信息处理方法、程序以及信息处理装置制造方法及图纸

根据本公开，提供一种由计算机执行的信息处理方法，包括：通过计算机绘图生成作为输入数据(TID)的模拟图像(SI)；根据在模拟中使用的参数信息生成标签信息；以及生成包括模拟图像(SI)和标签信息的正确数据(TOD)。像(SI)和标签信息的正确数据(TOD)。像(SI)和标签信息的正确数据(TOD)。

【技术实现步骤摘要】
【国外来华专利技术】信息处理方法、程序以及信息处理装置


[0001]本专利技术涉及信息处理方法、程序以及信息处理装置。

技术介绍

[0002]深度学习在计算机视觉和语音识别领域取得了不俗的成果。例如，养殖场中自动统计条数已成为一个课题，期望通过使用深度学习的方法改善这样的问题。
[0003]现有技术文献
[0004]专利文献
[0005]专利文献1：国际公开第2019/045091号

技术实现思路

[0006]深度学习的解析精度取决于训练数据。但是，创建准确的训练数据并不容易。另外，在以鱼群等为对象的情况下，存在很多重叠而无法看见的个体，因此仅通过深度学习难以精确地推算需要的信息。
[0007]因此，本公开的目的之一是提出一种能够容易地生成高精度的训练数据的信息处理方法、程序以及信息处理装置。另外，本公开的目的之一是提出一种能够精确地推算实际数据中包含的信息的信息处理方法、程序以及信息处理装置。
[0008]根据本公开的一个方面，提供一种信息处理方法，由计算机执行，包括以下步骤：通过计算机绘图生成作为输入数据的模拟图像；根据在模拟中使用的参数信息生成标签信息；以及生成包括所述模拟图像和所述标签信息的正确数据。另外，根据本公开，提供一种使计算机执行所述信息处理方法的程序以及执行上述信息处理方法的信息处理装置。
[0009]专利技术效果
[0010]根据本公开，容易生成高精度的训练数据。
附图说明
[0011]图1是说明信息处理的概要的图。
[0012]图2是表示图像元素的变化的图。
[0013]图3是表示图像元素的变化的图。
[0014]图4是表示图像元素的变化的图。
[0015]图5是说明用于除去因反射像导致的噪声的机器学习的图。
[0016]图6是说明用于除去因影子导致的噪声的机器学习的图。
[0017]图7是表示群模型23的一例的图。
[0018]图8是非喂食时的群的模拟图像。
[0019]图9是喂食时的群的模拟图像。
[0020]图10是非喂食时的群的拍摄图像。
[0021]图11是喂食时的群的拍摄图像。
[0022]图12是表示个体模型的一例的图。
[0023]图13是表示个体的动作模拟的图。
[0024]图14是表示在鱼塘中饲养的鲟鱼的图。
[0025]图15是表示信息处理装置的一例的图。
[0026]图16是表示群的个体数的推算处理的一例的图。
[0027]图17是表示个体的跟踪的一例的图。
[0028]图18是表示个体的识别方法以及异常行为的检测方法的一例的图。
[0029]图19是表示信息处理方法的一例的流程图。
[0030]图20是表示信息处理装置的硬件结构的一例的图。
[0031]附图标记说明
[0032]1信息处理装置；21分析模型；23群模型；24个体模型；25异常行为模型；29程序；CI拍摄图像；CSI修正图像；FLK群；IE图像元素；OB个体；SI模拟图像；TID输入数据；TOD正确数据。
具体实施方式
[0033]以下，根据附图对本公开的实施方式进行详细说明。在以下的各实施方式中，通过对相同的部位标记相同的符号从而省略重复说明。
[0034]1.信息处理的概要
[0035]图1是说明本公开的信息处理的概要的图。
[0036]本公开提出了使用CG(Computer Graphics，计算机图形)的新型的训练数据生成方法以及填补CG图像与实际数据(拍摄图像)之间的差异的Data Driven的方法。通过利用CG图像生成训练数据，能够大量生成高精度的训练数据。另外，通过生成与实际数据近似的CG图像，能够根据CG的参数精确地推算必要的信息。以下，对本公开进行详细说明。
[0037]在本公开中，根据目标TG的拍摄图像CI，通过图像分析的方法进行目标TG的分析。本公开的信息处理的方法能够应用于水产业、农业、林业以及工业等广泛的领域。根据
以及分析目的等适当设定分析对象。例如，在水产业领域中，养殖鱼的条数、生长状况、捕食动作以及异常行为等作为分析对象。在农业领域中，农作物的生长状况以及收获数量等作为分析对象。在林业领域中，树木的生长状况以及木材量等作为分析对象。在工业领域中，产品数量、有无不合格品等作为分析对象。
[0038]以下，对将本公开的信息处理的方法应用于养殖鱼的跟踪、异常行为检测以及条数统计等的例子进行说明。
[0039]2.训练数据的生成
[0040]在本公开中，使用计算机模拟生成群FLK以及个体OB的三维CG图像。生成的CG图像用作深度学习的训练数据。
[0041]训练数据包括大量数据组。各数据组包括输入数据TID和正确数据TOD。在本公开中，通过计算机绘图生成作为输入数据TID的模拟图像SI。正确数据TOD是通过在输入数据TID上附加标签信息来生成的。标签信息是表示正确(GroundTruth)的信息。根据在模拟中使用的参数信息自动生成标签信息。
[0042]根据学习目的确定模拟的对象。例如，在统计养殖鱼的条数时，进行群FLK的模拟。
在对养殖鱼进行个别跟踪时，进行个体OB的模拟。
[0043]图1的例子是以跟踪养殖鱼为目的而生成个体OB的模拟图像SI的例子。标签信息包括用于对个体OB进行分类的分类信息和个体OB的位置信息。分类信息例如包括个体OB的种类(鱼种等)以及形态特征(鳍的变形、缺损、身体的颜色、花纹等)等信息。位置信息例如包括表示个体OB的中心位置以及个体OB的存在范围的信息。位置信息例如使用三维坐标信息生成。在图1的例子中，个体OB的中心的坐标(b
x
,b
y
,b
z
)以及与内含个体OB的最小限度的大小的长方体(boundary cube)的深度b
d
、宽度b
w
以及高度b
h
相关的信息表示为位置信息。根据个体OB的位置信息(表示存在范围的信息)，提取个体OB的大小信息。
[0044]正确数据TOD可以包括用于识别个体OB的图像元素IE。图像元素IE例如是表示boundary cube的框架元素。根据在模拟中使用的个体OB的位置信息自动生成图像元素IE。在图1的例子中，用boundary cube示出图像元素IE，但是图像元素IE不限于此。图像元素IE例如可以包括包围个体OB的框架元素或者用于利用颜色识别个体OB的颜色元素。
[0045]图2至图4是表示图像元素IE的变化的图。
[0046]图2的例子重新示出了图1所示的boundary cube。图3的例子是利用轮廓替换了个体OB的例子或者利用粗线将个体OB的轮廓镶边的例子。图4的例子是通过颜色区分多个个体OB的例子。图2的boundary cube以及图3的轮廓线相当于包围个体OB的框架元素本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种信息处理方法，由计算机执行，包括以下步骤：通过计算机绘图生成作为输入数据的模拟图像；根据在模拟中使用的参数信息生成标签信息；以及生成包括所述模拟图像和所述标签信息的正确数据。2.根据权利要求1所述的信息处理方法，其中，包括以下步骤：根据将所述输入数据以及所述正确数据作为训练数据的机器学习生成分析模型。3.根据权利要求2所述的信息处理方法，其中，包括以下步骤：使用所述分析模型从拍摄图像提取所述标签信息；根据所述标签信息提取参数信息；根据所述参数信息生成模拟图像；修正所述参数信息直到所述模拟图像与所述拍摄图像之间的差满足预先设定的条件；根据修正到满足所述条件的所述参数信息来推算信息。4.根据权利要求2所述的信息处理方法，其中，所述模拟图像是使用基于群的统计特性的群模型生成的所述群的模拟图像，根据适用于所述群模型的所述群的参数信息生成所述标签信息。5.根据权利要求4所述的信息处理方法，其中，包括以下步骤：使用所述分析模型从所述群的拍摄图像提取所述标签信息；根据所述标签信息提取所述群的参数信息；以及根据所述群的参数信息推算所述群中包含的个体的数量。6.根据权利要求5所述的信息处理方法，其中，所述推算的步骤包括：根据所述群的参数信息生成所述群的模拟图像；修正所述群的参数信息直到所述群的模拟图像与所述拍摄图像之间的差满足预先设定的条件；以及根据修正到满足所述条件的所述群的参数信息来推算所述个体的数量。7.根据权利要求5或6所述的信息处理方法，其中，所述群的模拟图像是喂食时的所述群的模拟图像。8.根据权利要求2所述的信息处理方法，其中，所述模拟图像是使用基于个体的形态特征的个体模型生成的所述个体的模拟图像，根据适用于所述个体模型的所述个体的参数信息来生成所述标签信息。9.根据权利要求8所述的信息处理方法，其中，包括以下步骤：使用所述分析模型从拍摄图像提取各个所述个体的标签信息；基于所述个体的标签...

【专利技术属性】
技术研发人员：石若裕子，
申请(专利权)人：软银股份有限公司，
类型：发明
国别省市：