对象识别方法、装置、存储介质及终端制造方法及图纸

本申请公开了一种对象识别方法、装置、存储介质及终端，其中对象识别方法包括：将采集到的待识别对象的图像发送至已训练完成的深度学习模型中，进行所述待识别对象的分割与提取操作；根据分割与提取操作的结果得到所述待识别对象的长度和质心坐标；将获取到的所述待识别对象的长度和质心坐标送入三维空间场景中进行3D映射，得到待识别对象的长度。本申请实施例可精准获得对象长度。

【技术实现步骤摘要】
对象识别方法、装置、存储介质及终端
本申请涉及计算机
，特别涉及一种对象识别方法、装置、存储介质及终端。
技术介绍
本申请对于
技术介绍
的描述属于与本申请相关的相关技术，仅仅是用于说明和便于理解本申请的申请内容，不应理解为申请人明确认为或推定申请人认为是本申请在首次提出申请的申请日的现有技术。在生产生活中，有时需要获得某些对象的信息，例如尺寸信息。一般尺寸信息都是通过人工测量获得。需要耗费人工，并且在一些情况下，人工现场测量存在一定难度。以畜牧业为例，当需要获得养殖对象的长度时，人工现场测量人力成本较高，并且有些情况难以实现人工现场测量。
技术实现思路
有鉴于此，本申请实施例提供一种对象识别方法、装置、存储介质及终端。为达到上述目的，本申请主要提供如下技术方案：第一方面，本申请实施例提供了一种对象识别方法，包括：将采集到的待识别对象的图像发送至已训练完成的深度学习模型中，进行所述待识别对象的分割与提取操作；根据分割与提取操作的结果得到所述待识别对象的长度和质心坐标；将获取到的所述待识别对象的长度和质心坐标送入三维空间场景中进行3D映射，得到待识别对象的长度。作为可选实施例，还包括：获取所述待识别对象的图片，将所述图片划分为训练样本与测试样本；以所述训练样本与测试样本对神经网络进行训练和测试，得到深度学习模型。作为可选实施例，还包括：对获取的所述训练样本进行归一化处理。作为可选实施例，其中，所述根据分割与提取的结果获得所述待识别对象的长度和质心坐标包括：对得到的所述分割结果图进行预处理；根据预处理后的图像计算所述待识别对象的力矩，获取一阶矩和二阶矩；根据得到的所述一阶矩和所述二阶矩计算所述待识别对象的质心。作为可选实施例，其中，所述预处理操作包括：对得到的所述分割结果图执行灰度处理、5x5的内核高斯平滑，阈值化赋值为127。作为可选实施例，还包括：通过RANSAC算法来对得到的所述待识别对象的长度和质心坐标进行剔除噪音操作。作为可选实施例，还包括：基于视觉惯性测量系统，建立三维空间场景。第二方面，本申请实施例提供了一种对象识别装置，包括：分割与提取模块，用于将采集到的待识别对象的图像发送至已训练完成的深度学习模型中，进行所述待识别对象的分割与提取操作；计算模块，用于将分割与提取操作的结果通过质心和长度检测算法获得所述待识别对象的长度和质心坐标；测量模块，用于将获取到的所述待识别对象的长度和质心坐标送入三维空间场景中进行3D映射，以获取所述待识别对象的长度数据。第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的方法的步骤。第四方面，本申请实施例提供了一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的方法的步骤。本申请实施例的有益效果在于：本申请提供一种对象识别方法，该方法为基于AR技术和单目测距原理以及深度学习的目标检测算法和机器学习误差校正算法，实现高精度、高速度的对象长度测量(例如动物体长测量)。可以大大降低人工成本和劳动强度。附图说明图1为本申请的对象识别方法的一实施例的流程图；图2为本申请的对象识别方法的一实施例的流程图；图3为本申请的对象识别方法的一实施例的流程图图4为本申请的对象识别方法的一实施例的流程图；图5为本申请的对象识别装置的一实施例的结构示意图；图6为本申请的对象识别装置的一实施例的结构示意图；图7为本申请的对象识别装置的一实施例的结构示意图；图8为本申请的对象识别装置的一实施例的结构示意图。具体实施方式下面结合具体实施例对本申请作进一步详细描述，但不作为对本申请的限定。在下述说明中，不同的“一实施例”或“实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。本申请涉及的一种对象识别方法，基于AR技术和单目测距原理以及深度学习的对象检测算法，实现高精度的识别对象的尺寸。本申请的方法可以适用于养殖业等。例如以猪等动物为待识别对象，实现动物体长的高精度识别。本申请实施例提供了一种对象识别方法，包括：将采集到的待识别对象的图像发送至已训练完成的深度学习模型中，进行所述待识别对象的分割与提取操作；根据分割与提取操作的结果获取所述待识别对象的长度和质心坐标；将获取到的所述待识别对象的长度和质心坐标送入三维空间场景中进行3D映射，得到待识别对象的长度。本申请实施例针对现有技术的不足，本申请具体提供一种基于AR技术和单目测距原理以及深度学习的目标检测算法和机器学习误差校正算法，实现高精度、高速度的对象识别(例如动物的体长测量)。可以大大降低人工成本。本申请的附加方面和优点将在下面的描述部分中变得明显，或通过本申请的实践了解到。图1为本申请实施例的对象识别方法的流程图。参见图1，本申请实施例的对象识别方法具体包括：将采集到的待识别对象的图像发送至已训练完成的深度学习模型中，进行待识别对象的分割与提取操作。根据分割与提取操作的结果得到待识别对象的质心坐标和长度。例如通过质心和长度检测算法计算得到。将获取到的待识别对象的长度和质心坐标送入三维空间场景中进行3D映射，得到待识别对象的长度。本申请涉及的一种对象识别方法，针对现有技术的不足，和改变传统对象长度获得方法，例如动物的体长测量的方式，本申请提供一种对象识别方法，该方法为基于AR技术和单目测距原理以及深度学习的目标检测算法和机器学习误差校正算法，实现高精度、高速度的对象长度测量(例如动物体长测量)。可以大大降低人工成本和劳动强度。图2为本申请的对象识别方法一实施例的流程图。参见图2，本实施例的对象识别方法具体包括：获取待识别对象的图片。获取待识别对象的实际长度。其中，待识别对象为动物时，其实际长度(体长)数据可以由待识别对象耳根到尾根的距离、待识别对象鼻头到尾根的距离组成。通过人工标注的方式分别对待识别对象进行标注。标注之后划分为训练样本与测试样本。其中，需要说明的是，训练样本用于对模型的训练，测试模型用于对训练所得的模型的准确率的测试。测试样本和训练样本可以部分重合。以训练样本与测试样本对神经网络进行训练和测试，得到深度学习模型。将采集到的待识别对象的图像发送至已训练完成的深度学习模型中，进行待识别对象的分割与提取操作。根据分割与提取操作的结果得到待识别对象的质心坐标和长度。例如通过质心和长度检测算法计算得到。将获取到的所述待识别对象的长度和质心坐标送入三维空间场景中进行3D映射，得到待识别对象的长度。本申请涉及的一种对象识别方法，获取待识别对象的图片，对图片作为样本进行划分为训练样本与测试样本的操作，以及对待识别对象进行多角度的图像摄取的操作，以及获取待识别对象的实际体长的操作，使得将获取到的对象的多张照片作为样本，迅速高效地划分为训练样本集与测试样本集。由此，提高了训练样本集生成的高效性与精准性。图3为本申请的对象识别方法的一实施例的流程图。参见图3，本实施例的对象识别方法包括：获取待识别对象的图片，对图片作为样本进行划分为训练样本与测试样本。对待识别对象进行多角度的图像采集。获取待识别对象的实际长度。其中，待识别对象为动物(例如猪)时，其实际长度(体长)数据可以由待识别对本文档来自技高网...

【技术保护点】
1.一种对象识别方法，包括：将采集到的待识别对象的图像发送至已训练完成的深度学习模型中，进行所述待识别对象的分割与提取操作；根据分割与提取操作的结果得到所述待识别对象的长度和质心坐标；将获取到的所述待识别对象的长度和质心坐标送入三维空间场景中进行3D映射，得到待识别对象的长度。

【技术特征摘要】
1.一种对象识别方法，包括：将采集到的待识别对象的图像发送至已训练完成的深度学习模型中，进行所述待识别对象的分割与提取操作；根据分割与提取操作的结果得到所述待识别对象的长度和质心坐标；将获取到的所述待识别对象的长度和质心坐标送入三维空间场景中进行3D映射，得到待识别对象的长度。2.根据权利要求1所述的方法，还包括：获取所述待识别对象的图片，将所述图片划分为训练样本与测试样本；以所述训练样本与测试样本对神经网络进行训练和测试，得到深度学习模型。3.根据权利要求2所述的方法，还包括：对获取的所述训练样本进行归一化处理。4.根据权利要求1所述的方法，其中，所述根据分割与提取的结果获得所述待识别对象的长度和质心坐标包括：对得到的所述分割结果图进行预处理；根据预处理后的图像计算所述待识别对象的力矩，获取一阶矩和二阶矩；根据得到的所述一阶矩和所述二阶矩计算所述待识别对象的质心。5.根据权利要求4所述的方法，其中，所述预处理操作包括：对得到的所述分割结果图执行灰度处理、5x...

【专利技术属性】
技术研发人员：王超，黄泰瑚，林潇毅，张弓，顾竹，宋宽，
申请(专利权)人：北京佳格天地科技有限公司，
类型：发明
国别省市：北京,11