计数方法及装置制造方法及图纸

技术编号:17516687 阅读:48 留言:0更新日期:2018-03-21 01:15
本公开提供了一种计数方法,包括:对一深度神经网络进行预训练;利用标记图像对预训练后的所述深度神经网络进行重训练,得到二分类的目标检测神经网络;以及利用所述二分类的目标检测神经网络对待计数的图像中包含的计数目标物体进行计数。本公开还提供了一种计数装置。本公开计数方法及装置应用范围广,可针对任意计数对象进行计数,节省人力并且提供了更高的通用性。

Counting method and device

The invention provides a method of counting, including: pre training of a neural network using depth image; marking heavy training on the depth of neural network after training, get the target detection neural network classification two; counting and image detection using neural network including the two classification target counting treatment the count of objects. A counting device is also provided in the present disclosure. The open counting method and device have wide application range, which can count any counting object, save manpower and provide higher generality.

【技术实现步骤摘要】
计数方法及装置
本公开涉及人工智能
,尤其涉及一种计数方法及装置。
技术介绍
目前的计数方法中,主要为人工计数,需要耗费大量的人工成本,费时费力。另外,目前虽已经有的一些使用神经网络的计数方法中,但是应用领域过于狭窄,例如只能计数生物医学图像中的细胞数、或只能计数人数等,而没有一个较为通用的计数手段。
技术实现思路
(一)要解决的技术问题为了解决或者至少部分缓解上述技术问题,本公开提供了一种计数方法及装置,其为一种基于深度神经网络的图像计数方法及装置,用户通过自主配置计数对象,使用本公开完成广泛的计数任务。在具体计数时,本公开将计数问题转换为一二分类问题,即一图像中用户指定的计数目标物体为一类,其余的物体为一类,将物体分类后,对用户指定的一类计数目标物体进行统计识别,得到总数。(二)技术方案根据本公开的一个方面,提供了一种计数方法,包括:对一深度神经网络进行预训练;利用标记图像对预训练后的所述深度神经网络进行重训练,得到二分类的目标检测神经网络;以及利用所述二分类的目标检测神经网络对待计数的图像中包含的计数目标物体进行计数。在一些实施例中,所述标记图像包含所述计数目标物体。在一些实施例中,所述利用标记图像对所述预训练后的深度神经网络进行重训练,得到二分类的目标检测神经网络的步骤,包括:对至少一图像中的所有计数目标物体进行标记,获取所述标记图像:采用一标记方式对所述标记图像中所有计数目标物体进行标记,将标记图像中的所有物体供分成两类,一类是带标记的目标物体,一类是不带标记的其他物体,由此获取所述标记图像;将所述标记图像输入所述预训练后的深度神经网络,进行重训练,重复该重训练步骤直至神经网络的输出误差小于一误差阈值,得到一二分类的目标检测神经网络。在一些实施例中,所述的计数方法,还包括:将未标记的待计数的图像输入所述二分类的目标检测神经网络中,得到目标物体的坐标位置信息及置信准确度分数;根据坐标位置信息或置信准确度分数进行计数:设定一准确度分数阈值,若准确度分数大于所述准确度分数阈值,则判定该处有目标物体。在一些实施例中,所述预训练后的深度神经网络为多分类神经网络,利用标记图像对所述预训练后的深度神经网络进行重训练,即通过迁移学习使所述多分类神经网络转换为一二分类的目标检测神经网络。在一些实施例中,所述的计数方法,还包括:将所述二分类的目标检测神经网络复位;更换标记图像,利用更换后的标记图像对复位后的神经网络进行重训练;利用所述更换标记图像之后经过重训练的所述神经网络对待计数的图像中包含的更换后的计数目标物体进行计数;其中,所述更换后的标记图像包含所述更换后的计数目标物体。在一些实施例中,所述深度神经网络为FASTR-CNN或YOLO。根据本公开的另一个方面,还提供了一种计数装置,包括:预处理模块,用于对一深度神经网络进行预训练;处理模块,用于利用标记图像对预训练后的所述深度神经网络进行重训练,得到二分类的目标检测神经网络;以及计数模块,用于利用所述二分类的目标检测神经网络对待计数的图像中包含的计数目标物体进行计数。在一些实施例中,所述标记图像包含所述计数目标物体。在一些实施例中,所述的计数装置,还包括:复位模块,用于将所述二分类的目标检测神经网络复位;以及更换模块,用于更换标记图像;其中,所述处理模块还用于利用更换后的标记图像对复位后的神经网络进行重训练;所述计数模块还用于利用更换标记图像之后经过重训练的所述神经网络对待计数的图像中包含的更换后的计数目标物体进行计数;所述更换后的标记图像包含所述更换后的计数目标物体。(三)有益效果从上述技术方案可以看出,本公开计数方法及装置至少具有以下有益效果其中之一:(1)本公开计数方法及装置应用范围广,具有通用性,可针对任意计数对象进行计数,在对一类目标物体进行计数之后,通过神经网络复位及重训练,即可对另一类目标物体进行计数;其为可自行定义待计数物体的智能计数方法及装置,相较于传统已有的方法,节省人力并且提供了更高的通用性。(2)在对更换后的计数目标物体计数时,传统神经网络大量数据进行训练,本公开计数方法及装置在重训练过程通过迁移学习只需要一张标记图片就可以实现重置计数物体。(3)本公开计数方法及装置,通过重训练以及迁移学习的方法,将计数问题数学抽象为二分类问题,从而解决了一般的神经网络计数器无法配置,只有单一某类物体的计数功能的弊端。(4)本公开计数方法及装置,通过深度神经网络方法的使用可以大大提升计数的准确率。采用FASTR-CNN可以大大提高计数的准确度,同时,通过FASTR-CNN的BBOX操作可以直接将位置信息输出,方便之后统计某一类目标物体的总数。附图说明图1是本公开计数方法流程图。图2是本公开标记图像示意图。图3是本公开FASTR-CNN网络及RPN网络结构示意图示意图。图4是本公开计数装置方块图。具体实施方式为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开作进一步的详细说明。需要说明的是,在附图或说明书描述中,相似或相同的部分都使用相同的图号。附图中未绘示或描述的实现方式,为所属
中普通技术人员所知的形式。另外,虽然本文可提供包含特定值的参数的示范,但应了解,参数无需确切等于相应的值,而是可在可接受的误差容限或设计约束内近似于相应的值。此外,以下实施例中提到的方向用语,例如“上”、“下”、“前”、“后”、“左”、“右”等,仅是参考附图的方向。因此,使用的方向用语是用来说明并非用来限制本公开。本公开计数方法及装置为基于深度神经网络的图像计数方法及装置,用户通过自主配置计数对象,使用本公开计数方法及装置完成广泛的计数任务。在具体计数上,本公开将计数问题类看作一个二分类问题,即一张图像中用户指定的物体(待计数的目标物体)为一类,本图像中其余物体(除待计数的目标物体之外的其余物体)为一类。将物体分类后,对用户指定的一类物体(待计数的目标物体,以下简称为计数目标物体)进行统计识别,得到总数。具体的,如图1所示,本公开计数方法,主要包括以下步骤:对一深度神经网络进行预训练;利用标记图像对预训练后的所述深度神经网络进行重训练,得到二分类的目标检测神经网络;利用所述二分类的目标检测神经网络对待计数的图像中包含的计数目标物体进行计数(重训练后的神经网络可以反复使用,待计数图片可以为任意一张或多张)。若需要对其他类型的计数目标物体进行计数,则可以将所述二分类的目标检测神经网络复位;更换标记图像,利用更换后的标记图像对复位后的神经网络进行重训练;利用所述更换标记图像之后经重训练的所述神经网络对待计数的图像中包含的更换后的计数目标物体进行计数;其中,所述更换后的标记图像包含所述更换后的计数目标物体(即,相对复位前的计数目标物体而言,为新计数目标物体,也称更换后的计数目标物体)。更具体而言,本公开计数方法,预先存储一训练好的目标检测神经网络例如FASTR-CNN、YOLO等(即预存一预训练后的神经网络)。对多张图片中某一相同物体(该物体可以使细胞、人脸、飞机、汽车等)计数时,用户需要对所述多张图片中的至少其中一张进行标记,对这张图片中的所有待识别物体都进行标记,将标记好的图片作为重训练标记图片(也称标记图像)。本方法本文档来自技高网
...
计数方法及装置

【技术保护点】
一种计数方法,包括:对一深度神经网络进行预训练;利用标记图像对预训练后的所述深度神经网络进行重训练,得到二分类的目标检测神经网络;以及利用所述二分类的目标检测神经网络对待计数的图像中包含的计数目标物体进行计数。

【技术特征摘要】
1.一种计数方法,包括:对一深度神经网络进行预训练;利用标记图像对预训练后的所述深度神经网络进行重训练,得到二分类的目标检测神经网络;以及利用所述二分类的目标检测神经网络对待计数的图像中包含的计数目标物体进行计数。2.根据权利要求1所述的计数方法,其中,所述标记图像包含所述计数目标物体。3.根据权利要求2所述的计数方法,其中,所述利用标记图像对所述预训练后的深度神经网络进行重训练,得到二分类的目标检测神经网络的步骤,包括:对至少一图像中的所有计数目标物体进行标记,获取所述标记图像:采用一标记方式对所述标记图像中所有计数目标物体进行标记,将标记图像中的所有物体供分成两类,一类是带标记的目标物体,一类是不带标记的物体,由此获取标记图像;将所述标记图像输入所述预训练后的深度神经网络,进行重训练,重复该重训练步骤直至神经网络的输出误差小于一误差阈值,得到一二分类的目标检测神经网络。4.根据权利要求3所述的计数方法,还包括:将未标记的待计数的图像输入所述二分类的目标检测神经网络中,得到目标物体的坐标位置信息及置信准确度分数;根据坐标位置信息或置信准确度分数进行计数:设定一准确度分数阈值,若准确度分数大于所述准确度分数阈值,则判定该位置有目标物体。5.根据权利要求1所述的计数方法,其中,所述预训练后的深度神经网络为多分类神经网络,利用标记图像对所述预训练后的深度...

【专利技术属性】
技术研发人员:于涌陈云霁陈天石刘少礼郭崎杜子东刘道福
申请(专利权)人:中国科学院计算技术研究所
类型:发明
国别省市:北京,11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1