一种分类方法、装置、存储介质及电子设备制造方法及图纸

本公开提供了一种分类方法、装置、存储介质及电子设备，其中，分类方法包括获取第一图像，其中，目标图像中包含待分类目标以及其他对象；利用预先训练好的分割模型对第一图像进行分割，得到第二图像，其中，分割模型包括全卷积神经网络，第二图像中包含待分类目标；识别第二图像，确定待分类目标的类型信息。本公开通过对视觉几何群网络中的参数进行修改得到分割模型的参数，利用分割模型对第一图像进行分割以得到第二图像，之后识别第二图像以确定待分类目标的类型信息，解决了传统方法费时费力且准确率低、方法依赖人工提取特征、复杂背景下的牧草分类准确度低等问题，能够确保待分类目标的类型信息的准确性，也即提高了分类结果的准确性。果的准确性。果的准确性。

【技术实现步骤摘要】
一种分类方法、装置、存储介质及电子设备


[0001]本公开涉及分类
，特别涉及一种分类方法、装置、存储介质及电子设备。

技术介绍

[0002]随着计算机和互联网相关技术的快速发展，利用计算机视觉等相关技术，实现草地资源的自动化和数字化管理，有助于促进畜牧业可持续发展和草地环境的生态平衡。牧草图像的分类识别作为草地资源数字化管理的重要基础要求之一，进行快速、精准的分类识别对牧草的种植、生产等工作至关重要。
[0003]目前，图像的分类识别方式包括：(1)人工目测方法，借助于人工经验对牧草进行分类。(2)基于图像处理的传统牧草分类方法有朴素贝叶斯识别算法、K
‑
NN算法、支持向量机(SVM)算法、BP神经网络算法，首先对牧草图像进行预处理，去背景化分离出需要分类的牧草，然后提取牧草的一阶、二阶、三阶颜色特征、纹理特征及形状特征，利用主成分分析方法(PCA)对提取的特征降维，最后利用上述算法对牧草进行分类。(3)基于深度学习方法的牧草分类方法有卷积神经网络(CNN)方法。具体流程是对输入的牧草图像进行多层卷积抽取深层特征，最后经过全连接层和SoftMax分类层对牧草进行分类。
[0004]但，方式(1)中借助于人工经验对牧草进行分类，存在费时费力且准确率低等问题。方式(2)中朴素贝叶斯识别算法具有样本属性独立性的假设，所以如果样本属性有关联时效果并不好，然而同科牧草之间并不具备完全独立属性；SVM算法在解决多分类任务时，需要构造多个二分器并同时进行训练，随着训练样本数量的增加，训练速度将减慢；BP神经网络最大的问题是计算权值太大且不具备CNN权值共享的特点，需要消耗大量的时间成本，并且严重依赖于训练样本量，总体来说，传统分类方法依赖手工制作特征，然而人工特征对于不同情况(如光照变化、牧草姿态或者周围背景变化)的牧草图像的适应性差，准确率不好。方式(3)中对于CNN的牧草分类方法，尽管可以不需要人工提取特征，但是在背景复杂时，牧草特征会受到周围背景噪声的干扰，在相似背景下的不同类别牧草，分类效果同样不好。

技术实现思路

[0005]有鉴于此，本公开实施例的目的在于提供一种分类方法、装置、存储介质及电子设备，用于解决传统方法费时费力且准确率低、方法依赖人工提取特征、复杂背景下的牧草分类准确度低等问题。
[0006]第一方面，本公开实施例提供了一种分类方法，其中，包括：
[0007]获取第一图像，其中，所述目标图像中包含待分类目标以及其他对象；
[0008]利用预先训练好的分割模型对所述第一图像进行分割，得到第二图像，其中，所述分割模型包括全卷积神经网络，所述第二图像中包含所述待分类目标；
[0009]识别所述第二图像，确定所述待分类目标的类型信息。
[0010]在一种可能的实施方式中，所述识别所述第二图像，确定所述待分类目标的类型
信息，包括：
[0011]将所述第二图像输入至预先训练好的分类模型中，得到所述待分类目标的类型信息。
[0012]在一种可能的实施方式中，所述分割模型和所述分类模型均基于视觉几何群网络中的参数确定。
[0013]在一种可能的实施方式中，所述待分类目标的类型信息包括类型以及占比。
[0014]第二方面，本公开实施例还提供了一种分类装置，其包括：
[0015]获取模块，其配置为获取第一图像，其中，所述目标图像中包含待分类目标以及其他对象；
[0016]分割模块，其配置为利用预先训练好的分割模型对所述第一图像进行分割，得到第二图像，其中，所述分割模型包括全卷积神经网络，所述第二图像中包含所述待分类目标；
[0017]识别模块，其配置为识别所述第二图像，确定所述待分类目标的类型信息。
[0018]在一种可能的实施方式中，所述识别模块，其具体配置为：
[0019]将所述第二图像输入至预先训练好的分类模型中，得到所述待分类目标的类型信息。
[0020]在一种可能的实施方式中，所述分割模型和所述分类模型均基于视觉几何群网络中的参数确定。
[0021]在一种可能的实施方式中，所述待分类目标的类型信息包括类型以及占比。
[0022]第三方面，本公开实施例还提供了一种存储介质，其中，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如下步骤：
[0023]获取第一图像，其中，所述目标图像中包含待分类目标以及其他对象；
[0024]利用预先训练好的分割模型对所述第一图像进行分割，得到第二图像，其中，所述分割模型包括全卷积神经网络，所述第二图像中包含所述待分类目标；
[0025]识别所述第二图像，确定所述待分类目标的类型信息。
[0026]第四方面，本公开还提供了一种电子设备，其中，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如下步骤：
[0027]获取第一图像，其中，所述目标图像中包含待分类目标以及其他对象；
[0028]利用预先训练好的分割模型对所述第一图像进行分割，得到第二图像，其中，所述分割模型包括全卷积神经网络，所述第二图像中包含所述待分类目标；
[0029]识别所述第二图像，确定所述待分类目标的类型信息。
[0030]本公开实施例通过对视觉几何群网络中的参数进行修改得到分割模型的参数，进而通过分割模型对第一图像进行分割，以去除除待分类目标之外的部分得到第二图像，之后，对第二图像进行识别，以确定待分类目标的类型信息，进而解决了传统方法费时费力且准确率低、方法依赖人工提取特征、复杂背景下的牧草分类准确度低等问题，即便第一图像中的背景复杂，也能够确保待分类目标的类型信息的准确性，也即提高了分类结果的准确性。
[0031]为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合
所附附图，作详细说明如下。
附图说明
[0032]为了更清楚地说明本公开或现有技术中的技术方案，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，显而易见地，下面描述中的附图仅仅是本公开中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0033]图1示出了本公开所提供的分类方法的流程图；
[0034]图2示出了本公开所提供的分类方法中FCN结构的示意图；
[0035]图3a示出了本公开所提供的分类方法中分割前第一图像的示意图；
[0036]图3b示出了本公开所提供的分类方法中分割后第二图像的示意图；
[0037]图4示出了本公开所提供的分类方法中分类模型的结构示意图；
[0038]图5示出了本公开所提供的分类装置的结构示意图；
[0039]图6示出了本公开所提供的电子设备的结构示意图。
具体实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分类方法，其特征在于，包括：获取第一图像，其中，所述目标图像中包含待分类目标以及其他对象；利用预先训练好的分割模型对所述第一图像进行分割，得到第二图像，其中，所述分割模型包括全卷积神经网络，所述第二图像中包含所述待分类目标；识别所述第二图像，确定所述待分类目标的类型信息。2.根据权利要求1所述的分类方法，其特征在于，所述识别所述第二图像，确定所述待分类目标的类型信息，包括：将所述第二图像输入至预先训练好的分类模型中，得到所述待分类目标的类型信息。3.根据权利要求2所述的分类方法，其特征在于，所述分割模型和所述分类模型均基于视觉几何群网络中的参数确定。4.根据权利要求1或2所述的分类方法，其特征在于，所述待分类目标的类型信息包括类型以及占比。5.一种分类装置，其特征在于，包括：获取模块，其配置为获取第一图像，其中，所述目标图像中包含待分类目标以及其他对象；分割模块，其配置为利用预先训练好的分割模型对所述第一图像进行分割，得到第二图像，其中，所述分割模型包括全卷积神经网络，所述第二图像中包含所述待分类目标；识别模块，其配置为识别所述第二图像，确定所述待分类目标的类型信息。6.根据权利要求5所述的分类装置，其特征在于，所述识别模块，其具体配置为：将所述第二图像...

【专利技术属性】
技术研发人员：房建东，黄居松，赵于东，李巴津，
申请(专利权)人：内蒙古工业大学，
类型：发明
国别省市：