System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及图像识别领域,尤其涉及一种产品智能识别方法及装置。
技术介绍
1、近年来,随着机器学习算法技术的普及,ai识别技术的需求日益多样化,对于产品种类及质量的自动识别,需要全方面全流程的技术及设备支持。传统人们对植物等产品进行分类定价时,主要依靠人的经验和书中知识来对照分辨产品的颜色、种类、质量等级,从而指导产品售出的价格,但受制于人的认知水平有限,每个人的判断标准也不统一,所以难以得到科学的指导价格。现阶段涌现出了许多产品识别的app、设备,采用特定的评价标准,使得产品的识别更加科学、省力,但想要保证产品识别的科学性,不仅需要在硬件设备上下功夫,产品识别算法的计算精度和先进程度也起着至关重要的作用。
2、产品图片分类算法一直是深度学习的热点,它不仅可以满足日常产品鉴定的需求,还可以减少专业人员识别产品的工作量。传统的产品识别主要基于颜色、形状及纹理三个特征进行识别,这种识别方法需要人工对上述特征进行分类,且准确性较低。
3、现有技术中,往往使用卷积神经网络来完成产品识别任务,但由于受到拍摄角度、产品朝向等因素的干扰,准确率较低。且现有的方法在特征提取过程中往往存在大量位置信息丢失的问题,导致对于旋转变换后的图像识别准确率下降,若通过增加神经网络的层数来提高识别的准确率,则可能产生过拟合和梯度爆炸的问题,使用随机失活函数(dropout)和批标准化(batchnormalization)解决上述问题的同时,也会导致计算量的激增,进而造成gpu内存溢出。
技术实现思路
1、针对现有技术中的问题,本申请实施例提供一种产品智能识别方法及装置,能够至少部分地解决现有技术中存在的问题。
2、第一方面,本申请提供一种产品智能识别方法,包括:
3、将产品图片分别输入浅层特征提取模型和深层特征提取模型对应得到浅层特征图像和深层特征图像;
4、将所述浅层特征图像和所述深层特征图像分别输入预先训练的通道注意力模型得到对应的加权浅层特征图像和加权深层特征图像;
5、融合所述浅层特征图像与所述加权浅层特征图像得到第一特征图像;所述浅层特征图像、加权浅层特征图像及第一特征图像具有相同的尺寸和通道数;
6、融合所述深层特征图像与所述加权深层特征图像得到第二特征图像;所述深层特征图像、加权深层特征图像及第二特征图像具有相同的尺寸和通道数;
7、融合所述第一特征图像与所述第二特征图像得到第三特征图像,根据所述第三特征图像识别所述产品图片中产品的分类。
8、其中,所述浅层特征提取模型包括顺序连接的m个浅层卷积模块,所述将产品图片分别输入浅层特征提取模型和深层特征提取模型对应得到浅层特征图像和深层特征图像,包括:将所述产品图片输入顺序连接的m个浅层卷积模块,执行拼接和分割操作,输出所述浅层特征图像;m个浅层卷积模块中,第n个浅层卷积模块的输入为第n-1个浅层卷积模块的输出,其中,n大于等于2,且小于等于m。
9、其中,所述浅层特征提取模型包括:第一浅层卷积模块、第二浅层卷积模块、第三浅层卷积模块、第四浅层卷积模块及第五浅层卷积模块;所述将产品图片分别输入浅层特征提取模型和深层特征提取模型对应得到浅层特征图像和深层特征图像,包括:
10、将所述产品图片输入所述第一浅层卷积模块,得到多张第一浅层中间图像;
11、将多张第一浅层中间图像分别输入所述第二浅层卷积模块,得到多张第二浅层中间图像;
12、将所述多张第二浅层中间图像进行拼接并输入所述第三浅层卷积模块,得到第三浅层中间图像;
13、将所述第三浅层中间图像分割得到的多个第三浅层分割图像输入所述第四浅层卷积模块,得到多个第四浅层中间图像;
14、将各第四浅层中间图像输入所述第五浅层卷积模块,得到多个第五浅层中间图像;
15、拼接各第五浅层中间图像得到所述浅层特征图像。
16、其中,所述将产品图片输入深层特征提取模型得到深层特征图像,包括:
17、将所述产品图片输入主干网络得到第一深层中间图像和第二深层中间图像;所述主干网络包括第一预设数量的第一深层卷积模块;所述第二深层中间图像由所述第一深层中间图像经过第二预设数量个第一深层卷积模块得到;
18、拼接所述第一深层中间图像和所述第二深层中间图像得到第三深层中间图像;
19、将所述第三深层中间图像输入深层特征提取模块得到所述深层特征图像。
20、其中,所述将所述第三深层中间图像依次输入深层特征提取模块得到所述深层特征图像,包括:将所述第三深层中间图像依次输入第二深层卷积模块、卷积层及最大池化层得到所述深层特征图像。
21、其中,所述将所述浅层特征图像和所述深层特征图像分别输入预先训练的通道注意力模型得到对应的加权浅层特征图像和加权深层特征图像,包括:
22、将所述浅层特征图像输入预先训练的通道注意力模型得到对应的加权浅层特征图像;
23、将所述深层特征图像输入预先训练的通道注意力模型得到对应的加权深层特征图像。
24、其中,所述通道注意力模型包括:第一权重特征获取模块及第二权重特征获取模块;所述将所述浅层特征图像输入预先训练的通道注意力模型得到对应的加权浅层特征图像,包括:
25、将所述浅层特征图像输入所述第一权重特征获取模块,得到第一浅层权重特征;
26、将所述浅层特征图像输入所述第二权重特征获取模块,得到第二浅层权重特征;
27、对融合所述第一浅层权重特征和所述第二浅层权重特征得到的第三浅层权重特征进行激活,得到第三浅层权重;所述第三浅层权重的维度等于所述浅层特征图像的通道数;
28、将所述第三浅层权重与所述浅层特征图像的各通道相乘得到所述加权浅层特征图像。
29、其中,所述通道注意力模型包括:第一权重特征获取模块及第二权重特征获取模块;所述将所述深层特征图像输入预先训练的通道注意力模型得到对应的加权深层特征图像,包括:
30、将所述深层特征图像输入所述第一权重特征获取模块,得到第一深层权重特征;
31、将所述深层特征图像输入所述第二权重特征获取模块,得到第二深层权重特征;
32、对融合所述第一深层权重特征和所述第二深层权重特征得到的第三深层权重特征进行激活,得到第三深层权重;所述第三深层权重的维度等于所述深层特征图像的通道数;
33、将所述第三深层权重与所述深层特征图像的各通道相乘得到所述加权深层特征图像。
34、第二方面,本申请提供一种产品智能识别装置,包括:
35、浅层及深层特征图像提取单元,用于将产品图片分别输入浅层特征提取模型和深层特征提取模型对应得到浅层特征图像和深层特征图像;
36、浅层及深层加权图像获取单元,用于将所述浅层特征图像和所述深层特征图像分别输入预先训练的通道注意力模型得到对应的加权本文档来自技高网...
【技术保护点】
1.一种产品智能识别方法,其特征在于,包括:
2.根据权利要求1所述的产品智能识别方法,其特征在于,所述浅层特征提取模型包括顺序连接的m个浅层卷积模块,所述将产品图片分别输入浅层特征提取模型和深层特征提取模型对应得到浅层特征图像和深层特征图像,包括:将所述产品图片输入顺序连接的m个浅层卷积模块,执行拼接和分割操作,输出所述浅层特征图像;m个浅层卷积模块中,第n个浅层卷积模块的输入为第n-1个浅层卷积模块的输出,其中,n大于等于2,且小于等于m。
3.根据权利要求2所述的产品智能识别方法,其特征在于,所述浅层特征提取模型包括:第一浅层卷积模块、第二浅层卷积模块、第三浅层卷积模块、第四浅层卷积模块及第五浅层卷积模块;所述将产品图片分别输入浅层特征提取模型和深层特征提取模型对应得到浅层特征图像和深层特征图像,包括:
4.根据权利要求1所述的产品智能识别方法,其特征在于,所述将产品图片分别输入浅层特征提取模型和深层特征提取模型对应得到浅层特征图像和深层特征图像,包括:
5.根据权利要求4所述的产品智能识别方法,其特征在于,所述将所述第三深层
6.根据权利要求1所述的产品智能识别方法,其特征在于,所述将所述浅层特征图像和所述深层特征图像分别输入预先训练的通道注意力模型得到对应的加权浅层特征图像和加权深层特征图像,包括:
7.根据权利要求6所述的产品智能识别方法,其特征在于,所述通道注意力模型包括:第一权重特征获取模块及第二权重特征获取模块;所述将所述浅层特征图像输入预先训练的通道注意力模型得到对应的加权浅层特征图像,包括:
8.根据权利要求6所述的产品智能识别方法,其特征在于,所述通道注意力模型包括:第一权重特征获取模块及第二权重特征获取模块;所述将所述深层特征图像输入预先训练的通道注意力模型得到对应的加权深层特征图像,包括:
9.一种产品智能识别装置,其特征在于,包括:
10.根据权利要求9所述的产品智能识别装置,其特征在于,所述浅层特征提取模型包括顺序连接的m个浅层卷积模块,所述浅层及深层特征图像提取单元具体用于:将所述产品图片输入顺序连接的m个浅层卷积模块,执行拼接和分割操作,输出所述浅层特征图像;m个浅层卷积模块中,第n个浅层卷积模块的输入为第n-1个浅层卷积模块的输出,其中,n大于等于2,且小于等于m。
11.根据权利要求10所述的产品智能识别装置,其特征在于,所述浅层特征提取模型包括:第一浅层卷积模块、第二浅层卷积模块、第三浅层卷积模块、第四浅层卷积模块及第五浅层卷积模块;所述浅层及深层特征图像提取单元包括:
12.根据权利要求9所述的产品智能识别装置,其特征在于,所述浅层及深层特征图像提取单元包括:
13.根据权利要求12所述的产品智能识别装置,其特征在于,所述深层特征图像获取模块具体用于:将所述第三深层中间图像依次输入第二深层卷积模块、卷积层及最大池化层得到所述深层特征图像。
14.根据权利要求9所述的产品智能识别装置,其特征在于,所述浅层及深层加权图像获取单元包括:
15.根据权利要求14所述的产品智能识别装置,其特征在于,所述通道注意力模型包括:第一权重特征获取模块及第二权重特征获取模块;所述加权浅层特征图像获取模块包括:
16.根据权利要求14所述的产品智能识别装置,其特征在于,所述通道注意力模型包括:第一权重特征获取模块及第二权重特征获取模块;所述加权深层特征图像获取模块包括:
17.一种计算机设备,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,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8任一项所述的方法。
18.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至8任一项所述的方法。
19.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现权利要求1至8任一项所述的方法。
...【技术特征摘要】
1.一种产品智能识别方法,其特征在于,包括:
2.根据权利要求1所述的产品智能识别方法,其特征在于,所述浅层特征提取模型包括顺序连接的m个浅层卷积模块,所述将产品图片分别输入浅层特征提取模型和深层特征提取模型对应得到浅层特征图像和深层特征图像,包括:将所述产品图片输入顺序连接的m个浅层卷积模块,执行拼接和分割操作,输出所述浅层特征图像;m个浅层卷积模块中,第n个浅层卷积模块的输入为第n-1个浅层卷积模块的输出,其中,n大于等于2,且小于等于m。
3.根据权利要求2所述的产品智能识别方法,其特征在于,所述浅层特征提取模型包括:第一浅层卷积模块、第二浅层卷积模块、第三浅层卷积模块、第四浅层卷积模块及第五浅层卷积模块;所述将产品图片分别输入浅层特征提取模型和深层特征提取模型对应得到浅层特征图像和深层特征图像,包括:
4.根据权利要求1所述的产品智能识别方法,其特征在于,所述将产品图片分别输入浅层特征提取模型和深层特征提取模型对应得到浅层特征图像和深层特征图像,包括:
5.根据权利要求4所述的产品智能识别方法,其特征在于,所述将所述第三深层中间图像依次输入深层特征提取模块得到所述深层特征图像,包括:将所述第三深层中间图像依次输入第二深层卷积模块、卷积层及最大池化层得到所述深层特征图像。
6.根据权利要求1所述的产品智能识别方法,其特征在于,所述将所述浅层特征图像和所述深层特征图像分别输入预先训练的通道注意力模型得到对应的加权浅层特征图像和加权深层特征图像,包括:
7.根据权利要求6所述的产品智能识别方法,其特征在于,所述通道注意力模型包括:第一权重特征获取模块及第二权重特征获取模块;所述将所述浅层特征图像输入预先训练的通道注意力模型得到对应的加权浅层特征图像,包括:
8.根据权利要求6所述的产品智能识别方法,其特征在于,所述通道注意力模型包括:第一权重特征获取模块及第二权重特征获取模块;所述将所述深层特征图像输入预先训练的通道注意力模型得到对应的加权深层特征图像,包括:
9.一种产品智能识别装置,其特征在于,包括...
【专利技术属性】
技术研发人员:王乐慈,王思锴,于淼,荆虹波,李禄维,李珂,张星野,王世杰,崔志远,杨宏超,
申请(专利权)人:北京城建勘测设计研究院有限责任公司,
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。