通过用神经网络处理图像数据来估计物理对象的特性制造技术

本披露涉及图像处理或计算机视觉技术

【技术实现步骤摘要】
【国外来华专利技术】通过用神经网络处理图像数据来估计物理对象的特性


[0001]本披露总体上涉及图像处理或计算机视觉技术
。
更具体地，本披露涉及一种用于确定物理对象的损害状态的计算机实施的方法和装置
、
一种用于生成可用于确定物理对象的损害状态的经训练的神经网络的计算机实施的方法和装置
、
一种用于控制生产过程的方法和系统
、
以及一种计算机程序元素
。

技术介绍

[0002]在农业
，人们一直在努力使耕作或耕作操作更加可持续
。
精准耕作或精准农业被视为实现更好可持续性和减少环境影响的方式之一
。
这依赖于对田地中植物损害的可靠局部检测
。
在生产环境中，基于图像进行的生产过程监测和
/
或控制也依赖于对缺陷的可靠检测和缺陷的精准定位
。
因此，需要可靠地识别局部缺陷
。
需要改进计算机视觉技术，使得足够准确地施用适量的化学产品
。
进一步地，还需要针对生产环境的应用来改进本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.
一种用于确定物理对象
(100)
的损害状态的计算机实施的方法
(400)
，该方法
(400)
包括以下步骤：
‑
接收
(410)
该物理对象
(100)
的表面图像
(210)
；以及
‑
提供
(420)
预训练的机器学习模型，以从所接收到的表面图中导出
(420)
特性值
(V(X
，
Y))
，其中，每个特性值指示相应位置
(X
，
Y)
处的损害指数，其中，这些特性值优选地可用于监测和
/
或控制该物理对象的生产过程
。2.
一种用于控制生产过程的方法
(700)
，该方法包括：
‑
捕获
(710)
物理产品的表面图像；
‑
提供
(720)
预训练的机器学习模型，以从所接收到的表面图中导出特性值
(V(X
，
Y))
，其中，每个特性值指示相应位置
(X
，
Y)
处的损害指数；
‑
基于所导出的特性值，识别和定位
(730)
受损位置；以及
‑
生成
(740)
控制数据，该控制数据包括用于控制处理设备对所识别的位置施用处理的指令
。3.
根据权利要求1或2所述的方法，其中，该预训练的机器学习模型已经用训练集进行了训练，该训练集包括表面图像以及在这些表面图像上显示的物理对象的注释表面特性值，其中，这些注释表面特性值包括该物理对象的成像表面区域的受损百分比
。4.
根据前述权利要求中任一项所述的方法，进一步包括：
‑
如果一个表面区域的损害指数等于或大于阈值，则确定该表面区域为受损位置
。5.
根据前述权利要求中任一项所述的方法，其中，该物理对象的该一个表面区域或多个表面区域的损害指数被提供为损害百分比，该损害百分比优选地可用于确定要施用于该一个或该多个表面区域的处理量
。6.
根据权利要求5所述的方法，进一步包括：
‑
基于该物理对象的该一个或该多个表面区域的损害指数，生成指示应在该物理对象的不同表面区域上施用的处理量的二维空间分布的施用图
。7.
根据前述权利要求中任一项所述的方法，其中，该物理对象
(100)
包括农田，并且该处理包括施用用于处理植物损害的产品；或者该物理对象
(100)
包括工业产品，并且该处理包括用于减少该一个或该多个表面区域的偏差的措施
。8.
一种用于生成可用于确定物理对象
(100)
的损害状态的经训练的神经网络的计算机实施的方法
(600)
，该方法包括：
‑
提供训练集，该训练集包括表面图像
(215)
以及在这些表面图像
(215)
上显示的物理对象
(100)
的注释表面特性值，其中，这些注释表面特性值包括指示物理对象的成像表面区域的受损百分比的损害指数；
‑
使用所提供的训练集来训练该神经网络，其中，在该训练过程中，训练表面图像
(210)
通信耦合到该神经网络的至少一个卷积层的输入，并且这些特性值
(V_train)
通信耦合到全局平均模块
(G_AVG)
，该全局平均模块在该至少一个卷积层的输出处计算特性图
(270)
的图
‑
像素的全局平均值
。
9.
根据权利要求8所述的计算机实施的方法，其中，该物理对象
(100)
包括农田，并且该损害指数指示植物...

【专利技术属性】
技术研发人员：R，
申请(专利权)人：巴斯夫欧洲公司，
类型：发明
国别省市：