用于识别物品类别的方法及装置、电子设备制造方法及图纸

本申请涉及图像识别技术领域，公开一种用于识别物品类别的方法，包括：获得物品图像；利用预设卷积神经网络对物品图像进行识别；其中，预设卷积神经网络的全连接层为高级环状结构特征向量；获得物品类别。利用全连接层为高级环状结构特征向量的预设卷积神经网络对物品图像进行识别，进而识别出物品类别。由于预设卷积神经网络的全连接层为高级环状结构特征向量，全连接层稳定特征的路径更多，稳定性要更强，因此在利用该预设卷积神经网络进行图片识别时，对于在时间轴上自身发生形变较小的物体，识别准确率更高，识别效果更佳。本申请还公开一种用于识别物品类别的装置及电子设备。

Method, device and electronic equipment for identifying article category

【技术实现步骤摘要】
用于识别物品类别的方法及装置、电子设备
本申请涉及图像识别
，例如涉及一种用于识别物品类别的方法及装置、电子设备。
技术介绍
卷积神经网络(ConvolutionalNeuralNetworks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(FeedforwardNeuralNetworks)，是深度学习(deeplearning)的代表算法之一。卷积神经网络的隐含层包含卷积层、池化层和全连接层这3类常见构筑，其中：卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量(biasvector)，类似于一个前馈神经网络的神经元(neuron)；池化层包含预设定的池化函数，其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量，在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤；全连接层位于卷积神经网络隐含层的最后部分，其功能是对提取的特征进行非线性组合以得到输出，即全连接层本身不被期望具有特征提取能力，而是试图利用现有的高阶特征完成学习目标。卷积本文档来自技高网...

【技术保护点】
1.一种用于识别物品类别的方法，其特征在于，包括：/n获得物品图像；/n利用预设卷积神经网络对所述物品图像进行识别；其中，所述预设卷积神经网络的全连接层为高级环状结构特征向量；/n获得物品类别。/n

【技术特征摘要】
1.一种用于识别物品类别的方法，其特征在于，包括：
获得物品图像；
利用预设卷积神经网络对所述物品图像进行识别；其中，所述预设卷积神经网络的全连接层为高级环状结构特征向量；
获得物品类别。


2.根据权利要求1所述的方法，其特征在于，利用预设卷积神经网络对所述物品图像进行识别前，还包括：
获得预设物品的多张图片；
将每一图片的多个特征向量连接成初级环状结构特征向量；
将多个所述初级环状结构特征向量融合成高级环状结构特征向量；
利用所述高级环状结构特征向量搭建所述预设卷积神经网络的全连接层。


3.根据权利要求2所述的方法，其特征在于，所述获得预设物品的多张图片，包括：
在预设日期的多个预设时间点分别为所述预设物品拍摄照片；
获得多个预设日期内拍摄的所述预设物品的多张图片。


4.根据权利要求2所述的方法，其特征在于，所述将每一图片的多个特征向量连接成初级环状结构特征向量，包括：
通过首尾相连的方式将每一照片的多个特征向量连接成所述初级环状结构特征向量。


5.根据权利要求2、3或4所述的方法，其特征在于，所述将多个所述初级环状结构特征向量融合成高级环状结构特征向量，包括：
对每一所述初级环状结构特征向量的多个特征向量按序进行索引编号；
分别确定第一初级环状结构特征向量中的第一稳定特征向量和第二初级环状结构特征向量中的第二稳定特征向量；其中，所述第一稳定特征向量和所述第二稳定特征向量的索引编号相同；
通过所述第一稳定特征向量或所述第二稳定特征向量将所述第一初级环状特征向量和所述第二初级环状特...

【专利技术属性】
技术研发人员：潘威滔，胡江明，李雷雷，王磊，
申请(专利权)人：海尔优家智能科技北京有限公司，
类型：发明
国别省市：北京;11