融合人工鱼与粒子群算法的工程机械图像识别方法及系统技术方案

本发明专利技术属于工程机械图像识别领域，提供了一种融合人工鱼与粒子群算法的工程机械图像识别方法及系统。其中，该方法包括获取工程机械图像并初始化工程机械图像的锚框；利用融合的粒子群算法和人工鱼群算法来处理所述工程机械图像的初始锚框，得到所述工程机械图像的标准锚框；其中，粒子群算法的每个粒子看成一条人工鱼，每个粒子的速度看成人工鱼的视野范围，通过适应度寻优自适应改变人工鱼群算法觅食行为的视野，所述视野为锚框；基于所述工程机械图像的标准锚框及目标检测模型，识别出工程机械图像中工程机械的类型。程机械图像中工程机械的类型。程机械图像中工程机械的类型。

【技术实现步骤摘要】
融合人工鱼与粒子群算法的工程机械图像识别方法及系统


[0001]本专利技术属于工程机械图像识别领域，尤其涉及一种融合人工鱼与粒子群算法的工程机械图像识别方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]近年来随着人工智能新技术的浪潮涌起，土建工程行业迎来了新的机遇与挑战。传统的工程管理系统已经无法达到智能、高效、闭环管理的目的，科研工作者开始尝试通过引入新技术来提升复杂工况施工管理的实时性与准确性。视觉传感器因其成本低、信息量大、感知距离选、频率高等特点成为工程机械必不可少的传感器之一。通过提取视觉传感器信号，可以对前方诸如工人，卡车，挖掘机，压路机，推土机等物体进行目标检测和识别。准确的识别出传感器视野范围的特定目标，是工程机械控制器接收正确信息完成恰当决策的前提，也是智能化施工中关键的一环。
[0004]常见的目标检测算法主要包括传统的目标检测算法和基于深度学习的目标检测算法。与传统算法相比，基于深度学习的目标检测算法由于其大数据训练机制，在精度、速度和鲁棒性方面取得了重大突破。卷积神经元网络作为近几年新兴的基于深度学习的目标检测算法，提供了一种新的目标检测思路，相较于传统目标检测算法，其网络模型的复杂度比较低，但是其精度和实时性受样本集的锚框尺寸影响较大。如何针对具体目标检测样本集，比如应用于一体化施工的工程机械样本集锚框尺寸的准确选择，是提高其检测性能的关键因素之一。专利技术人发现，传统目标检测算法中，初始锚框的选取一般采用K
‑
means聚类方式，但是这种方式容易陷入局部最优值，且对噪声点和异常点较敏感，进而影响工程机械图像识别的精度。

技术实现思路

[0005]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种融合人工鱼与粒子群算法的工程机械图像识别方法及系统，其能够提高工程机械图像识别的精度。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]本专利技术的第一个方面提供一种融合人工鱼与粒子群算法的工程机械图像识别方法，其包括：
[0008]获取工程机械图像并初始化工程机械图像的锚框；
[0009]利用融合的粒子群算法和人工鱼群算法来处理所述工程机械图像的初始锚框，得到所述工程机械图像的标准锚框；其中，粒子群算法的每个粒子看成一条人工鱼，每个粒子的速度看成人工鱼的视野范围，通过适应度寻优自适应改变人工鱼群算法觅食行为的视野，所述视野为锚框；
[0010]基于所述工程机械图像的标准锚框及目标检测模型，识别出工程机械图像中工程
机械的类型。
[0011]本专利技术的第二个方面提供一种融合人工鱼与粒子群算法的工程机械图像识别系统，其包括：
[0012]图像获取及初始化模块，其用于获取工程机械图像并初始化工程机械图像的锚框；
[0013]标准锚框获取模块，其用于利用融合的粒子群算法和人工鱼群算法来处理所述工程机械图像的初始锚框，得到所述工程机械图像的标准锚框；其中，粒子群算法的每个粒子看成一条人工鱼，每个粒子的速度看成人工鱼的视野范围，通过适应度寻优自适应改变人工鱼群算法觅食行为的视野，所述视野为锚框；
[0014]工程机械图像识别模块，其用于基于所述工程机械图像的标准锚框及目标检测模型，识别出工程机械图像中工程机械的类型。
[0015]本专利技术的第三个方面提供一种电子设备，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如上述所述的融合人工鱼与粒子群算法的工程机械图像识别方法中的步骤。
[0016]本专利技术的第四个方面提供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如上述所述的融合人工鱼与粒子群算法的工程机械图像识别方法中的步骤。
[0017]与现有技术相比，本专利技术的有益效果是：
[0018]本专利技术利用融合的粒子群算法和人工鱼群算法来处理所述工程机械图像的初始锚框，得到所述工程机械图像的标准锚框；其中粒子群算法的每个粒子看成一条人工鱼，每个粒子的速度看成人工鱼的视野范围，通过适应度寻优自适应改变人工鱼群算法觅食行为的视野，视野为锚框，解决了常规锚框聚类方法容易陷入局部最优值，且对噪声点和异常点较敏感的问题，基于所述工程机械图像的标准锚框及目标检测模型，识别出工程机械图像中工程机械的类型，提高了工程机械图像识别的精度。
[0019]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0020]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0021]图1是应用本专利技术实施例的融合人工鱼与粒子群算法的工程机械图像识别方法的示例性应用环境的系统架构的示意图；
[0022]图2是本专利技术实施例的融合人工鱼与粒子群算法的工程机械图像识别方法流程图；
[0023]图3是本专利技术实施例的融合人工鱼与粒子群算法的工程机械图像识别系统结构示意图；
[0024]图4是本专利技术实施例的电子设备结构示意图。
具体实施方式
[0025]下面结合附图与实施例对本专利技术作进一步说明。
[0026]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0027]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0028]图1示出了可以应用本专利技术实施例的融合人工鱼与粒子群算法的工程机械图像识别方法的示例性应用环境的系统架构的示意图。
[0029]如图1所示，系统架构100可以包括电子设备101和/或电子设备102，网络103和服务器104。网络103用以在电子设备101、电子设备102和服务器104之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。电子设备101、电子设备102，包括但不限于台式计算机、便携式计算机、智能手机和平板电脑等等。应该理解，图1中的电子设备、网络和服务器的数量仅仅是示意性的。根据实现需要，可以具有任意数目的电子设备、网络和服务器。比如服务器104可以是多个服务器组成的服务器集群等。
[0030]本专利技术实施例所提供的融合人工鱼与粒子群算法的工程机械图像识别方法一般由服务器104执行，相应地，融合人工鱼与粒子群算法的工程机械图像识别系统可以设置于服务器104中。但本领域技术人员容易理解的是，本专利技术实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合人工鱼与粒子群算法的工程机械图像识别方法，其特征在于，包括：获取工程机械图像并初始化工程机械图像的锚框；利用融合的粒子群算法和人工鱼群算法来处理所述工程机械图像的初始锚框，得到所述工程机械图像的标准锚框；其中，粒子群算法的每个粒子看成一条人工鱼，每个粒子的速度看成人工鱼的视野范围，通过适应度寻优自适应改变人工鱼群算法觅食行为的视野，所述视野为锚框；基于所述工程机械图像的标准锚框及目标检测模型，识别出工程机械图像中工程机械的类型。2.如权利要求1所述的融合人工鱼与粒子群算法的工程机械图像识别方法，其特征在于，所述适应度由适应度函数计算得到。3.如权利要求2所述的融合人工鱼与粒子群算法的工程机械图像识别方法，其特征在于，适应度函数为所有粒子到最近聚类中心的欧几里得距离。4.如权利要求1所述的融合人工鱼与粒子群算法的工程机械图像识别方法，其特征在于，在寻优的过程中，若前后两次寻优的适应度差值与前次寻优的适应度的比值小于预设阈值，则寻优停止。5.如权利要求1所述的融合人工鱼与粒子群算法的工程机械图像识别方法，其特征在于，在训练目标检测模型所采用的训练数据集中的图像样本为采用融合的粒子群算法和人工鱼群算法来处理工程机械图像样本的初始锚框，得到对应工程机械图像样本的标准锚框及聚类标准锚框。6.如权利要求1所述的融合人工鱼与粒子群算法的工程机械图像识别方法，其特征在于，所述锚框为矩形框。7.一种...

【专利技术属性】
技术研发人员：闫伟，曲春燕，纪嘉树，胡滨，侯衍华，袁子洋，
申请(专利权)人：山东大学，
类型：发明
国别省市：