的，分类器在接收到处理完的图像数据后，将其映射为0到1之间的实数，从而实现分类向量的归一化；
所述分类器中包含softmax函数和交叉熵函数；
其中，所述softmax函数表达式为：
Figure FDA0003328572750000021
式中，i表示第i类别；k表示总的类别数；H(zi)表示第i类别的概率；
交叉熵函数表达式为：
Figure FDA0003328572750000022
式中，p表示真实分布；q表示估计分布。
6.根据权利要求1所述的一种克服小数据训练集的图像识别精度提升方法，其特征在于，步骤4利用所述目标检测模型对接收到的产品图像数据进行分析处理时，进一步包括以下步骤：
步骤4.1、目标检测模型接收到的产品图像数据后，对其进行图像特征的提取，并生成对应的特征图；
步骤4.2、采用锚点机制获取图像数据中的背景和目标，并利用边框回归修正锚点获得精确的候选框；
步骤4.3、通过池化层将感兴趣区域进行池化，使得在特征提取过程中得到的特征图，可以在感兴趣区域中共享；
步骤4.4、通过分类器获取生成感兴趣区域中的目标类别。
7.根据权利要求1所述的一种克服小数据训练集的图像识别精度提升方法，其特征在于，所述目标检测模型中用于实现特征提取的每一层卷积层中，使用了多个卷积核，并理解成不同的感受野，通过将其连接起来，丰富每层的信息；
进一步的，每个卷积层用至少两个卷积核进行并联，并且并联的每条支路上的属性值与其余支路相同，即每一个支路都称为一个基数将卷积层中从原来的多个卷积核拆分为多个个数少的核，且这些个数少的卷积核结构相同。
8.一种克服小数据训练集的图像识别精度提升系统，用于实现权利要求1-7任意一项图像识别精度提升方法，其特征在于，包括：
信息采集设备，被设置为根据实际运输作业需求实时获取运输台上的产品图像数据；
图像数据处理模块，被设置为根据信息采集设备获取到的实时产品图像数据进行预处理操作；所述预处理包括对所述产品图像数据进行灰度化处理、二值化、以及去噪操作；
目标检测模型，被设置为接收图像数据处理模块预处理后的产品图像数据，并对接收到的产品图像数据进行分析处理，输出识别分类的结果；
指令生成模块，被设置为根据目标监测模型输出的分类结果生成对应的触发指令；所述触发指令用于驱动机械手的作业状态；
为了提高所述目标检测模型的检测性能，通过对目标检测模型的预训练，获取目标检测模型对应的初始参数。
9.一种克服小数据训练集的图像识别精度提升设备，其特征在于，所述设备包括：
处理器以及存储有计算机程序指令的存储器；
所述处理器读取并执行所述计算机程序指令，以实现如权利要求1-7任意一项图像识别精度提升方法。
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指令，所述计算机程序指令被处理器执行时实现如权利要求1-7任意一项图像识别精度提升方法。
CN202111270471.0A 2021-10-29 2021-10-29 一种克服小数据训练集的图像识别精度提升方法及系统 Withdrawn CN114067171A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111270471.0A CN114067171A (zh) 2021-10-29 2021-10-29 一种克服小数据训练集的图像识别精度提升方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111270471.0A CN114067171A (zh) 2021-10-29 2021-10-29 一种克服小数据训练集的图像识别精度提升方法及系统

Publications (1)

Publication Number Publication Date
CN114067171A true CN114067171A (zh) 2022-02-18

Family

ID=80236025

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111270471.0A Withdrawn CN114067171A (zh) 2021-10-29 2021-10-29 一种克服小数据训练集的图像识别精度提升方法及系统

Country Status (1)

Country Link
CN (1) CN114067171A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114998695A (zh) * 2022-07-18 2022-09-02 深圳市前海泽金产融科技有限公司 一种提高图像识别速度的方法及系统
CN116152890A (zh) * 2022-12-28 2023-05-23 北京融威众邦电子技术有限公司 一种医疗费用自助支付系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114998695A (zh) * 2022-07-18 2022-09-02 深圳市前海泽金产融科技有限公司 一种提高图像识别速度的方法及系统
CN114998695B (zh) * 2022-07-18 2022-11-15 深圳市前海泽金产融科技有限公司 一种提高图像识别速度的方法及系统
CN116152890A (zh) * 2022-12-28 2023-05-23 北京融威众邦电子技术有限公司 一种医疗费用自助支付系统
CN116152890B (zh) * 2022-12-28 2024-01-26 北京融威众邦电子技术有限公司 一种医疗费用自助支付系统

Similar Documents

Publication Publication Date Title
CN111179251B (zh) 基于孪生神经网络利用模板比对的缺陷检测系统及方法
US20190228268A1 (en) Method and system for cell image segmentation using multi-stage convolutional neural networks
CN112561910B (zh) 一种基于多尺度特征融合的工业表面缺陷检测方法
US20190164047A1 (en) Object recognition using a convolutional neural network trained by principal component analysis and repeated spectral clustering
CN114067171A (zh) 一种克服小数据训练集的图像识别精度提升方法及系统
US10922807B2 (en) Wafer manufacturing system, device and method
US20200134382A1 (en) Neural network training utilizing specialized loss functions
EP3798924A1 (en) System and method for classifying manufactured products
CN110633738B (zh) 一种用于工业零件图像的快速分类方法
CN112364974B (zh) 一种基于激活函数改进的YOLOv3算法
CN111767860A (zh) 一种通过卷积神经网络实现图像识别的方法及终端
Lin et al. Determination of the varieties of rice kernels based on machine vision and deep learning technology
CN115527072A (zh) 一种基于稀疏空间感知与元学习的芯片表面缺陷检测方法
Latif et al. Cotton Leaf Diseases Recognition Using Deep Learning and Genetic Algorithm.
CN113936220B (zh) 图像处理方法、存储介质、电子设备及图像处理装置
CN111310820A (zh) 基于交叉验证深度cnn特征集成的地基气象云图分类方法
Kamal et al. Gear classification for defect detection in vision inspection system using deep convolutional neural networks
CN115082449B (zh) 一种电子元器件缺陷检测方法
CN117011274A (zh) 自动化玻璃瓶检测系统及其方法
US11715288B2 (en) Optical character recognition using specialized confidence functions
CN115661042A (zh) 一种基于注意力机制指导的分层分类缺陷检测方法
CN109784356B (zh) 基于Fisher判别分析的矩阵变量受限玻尔兹曼机图像分类方法
CN109472319B (zh) 一种三维模型分类方法以及检索方法
Nerella et al. Performance Comparison of Deep Learning Techniques for Classification of Fruits as Fresh and Rotten
Lim et al. An Aggressively Pruned CNN Model With Visual Attention for Near Real-Time Wood Defects Detection on Embedded Processors

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20220218

WW01 Invention patent application withdrawn after publication