离散物体的分类方法、装置、设备及计算机存储介质制造方法及图纸

本公开涉及离散物体的分类方法、装置、设备及计算机存储介质，方法包括采集离散物体的第一图像，采用胶囊网络和频域分解方式分别对第一图像处理，并将分别得到胶囊张量和频域张量进行融合，继而得到张量融合数据；根据张量融合数据，从预设类别中确定第一图像对应的离散物体的类别；本公开通过频域分解得到离散物体图像中频域特征信息的频域张量，以及通过胶囊网络提取离散物体图像中的基本特征得到胶囊张量，通过将两种张量融合对离散物体进行更加准确的识别，继而实现准确分类，能够有效解决现有卷积神经网络对实体特征识别能力薄弱的问题，适用于离散物体的数字图像细粒度分类识别，保证识别正确率。保证识别正确率。保证识别正确率。

【技术实现步骤摘要】
离散物体的分类方法、装置、设备及计算机存储介质


[0001]本公开属于离散物体细粒度分类
，尤其涉及一种离散物体的分类方法、装置、设备及计算机存储介质。

技术介绍

[0002]目前对具有离散性质的物体进行细粒度分类时，具有较大的分类难度。例如成品茶叶的分类，可以根据茶树、芽叶、地域以及制茶工艺等的不同，形成繁多的茶叶类别，而茶叶分类多是通过对茶叶图像的识别处理实现的；但由于细粒度的分类特性，使得现有的两种主要分类技术，在对具有离散性质的成品茶叶的分类过程中，存在一些问题：
[0003]其中一种分类技术是：根据成品茶叶离散、不可分割的分布特性，将整幅图像视为色彩分布的统计学分布问题，通过对离散分布建模从而对数据升维最终降维至数据类别数量；这种分类技术的缺点是，需要耗费大量精力进行数据预处理，且识别结果的正确率对人工能力的依赖性很强，同时泛化能力较弱；
[0004]另一种是使用机械离心旋转分布，或采集指定质量的茶叶均匀分布的方式，得到分布固定的图像，利用卷积神经网络对图像进行识别；这种分类方案的局限性很大，由于茶叶离散随机分布本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种离散物体的分类方法，其特征在于，所述方法包括：采集所述离散物体的第一图像；采用胶囊网络，对所述第一图像进行目标特征提取，输出所述第一图像的胶囊张量；将所述胶囊张量与所述第一图像的频域张量进行融合，得到所述第一图像的张量融合数据；其中所述频域张量，是采用频域分解方式，对所述第一图像进行频域信息特征提取得到的；根据所述张量融合数据，从预设类别中，确定所述第一图像对应的所述离散物体的类别。2.根据权利要求1所述的离散物体的分类方法，其特征在于，所述胶囊网络包括卷积层、若干个主胶囊层、和数字胶囊层；所述采用胶囊网络，对所述第一图像进行目标特征提取，输出所述第一图像的胶囊张量，包括：将所述第一图像输入所述卷积层进行卷积计算，并由所述卷积层输出所述第一图像的目标特征数据；将所述目标特征数据对应输入所述若干个主胶囊层，通过所述若干个主胶囊层对所述目标特征数据进行组合，并输出第一张量；将所述第一张量输入所述数字胶囊层，所述数字胶囊层具有若干数字胶囊，每个所述预设类别均对应一个所述数字胶囊；所述若干数字胶囊均以所述第一张量为输入数据，并通过动态路由算法进行计算，输出所述胶囊张量。3.根据权利要求1所述的离散物体的分类方法，其特征在于，所述采用频域分解方式，对所述第一图像进行频域信息特征提取，包括：对所述第一图像的数字信号进行频域分解，得到第二张量；其中所述第二张量为所述第一图像分解的高频成分的数据，或者所述第二张量为所述第一图像分解的高频成分中混杂低频成分的数据；将所述低频成分向所述高频成分方向，进行递归分解；对所述第二张量进行多个方向滤波，得到各个方向上的特征图像；对所述特征图像进行傅里叶变换，得到包含所述高频成分分布信息的多个频域变换图像；对所述多个频域变换图像进行卷积池化处理，并输出所述频域张量；其中所述频域张量与所述胶囊张量的维度相同。4.根据权利要求3所述的离散物体的分类方法，其特征在于，所述对所述多个频域变换图像进行卷积池化处理，并输出所述频域张量；包括：对所述频域变换图像进行多次卷积池化处理，并将所述频域变换图像下采样至与所述胶囊网络相同的输出维度，得到与所述胶囊张量维度相同的所述频域张量，并输出所述频域张量。5.根据权利要求1所述的离散物...

【专利技术属性】
技术研发人员：陈建，李泽源，周剑，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：