用于机器人的物体识别方法、电子设备、介质和程序产品技术

本发明专利技术提供一种用于机器人的物体识别方法、电子设备、介质和程序产品，方法包括获取机器人采集的待识别物体图像；将所述待识别物体图像输入至物体识别模型，进行物体类别预测，获得所述物体识别模型输出的物体类别，所述物体识别模型是基于度量学习训练得到的。本发明专利技术的物体识别模型是基于度量学习训练得到的，该度量学习可以扩大不同物体类别的物体图像之间的相似度距离，还可以缩小相同物体类别的物体图像之间的相似度距离，从而使不同物体类别的物体图像区别更明显，进而提高物体识别效率。基于此，即使样本数量少，样本种类多，由于不同物体类别的物体图像区别明显，从而可训练得到准确率高的物体识别模型，进而使机器人实现物体的准确识别。现物体的准确识别。现物体的准确识别。

【技术实现步骤摘要】
用于机器人的物体识别方法、电子设备、介质和程序产品


[0001]本专利技术涉及计算机视觉
，尤其涉及一种用于机器人的物体识别方法、电子设备、介质和程序产品。

技术介绍

[0002]随着人工智能技术和计算机视觉技术的快速发展，机器人已逐渐深入到人类生活的方方面面。例如，在住宅、写字楼、酒店、餐厅、工厂和仓库等场所得到了广泛应用。
[0003]目前，机器人是通过构建深度学习模型对物体进行识别。而深度学习模型通常需要大量的样本数据进行训练得到，然而，机器人抓取的目标物体少，导致样本数据数量少，且目标物体种类多，导致样本数据种类多，进而导致物体识别模型无法训练得到，或者，训练得到的物体识别模型识别准确率低，满足不了机器人的物体识别需求。
[0004]综上所述，如何在样本数量少和样本种类多的情况下，训练得到准确率高的物体识别模型是目前亟需解决的问题。

技术实现思路

[0005]本专利技术提供一种用于机器人的物体识别方法、电子设备、介质和程序产品，用以解决现有技术中在样本数量少和样本种类多的情况下，无法训练得到准确率高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于机器人的物体识别方法，其特征在于，包括：获取机器人采集的待识别物体图像；将所述待识别物体图像输入至物体识别模型，进行物体类别预测，获得所述物体识别模型输出的物体类别，所述物体识别模型是基于度量学习训练得到的。2.根据权利要求1所述的用于机器人的物体识别方法，其特征在于，还包括所述物体识别模型的训练方法：获取训练样本数据，所述训练样本数据包括通过机器人拍摄得到的样本物体图像及其对应的物体类别标签；采用所述训练样本数据和预设损失函数，对待训练模型进行训练，得到物体识别模型，所述预设损失函数由分类损失函数和度量学习对应的度量损失函数聚合处理得到。3.根据权利要求2所述的用于机器人的物体识别方法，其特征在于，所述度量损失函数包括中心损失函数和判别损失函数；所述中心损失函数，用于缩小所述训练样本数据中同类别的样本物体图像之间的相似度距离；所述判别损失函数，用于扩大所述训练样本数据中不同类别的样本物体图像之间的相似度距离。4.根据权利要求3所述的用于机器人的物体识别方法，其特征在于，所述中心损失函数是基于所述训练样本数据中一批量所述样本物体图像的各特征向量和所述一批量样本物体图像的特征向量均值之间的相似度距离确定的。5.根据权利要求3所述的用于机器人的物体识别方法，其特征在于，所述判别损失函数是基于目标样本物体图像的特征向量和所述目标样本物体图像对应类别的特征向量均值之间的标准欧式距离，以及非目标样本物体图像的特征向量和所述非目标样本物体图像对应类别的特征向量均值之间的标准欧式距离确定的；所述目标样本物体图像为所述训练样本数据中当前输入所述待训练模型的物体图像，所述目标样本物体图像对应类别的特征向量均值为一批量所述样本物体图像中所述目标样本物体图像对应的物体类别标签对应的多个样本物体图像的特征向量均值；所述非目标样本物体图像为所述一批量样本物体图像中排除所述目标样本图像的物体图像，所述非目标样本物体图像对应类别的特征向量均值为所述一批量样本物...

【专利技术属性】
技术研发人员：彭政睿，宫新一，魏本刚，徐湘忆，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：