计数方法及装置制造方法及图纸

本公开提供了一种计数方法，包括：对一FAST R‑CNN或YOLO深度神经网络进行训练；以及利用训练后的FAST R‑CNN或YOLO深度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。

【技术实现步骤摘要】
计数方法及装置本公开是2017年10月31日所提出的申请号为201711037201.9、专利技术名称为《计数方法及装置》的专利技术专利申请的分案申请。
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。根据本公开的另一个方面，提供了一种计数方法，包括：对一FASTR-CNN或YOLO深度神经网络进行训练；以及利用训练后的FASTR-CNN或YOLO深度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，利用一标记图像对所述一FASTR-CNN或YOLO深度神经网络进行训练，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。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，所述利用一标记图像对所述一FASTR-CNN或YOLO深度神经网络进行训练，得到二分类的目标检测神经网络的步骤，包括：采用一标记方式对一图像中的所有计数目标物体进行标记，获取所述一标记图像，由此将标记图像中的所有物体共分成两类，一类是带标记的目标物体，一类是不带标记的物体；将所述标记图像输入所述FASTR-CNN或YOLO深度神经网络进行训练，重复训练步骤直至FASTR-CNN或YOLO深度神经网络的输出误差小于一误差阈值，得到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，则判定该位置有目标物体。在一些实施例中，训练之前的FASTR-CNN或YOLO深度神经网络为多分类神经网络，利用标记图像对所述FASTR-CNN或YOLO深度神经网络进行训练，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训练；利用所述更换标记图像之后经过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。根据本公开的另一个方面，还提供了一种计数装置，包括：处理模块，用于对一FASTR-CNN或YOLO深度神经网络进行训练；以及计数模块，用于利用训练后的FASTR-CNN或YOLO深度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，所述处理模块用于利用一标记图像对所述一FASTR-CNN或YOLO深度神经网络进行训练，得到二分类的目标检测神经网络；所述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；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训练；所述计数模块还用于利用更换标记图像之后经过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。本文档来自技高网...

【技术保护点】
一种计数方法，包括：对一FAST R‑CNN或YOLO深度神经网络进行训练；以及利用训练后的FAST R‑CNN或YOLO深度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FASTR-CNN或YOLO深度神经网络进行训练；以及利用训练后的FASTR-CNN或YOLO深度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，利用一标记图像对所述一FASTR-CNN或YOLO深度神经网络进行训练，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。3.根据权利要求2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。4.根据权利要求2所述的计数方法，其中，所述利用一标记图像对所述一FASTR-CNN或YOLO深度神经网络进行训练，得到二分类的目标检测神经网络的步骤，包括：采用一标记方式对一图像中的所有计数目标物体进行标记，获取所述一标记图像，由此将标记图像中的所有物体共分成两类，一类是带标记的目标物体，一类是不带标记的物体；将所述标记图像输入所述FASTR-CNN或YOLO深度神经网络进行训练，重复训练步骤直至FASTR-CNN或YOLO深度神经网络的输出误差小于一误差阈值，得到二分类的目标检测神经网络。5.根据权利要求4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。6.根据权利要求1所述的计数方法，其中，训练之前的FASTR-CNN或YO...

【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