本发明专利技术公开了一种香烟终端陈列样本图像自动生成的仿真方法与模型，涉及深度学习技术领域，解决了针对某些行业，现有的技术方案难以快速获取其深度学习所需的大量样本图像的技术问题。该方法包括S100：获取真实样本图像的基础数据，建立基础模型，预设基础模型生成样本图像的数量；基础模型包括柜台模型和样本对象模型；S200：通过python将样本对象模型生成的多个样本对象随机分布在柜台模型生成的柜台内部，得到待处理图像；S300：对待处理图像进行坐标相对转换处理，得到带有坐标标注的样本图像；S400：判断样本图像的数量是否达到预设值；若否，循环步骤S200~S400；若是，结束样本图像的生成。本发明专利技术用于快速获取某些行业进行深度学习所需的大量样本图像。深度学习所需的大量样本图像。深度学习所需的大量样本图像。
【技术实现步骤摘要】
一种香烟终端陈列样本图像自动生成的仿真方法与模型
[0001]本专利技术涉及深度学习
，尤其涉及一种香烟终端陈列样本图像自动生成的仿真方法与模型。
技术介绍
[0002]深度学习是学习样本数据的内在规律和表示层次，最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
[0003]在深度学习中，收集训练样本是必不可少也是最重要的一环，训练样本的好坏程度间接决定了深度学习模型的效果，由于烟草行业的特殊性，导致收集样本的过程漫长且困难，需要一种能够快速生成烟盒陈列或摆放的样本图像的方法。
[0004]在实现本专利技术过程中，专利技术人发现现有技术中至少存在如下问题：针对某些行业，现有的技术方案难以快速获取其深度学习所需的大量样本图像。
技术实现思路
[0005]本专利技术的目的在于提供一种香烟终端陈列样本图像自动生成的仿真方法与模型，以解决现有技术中存在的针对某些行业，现有的技术方案难以快速获取其深度学习所需的大量样本图像的技术问题。本专利技术提供的诸多技术方案中的优选技术方案所能产生的诸多技术效果详见下文阐述。
[0006]为实现上述目的，本专利技术提供了以下技术方案：本专利技术提供的一种香烟终端陈列样本图像自动生成的仿真方法，包括以下步骤：S100：获取真实样本图像的基础数据，建立基础模型，预设所述基础模型生成样本图像的数量；所述基础模型包括柜台模型和样本对象模型；S200：通过python将所述样本对象模型生成的多个所述样本对象随机分布在所述柜台模型生成的柜台内部，得到待处理图像；S300：对所述待处理图像进行坐标相对转换处理，得到带有坐标标注的所述样本图像；S400：判断所述样本图像的数量是否达到预设值；若否，循环步骤S200~S400；若是，结束所述样本图像的生成。
[0007]优选的，所述S300步骤中，对所述待处理图像进行坐标相对转换处理，具体包括：S310：对所述待处理图像进行渲染，设定3D相机的位置和3D仿真的原点；S320：将所述样本对象在3D空间中的3D坐标信息均通过坐标矩阵转换算法转换为2D图像的2D坐标信息；所述2D坐标信息保存为所述样本图像的所述坐标标注。。
[0008]优选的，所述S200步骤的具体流程为：
S210：所述样本对象模型、柜台模型分别生成所述样本对象、柜台；S220：所述样本对象、柜台均赋予体积碰撞属性，为所述样本对象赋予重力信息；S230：设定所述柜台的长宽高和初始3D坐标为(x，y，z)，通过python将所述样本对象随机分布在所述柜台内部，生成初始图像；S240：通过重力和时序算法获取所述样本对象的3D坐标；S250：保存所述3D坐标、初始图像，输出为所述待处理图像。
[0009]优选的，所述S310步骤中，对所述待处理图像进行渲染之前，还包括为所述3D空间增加随机光照亮度。
[0010]优选的，所述样本对象的所述3D坐标在python中均保存在(obj_x，obj_y，obj_z)列表。
[0011]优选的，所述S320步骤中，所述坐标矩阵转换算法包括平移矩阵公式和旋转矩阵公式。
[0012]优选的，所述平移矩阵的公式为：move_point=original_point
‑
[ obj_x，obj_y，obj_z]；所述旋转矩阵的公式为：r_x=[[1,0,0],[0,cos(obj_x),sin(obj_x)],[0,
‑
sin(obj_x),cos(obj_x)]]r_y=[[cos(obj_y),0,
‑
sin(obj_y)],[0,1,0],[sin(obj_y),0,cos(obj_y)]]r_z=[[cos(obj_z),sin(obj_z),0],[
‑
sin(obj_z),cos(obj_z),0],[0,0,1]]；其中，所述r_x、r_y、r_z分别为所述样本对象在3D空间中距离所述原点绕x轴、y轴、z轴的相对坐标转换向量；所述move_point为所述样本对象距离所述原点的移动距离；所述original_point为原点坐标；所述cos(obj_x)、cos(obj_y)、cos(obj_z)、sin(obj_x)、sin(obj_y)和sin(obj_z)均为所述旋转矩阵的欧拉角。
[0013]优选的，所述基础数据为所述样本对象的形状、尺寸和所述柜台的材质和尺寸；所述材质包括玻璃和木材，所述木材上分布有木纹。
[0014]优选的，所述S100步骤中，建立基础模型，具体包括：S110：分别建立所述样本对象、柜台的白盒模型；S120：根据真实样本图片获取的所述基础数据和样本对象白盒模型，通过3D仿真生成带有真实纹理的所述样本对象模型；S130：根据所述柜台的材质、尺寸和柜台白盒模型，通过3D仿真进行随机贴图生成所述柜台模型。
[0015]此外，本专利技术还提供一种香烟终端陈列样本图像自动生成的仿真模型，所述仿真模型用于实现所述仿真方法，包括：获取模块，获取真实样本图像，并提取其基本数据；样本对象生成模块，根据所述真实样本图像、基本数据进行3D仿真，生成具有真实纹理的所述样本对象；柜台生成模块，根据所述真实样本图像、基本数据进行3D仿真，随机贴图后生成所述柜台；3D空间随机分布模块，将所述样本对象随机分布在所述柜台内部，得到待处理图像；
样本生成模块，获取所述样本对象的3D坐标信息，对所述3D坐标信息进行坐标相对转换处理，得到2D坐标信息；所述2D坐标信息保存为所述样本对象的所述坐标标注，将所述坐标标注、待处理图像输出为所述样本图像。
[0016]实施本专利技术上述技术方案中的一个技术方案，具有如下优点或有益效果：本专利技术通过真实样本图像获取的基础数据建立基础模型，并将基础模型生成的多个样本对象随机分布在柜台内部，生成初始图像。然后通过python对样本对象在3D空间的坐标值进行坐标相对转换处理，最终得到带有2D坐标标注的样本图像。整个操作过程方便快捷，通过自动化操作提高了作业效率，实现了对真实场景的模拟，便于快速获取香烟在深度学习领域所需的大量样本图像。
附图说明
[0017]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，附图中：图1是本专利技术实施例一的方法流程图；图2是本专利技术实施例一的S100步骤具体流程图；图3是本专利技术实施例一的S200步骤具体流程图；图4是本专利技术实施例一的S300步骤具体流程图；图5是本专利技术实施例二的结构示意图。
具体实施本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种香烟终端陈列样本图像自动生成的仿真方法，其特征在于，包括以下步骤：S100：获取真实样本图像的基础数据，建立基础模型，预设所述基础模型生成样本图像的数量；所述基础模型包括柜台模型和样本对象模型；S200：通过python将所述样本对象模型生成的多个所述样本对象随机分布在所述柜台模型生成的柜台内部，得到待处理图像；S300：对所述待处理图像进行坐标相对转换处理，得到带有坐标标注的所述样本图像；S400：判断所述样本图像的数量是否达到预设值；若否，循环步骤S200~S400；若是，结束所述样本图像的生成。2.根据权利要求1所述的一种香烟终端陈列样本图像自动生成的仿真方法，其特征在于，所述S300步骤中，对所述待处理图像进行坐标相对转换处理，具体包括：S310：对所述待处理图像进行渲染，设定3D相机的位置和3D仿真的原点；S320：将所述样本对象在3D空间中的3D坐标信息均通过坐标矩阵转换算法转换为2D图像的2D坐标信息；所述2D坐标信息保存为所述样本图像的所述坐标标注。3.根据权利要求2所述的一种香烟终端陈列样本图像自动生成的仿真方法，其特征在于，所述S200步骤的具体流程为：S210：所述样本对象模型、柜台模型分别生成所述样本对象、柜台；S220：所述样本对象、柜台均赋予体积碰撞属性，为所述样本对象赋予重力信息；S230：设定所述柜台的长宽高和初始3D坐标为(x，y，z)，通过python将所述样本对象随机分布在所述柜台内部，生成初始图像；S240：通过重力和时序算法获取所述样本对象的3D坐标；S250：保存所述3D坐标、初始图像，输出为所述待处理图像。4.根据权利要求2所述的一种香烟终端陈列样本图像自动生成的仿真方法，其特征在于，所述S310步骤中，对所述待处理图像进行渲染之前，还包括为所述3D空间增加随机光照亮度。5.根据权利要求3所述的一种香烟终端陈列样本图像自动生成的仿真方法，其特征在于，所述样本对象的所述3D坐标在python中均保存在(obj_x，obj_y，obj_z)列表。6.根据权利要求5所述的一种香烟终端陈列样本图像自动生成的仿真方法，其特征在于，所述S320步骤中，所述坐标矩阵转换算法包括平移矩阵公式和旋转矩阵公式。7.根据权利要求6所述的一种香烟终端陈列样本图像自动生成的仿真方法，其特征在于，所述平移矩阵的公式为：move_point=original_point
‑
[obj_x，obj_y，obj_z]；所述旋转矩阵的...
【专利技术属性】
技术研发人员：龙涛，杨恒，李轩，邓靖波，
申请(专利权)人：深圳爱莫科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。