检测相机状态的方法及装置、电子设备、存储介质制造方法及图纸

技术编号:20050180 阅读:28 留言:0更新日期:2019-01-09 05:56
本发明专利技术实施例涉及图像识别技术领域,公开了一种检测相机状态的方法及装置、电子设备、存储介质。本发明专利技术中,通过获取相机拍摄到的N种类型的图片,其中,N为大于2的自然数;将N种类型的图片作为训练数据进行卷积神经网络模型训练;利用训练好的模型预测相机实时拍摄的图片的类型;根据预测结果判定相机是否可用;提供了一种可靠的检测相机状态的方法,并且运用卷积神经网络对相机拍摄的图片进行分类,可使得对相机是否可用的判定更为准确。

【技术实现步骤摘要】
检测相机状态的方法及装置、电子设备、存储介质
本专利技术实施例涉及图像识别
,特别涉及一种检测相机状态的方法。
技术介绍
近年来,无人售货机异军突起,深受用户的欢迎。最新的无人售货机技术抛弃重力感应,利用机器视觉识别商品,使得在无人值守的情况下,用户可真实触摸选购自己所需要的商品,并在用户购物结束后可自动进行结算,实现即拿即走,免去了用户现金或手机进行支付的过程。专利技术人发现现有技术中至少存在如下问题:当无人售货机的相机镜头起雾时,无人售货系统无法及时知道,从而无法准确识别商品。
技术实现思路
本专利技术实施方式的目的在于提供一种检测相机状态的方法及装置、电子设备、存储介质,使得系统能够准确检测到相机的状态。为解决上述技术问题,本专利技术的实施方式提供了一种检测相机状态的方法,包括以下步骤:获取相机拍摄到的N种类型的图片,其中,N为大于2的自然数;将N种类型的图片作为训练数据进行卷积神经网络模型训练;利用训练好的模型预测相机实时拍摄的图片的类型;根据预测结果判定相机是否可用。本专利技术的实施方式还提供了一种检测相机状态的装置,包括:获取模块,用于获取相机拍摄到的N种类型的图片,其中,N为大于2的自然数;训练模块,用于将N种类型的图片作为训练数据进行卷积神经网络模型训练;预测模块,用于利用训练好的模型预测相机实时拍摄的图片的类型;判定模块,用于根据预测结果判定相机是否可用。本专利技术的实施方式还提供了一种电子设备,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如上述的检测相机状态的方法。本专利技术的实施方式还提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时实现上述的检测相机状态的方法。本专利技术实施方式相对于现有技术而言,通过获取相机拍摄到的多种类型的图片,并用这些图片作为训练数据进行卷积神经网络模型训练,能够得到可靠的分类模型,利用训练好的模型预测相机实时拍摄的图片的类型,可预测出相机拍摄的照片的类型,根据预测结果,即可判定出相机是否可用,并且,卷积神经网络模型能够准确判定各图片的类型,而图片的种类越多,相机可用状态的判定也就更为准确。本实施例提供了一种可靠的检测相机状态的方法,并且运用卷积神经网络对相机拍摄的图片进行分类,可使得对相机是否可用的判定更为准确。另外,上述将N种类型的图片作为训练数据进行卷积神经网络模型训练,具体包括:选择多个卷积神经网络;将N种类型的图片作为训练数据对多个卷积神经网络中的各卷积神经网络进行模型训练;上述利用训练好的模型预测相机实时拍摄的图片的类型,具体包括:利用训练好的各卷积神经网络模型预测相机实时拍摄的图片的类型;根据各卷积神经网络模型的预测结果进行投票,得到最终的预测结果。本实施方式提供了一种具体的运用卷积神经网络预测相机实时拍摄的图片的类型的方法,通过对多个卷积神经网络均进行模型训练,可得到多个预测模型,通过根据多个模型的预测结果进行投票得到最终的预测结果,可避免因某个模型的异常而导致的预测结果偏差较大,使得预测结果更为准确可靠。另外,上述多个卷积神经网络至少包括深度残差网络;上述根据各卷积神经网络的预测结果进行投票,得到最终的预测结果,包括:若投票结果为平票,则以深度残差网络的预测结果作为最终的预测结果。本实施例提供了一种当投票结果为平票时的解决方案,由于深度残差网络的预测结果准确率较高,当出现平票时,以深度残差网络的预测结果作为最终的预测结果可更大概率地保证预测结果的准确性。另外,根据预测结果判定相机是否可用具体为:上述根据预测结果判定相机是否可用具体为:判断预测结果是否表征相机实时拍摄的图片清晰,若是,则判定相机可用,否则,判定相机不可用。本实施例提供了一种具体的判定相机是否可用的方法,由于在实际应用过程中,当相机拍摄的照片模糊时将会影响到无人售货系统的服务质量,通过相机拍摄的图片是否清晰来判定相机是否可用,是一种切合实际的判定标准。另外,上述利用训练好的模型预测相机实时拍摄的图片的类型,具体包括:利用训练好的模型预测相机最近拍摄的L张图片的类型,其中,L为大于1的自然数;上述判断预测结果是否表征相机实时拍摄的图片清晰,若是,则判定相机可用,否则,判定相机不可用,具体为:判断预测结果是否表征L张图片均清晰,若是,则判定相机可用,否则,判定相机不可用。本实施例中,在判定相机是否可用时,对相机最近拍摄的多张图片进行了预测,只有当多张图片均清晰时,才判定相机可用,使得对相机状态的判定更为准确。另外,在上述判定所述相机不可用后,则将所述相机的不可用状态上报。本实施例中,将相机的不可用状态上报,可及时通知相关人员对相机进行处理。另外,上述N为6,上述N种类型,具体为:空着清晰类型,空着模糊类型,最清晰类型,最模糊类型,曝光清晰类型,曝光模糊类型。本实施例提供了一种相机拍摄的图片的具体类型,这六种类型是相机在拍摄照片过程中常见的类型,并且,卷积神经网络能够很好地区分出这六种类型,从而使得相机状态的检测更为准确。附图说明一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定。图1是根据本专利技术第一实施方式提供的检测相机状态的方法流程图;图2是根据本专利技术第二实施方式提供的检测相机状态的方法流程图;图3是根据本专利技术第三实施方式提供的检测相机状态的方法流程图;图4是根据本专利技术第四实施方式提供的检测相机状态的装置结构示意图;图5是根据本专利技术第五实施方式提供的电子设备结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚,下面将结合附图对本专利技术的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本专利技术各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便,不应对本专利技术的具体实现方式构成任何限定,各个实施例在不矛盾的前提下可以相互结合相互引用。本专利技术的第一实施方式涉及一种检测相机状态的方法。本实施方式中,获取相机拍摄到的N种类型的图片,其中,N为大于2的自然数;将N种类型的图片作为训练数据进行卷积神经网络模型训练;利用训练好的模型预测相机实时拍摄的图片的类型;根据预测结果判定相机是否可用,通过获取相机拍摄到的多种类型的图片,并用这些图片作为训练数据进行卷积神经网络模型训练,能够得到可靠的分类模型,利用训练好的模型预测相机实时拍摄的图片的类型,可预测出相机拍摄的照片的类型,根据预测结果,即可判定出相机是否可用,并且,卷积神经网络模型能够准确判定各图片的类型,而图片的种类越多,相机可用状态的判定也就更为准确。本实施方式中的检测相机状态的方法如图1所示,下面对本实施方式的检测相机状态的方法的实现细节进行具体的说明,以下内容仅为方便理解提供的实现细节,并非实施本方案的必须。步骤101:获取相机拍摄到的N种类型的图片。具体地说,计算机可从相机的存储器或云端获取相机拍摄的大量图片,并通过人工的方式,将这些图片划分为N类,其中,N为大于2的自然数。在一个具体的无人售本文档来自技高网...

【技术保护点】
1.一种检测相机状态的方法,其特征在于,包括:获取相机拍摄到的N种类型的图片,其中,N为大于2的自然数;将所述N种类型的图片作为训练数据进行卷积神经网络模型训练;利用训练好的模型预测相机实时拍摄的图片的类型;根据预测结果判定相机是否可用。

【技术特征摘要】
1.一种检测相机状态的方法,其特征在于,包括:获取相机拍摄到的N种类型的图片,其中,N为大于2的自然数;将所述N种类型的图片作为训练数据进行卷积神经网络模型训练;利用训练好的模型预测相机实时拍摄的图片的类型;根据预测结果判定相机是否可用。2.根据权利要求1所述的检测相机状态的方法,其特征在于,所述将所述N种类型的图片作为训练数据进行卷积神经网络模型训练,具体包括:选择多个卷积神经网络;将所述N种类型的图片作为训练数据对所述多个卷积神经网络中的各卷积神经网络进行模型训练;所述利用训练好的模型预测相机实时拍摄的图片的类型,具体包括:利用训练好的各卷积神经网络模型预测所述相机实时拍摄的图片的类型;根据各卷积神经网络模型的预测结果进行投票,得到最终的预测结果。3.根据权利要求2所述的检测相机状态的方法,其特征在于,所述多个卷积神经网络至少包括深度残差网络;所述根据所述各卷积神经网络的预测结果进行投票,得到最终的预测结果,包括:若所述投票结果为平票,则以深度残差网络的预测结果作为最终的预测结果。4.根据权利要求1所述的检测相机状态的方法,其特征在于,所述根据预测结果判定相机是否可用具体为:判断所述预测结果是否表征所述相机实时拍摄的图片清晰,若是,则判定所述相机可用,否则,判定所述相机不可用。5.根据权利要求4所述的检测相机状态的方法,其特征在于,所述利用训练好的模型预测相机实时拍摄的图片的类型,具体包括:利用训练好的模型预测所述相...

【专利技术属性】
技术研发人员:陈海波
申请(专利权)人:深兰科技上海有限公司
类型:发明
国别省市:上海,31

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