物体识别方法、装置、电子设备及存储介质制造方法及图纸

本申请适用于图像处理技术领域，提供了物体识别方法、装置、电子设备及存储介质，包括：获取待识别图片，所述待识别图片为待识别物体对应的最小外接矩形图片；根据预设的模板尺寸对所述待识别图片进行目标处理，得到尺寸为所述模板尺寸的目标图片；其中，所述目标处理包括背景扩充处理；根据所述目标图片及预设的物体识别网络，确定所述待识别物体对应的识别结果；其中，所述物体识别网络为提前训练得到的用于识别物体的神经网络。本申请实施例能够提高物体识别的准确性。

【技术实现步骤摘要】
物体识别方法、装置、电子设备及存储介质
本申请属于图像处理
，尤其涉及一种物体识别方法、装置、电子设备及存储介质。
技术介绍
随着制造业与工业产线的自动化程度越来越高，工厂生产线中常常通过拍摄物体得到对应的图片后，进行识别处理，从而确定该物体的类别，得到物体的识别结果。现有的识别技术中，通常基于传统的机器学习方法，利用人工对不同类型物体的特征进行总结归纳，并利用数学公式进行描述，但是，此种方式在面对复杂环境中具有很大的误判性；同时，人工寻找特征非常考验算法人员自身能力，所以使得基于传统机器学习的分类算法正在逐渐被神经网络算法淘汰。基于神经网络的识别算法具有识别精度高，训练速度快，部署容易等特点，但是却有一个限制，即输入图片的尺寸必须统一。当需要识别分类的各类物体本身形状相似，大小不同，却具有相同的长宽比时，在对图片进行缩放处理实现尺寸统一后，不同类型物体的差异性就会变小，导致识别网络的准确性下降，从而导致物体识别的准确性低。
技术实现思路
有鉴于此，本申请实施例提供了物体识别方法、装置、电子设备及存储介质，以解决现有技术中如何提高物体识别的准确性的问题。本申请实施例的第一方面提供了一种物体识别方法，包括：获取待识别图片，所述待识别图片为待识别物体对应的最小外接矩形图片；根据预设的模板尺寸对所述待识别图片进行目标处理，得到尺寸为所述模板尺寸的目标图片；其中，所述目标处理包括背景扩充处理；根据所述目标图片及预设的物体识别网络，确定所述待识别物体对应的识别结果；其中，所述物体识别网络为提前训练得到的用于识别物体的神经网络。可选地，所述获取待识别图片，包括：获取灰度图片，所述灰度图片为待识别物体对应的灰度格式的最小外接矩形图片；对所述灰度图片进行二值化处理，得到待识别图片。可选地，所述对所述灰度图片进行二值化处理，得到待识别图片，包括：根据所述灰度图片的灰度直方图，确定二值化阈值；根据所述二值化阈值对所述灰度图片进行二值化处理，得到待识别图片。可选地，所述根据预设的模板尺寸对所述待识别图片进行目标处理，得到尺寸为所述模板尺寸的目标图片，包括：若所述待识别图片的尺寸小于所述模板尺寸，则以所述待识别图片为中心，在所述待识别图片的周围进行背景扩充处理，得到尺寸为所述模板尺寸的目标图片。可选地，所述根据预设的模板尺寸对所述待识别图片进行目标处理，得到尺寸为所述模板尺寸的目标图片，包括：若所述模板尺寸为正方形尺寸，且所述待识别图片的尺寸大于所述模板尺寸，则根据所述模板尺寸的边长与所述待识别图片的长边长度的比值，确定缩放比例；根据所述缩放比例对所述待识别图片进行缩放处理，得到缩放图片；通过背景扩充处理，将所述缩放图片的短边扩充至与所述模板尺寸的边长一致，得到尺寸为所述模板尺寸的目标图片。可选地，所述物体识别方法用于识别预设种类的物体，对应地，在所述获取待识别图片之前，包括：将所述预设种类的物体中尺寸最大的物体作为模板物体；根据所述模板物体对应的最小外接矩形图片的尺寸，确定模板尺寸。可选地，所述根据所述目标图片及预设的物体识别网络，确定所述待识别物体对应的识别结果，包括：根据所述物体识别网络的输入层的尺寸，对所述目标图片进行缩小处理，得到待输入图片将所述待输入图片输入所述物体识别网络进行处理，得到所述待识别物体对应的识别结果。本申请实施例的第二方面提供了一种物体识别装置，包括：待识别图片获取单元，用于获取待识别图片，所述待识别图片为待识别物体对应的最小外接矩形图片；目标处理单元，用于根据预设的模板尺寸对所述待识别图片进行目标处理，得到尺寸为所述模板尺寸的目标图片；其中，所述目标处理包括背景扩充处理；识别结果确定单元，用于根据所述目标图片及预设的物体识别网络，确定所述待识别物体对应的识别结果；其中，所述物体识别网络为提前训练得到的用于识别物体的神经网络。本申请实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，使得电子设备实现如所述物体识别方法的步骤。本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，使得电子设备实现如所述物体识别方法的步骤。本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面中任一项所述的物体识别方法。本申请实施例与现有技术相比存在的有益效果是：本申请实施例中，获取待识别图片，所述待识别图片为待识别物体对应的最小外接矩形图片；根据预设的模板尺寸对所述待识别图片进行目标处理，得到尺寸为所述模板尺寸的目标图片；其中，所述目标处理包括背景扩充处理；根据所述目标图片及预设的物体识别网络，确定所述待识别物体对应的识别结果；其中，所述物体识别网络为提前训练得到的用于识别物体的神经网络。由于相同条件下，物体对应的最小外接矩形图片与物体的实际大小相关，因此本申请实施例中的待识别图片的大小能够一定程度反映物体的大小；而在需要通过背景扩充处理得到模板尺寸的目标图片时，对于不同大小的待识别图片，其待进行背景扩充的区域大小不一，即，相对于现有的对所有待识别图片都进行统一的缩放处理的方式，背景扩充处理能够对不同大小的待识别图片进行不同程度的背景扩充，一定程度保持待识别物体在目标图片中的图像区域大小与待识别图片大小同步，使得形状相似但大小不同的物体对应的目标图片具有较大的差异，从而使得后续根据目标图片和物体识别网络进行物体识别时，能够更加准确地区分识别不同物体，从而提高物体识别的准确性。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。图1是本申请实施例提供的一种物体识别方法的实现流程示意图；图2是本申请实施例提供的将待识别图片进行缩放处理的对比示意图；图3是本申请实施例提供的的将待识别图片进行目标处理的对比示意图；图4是本申请实施例提供的一种图片增强处理得到的图片示例图；图5是本申请实施例提供的一种模板物体及对应的模板图片的示意图；图6是本申请实施例提供的一组钢筋的待识别图片及其对应的目标图片的示意图；图7是本申请实施例提供的一种物体识别装置的示意图；图8是本申请实施例提供的电子设备的示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。为了说明本申请所述的技术本文档来自技高网...

【技术保护点】
1.一种物体识别方法，其特征在于，包括：/n获取待识别图片，所述待识别图片为待识别物体对应的最小外接矩形图片；/n根据预设的模板尺寸对所述待识别图片进行目标处理，得到尺寸为所述模板尺寸的目标图片；其中，所述目标处理包括背景扩充处理；/n根据所述目标图片及预设的物体识别网络，确定所述待识别物体对应的识别结果；其中，所述物体识别网络为提前训练得到的用于识别物体的神经网络。/n

【技术特征摘要】
1.一种物体识别方法，其特征在于，包括：
获取待识别图片，所述待识别图片为待识别物体对应的最小外接矩形图片；
根据预设的模板尺寸对所述待识别图片进行目标处理，得到尺寸为所述模板尺寸的目标图片；其中，所述目标处理包括背景扩充处理；
根据所述目标图片及预设的物体识别网络，确定所述待识别物体对应的识别结果；其中，所述物体识别网络为提前训练得到的用于识别物体的神经网络。


2.如权利要求1所述的物体识别方法，其特征在于，所述获取待识别图片，包括：
获取灰度图片，所述灰度图片为待识别物体对应的灰度格式的最小外接矩形图片；
对所述灰度图片进行二值化处理，得到待识别图片。


3.如权利要求2所述的物体识别方法，其特征在于，所述对所述灰度图片进行二值化处理，得到待识别图片，包括：
根据所述灰度图片的灰度直方图，确定二值化阈值；
根据所述二值化阈值对所述灰度图片进行二值化处理，得到待识别图片。


4.如权利要求1所述的物体识别方法，其特征在于，所述根据预设的模板尺寸对所述待识别图片进行目标处理，得到尺寸为所述模板尺寸的目标图片，包括：
若所述待识别图片的尺寸小于所述模板尺寸，则以所述待识别图片为中心，在所述待识别图片的周围进行背景扩充处理，得到尺寸为所述模板尺寸的目标图片。


5.如权利要求1所述的物体识别方法，其特征在于，所述根据预设的模板尺寸对所述待识别图片进行目标处理，得到尺寸为所述模板尺寸的目标图片，包括：
若所述模板尺寸为正方形尺寸，且所述待识别图片的尺寸大于所述模板尺寸，则根据所述模板尺寸的边长与所述待识别图片的长边长度的比值，确定缩放比例；
根据所述缩放比例对所述待识别图片进行缩放处理，得到缩放图片；
通过背景扩充处理，...

【专利技术属性】
技术研发人员：曹秀伟，苏世龙，樊则森，雷俊，马栓鹏，丁沛然，田璐璐，
申请(专利权)人：中建科技集团有限公司，
类型：发明
国别省市：广东;44