CN110222689A - 一种基于深度学习的西洋银器戳记识别方法 - Google Patents
一种基于深度学习的西洋银器戳记识别方法 Download PDFInfo
- Publication number
- CN110222689A CN110222689A CN201910530724.XA CN201910530724A CN110222689A CN 110222689 A CN110222689 A CN 110222689A CN 201910530724 A CN201910530724 A CN 201910530724A CN 110222689 A CN110222689 A CN 110222689A
- Authority
- CN
- China
- Prior art keywords
- silverware
- stamp
- western
- image
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习的西洋银器戳记识别方法,属于图像识别技术领域,本发明通过对人工标注的样本来训练一个深度神经网络,该神经网络通过学习戳记特征,得到对产地、年份信息的判断,直接对银器本身的风格、品相得到更全面的认识与判断。
Description
技术领域
本发明涉及图像识别技术,尤其涉及一种基于深度学习的西洋银器戳记识别方法。
背景技术
欧洲银器历史古老,早期的银器多用于祭祀活动以及上流阶层专用。随着文艺复兴时期艺术形式的革新与维多利亚时期工艺应用与艺术品鉴的全面提升,大批构思巧妙、工艺繁复,应用锤揲、刻花、浮雕、镂空、镶嵌等多种工艺的银器存世。西洋老银器因为独特的历史价值和投资价值而吸引了大批收藏者,每年苏富比和佳士得拍卖公司都会举办古董银器专场。
国内自古以来的手工银器大部分不刻名号,仅有“足银”、“纹银”等成分打标。而欧洲等国家银器大多有产出者的徽标、生产年份、器物名称、制器原因等戳记(也可称为印记、打标等)。
银器戳记因为其微小精致难以伪造的特质,成为鉴定银器的重要标志之一。12-14世纪时期,欧洲各地纷纷成立金银匠行业协会以及制定标识标准,纯度通过政府检验的贵金属才可以被允许打上Sterling、800、狮标等纯度银标。为了标明负责人以及作为纪念,通常以人或公司名字缩写或图案作为制作者、经销商的标志;自1478年,以英国为首的西方国家使用循环的不同字体的字母作为年份标识;用于标明产地的国家、城市象征图形和国王头像税印也是重要的鉴别戳记。
西洋银器大多有产出者的徽标、生产年份、器物名称、制器原因等戳记,这些戳记往往微小到肉眼难以辨认,且不同标识极难辨认,需要借助放大镜和戳记图鉴慢慢查找鉴别。依靠纯人工识别,有效率低、正确率低、耗时长等弊端。
相机的微距模式光圈值比较小,这样会让被拍摄物品背景虚化,以保证主题更加醒目,适于拍摄各种微小物体,是一种能够广泛应用且方便的拍摄模式。
图像识别技术是人工智能的一个重要领域,是指对图像进行对象识别,以获得各种不同模式的目标和对象的技术。
发明内容
基于以上技术问题,本发明提出了一种基于深度学习的西洋银器戳记识别方法,使用图像识别技术,帮助收藏家和鉴定家识别极其微小的银器戳记,对银器进行鉴定和评估。
本发明的技术方案是:
一种基于深度学习的西洋银器戳记识别方法,通过对大量人工标注的样本来训练一个深度神经网络,该神经网络通过学习戳记特征,得到对产地、年份等信息的判断,从而使用者无需耗费大量精力辨认微小的戳记,可以直接对银器本身的风格、品相得到更全面的认识与判断。
通过对大量人工标注银器戳记图像数据集来构建一个进行识别和分类的深度学习模型,利用人工智能技术对输入的微距拍摄戳记图像进行类别与种类的识别。
SSD目标检测算法在准确度和速度上都存在优势,算法核心是在特征图上采用卷积核来预测一系列default bounding boxes的类别分数、偏移量。
提取不同尺度的特征图做检测和采用不同尺度和长宽比的先验框的这两个特点使得SSD算法适于检测小目标且定位准确。
进一步的,具体步骤如下:
S1.将西洋银器戳记图鉴影像和其他可获得的戳记影像作为原始数据集,进行分组,按照地点、年份、制作人分为三大类,使用one-hot encoding,将候选样本进行类别分组;
S2.以及请鉴定师对所有影像的不同含义方面进行人工标注;标注完成后,将数据进行划分。其中大约60%的图像作为训练集使用,余下部分一半作为验证集,一半作为测试集;
S3.训练形成深度卷积神经网络,以VGG16深度卷积网络为特征提取模块对进行图像特征提取;采用数据扩增提升SSD的性能,主要使用获取小目标训练样本、随机采集块域技术。;
S4.对于每个预测框,根据类别置信度确定类别,过滤掉阈值低的预测框,对于留下的预测框解码,根据置信度降序排列得到top-50个预测框;
S5.使用NMS算法过滤掉重叠度较大的预测框,得到检测结果。
附图说明
图1是本发明的工作流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
欧洲产出的银器数目庞大,广泛流传于世间,因其做工精美、价格亲民而受到很多人的喜爱。很多收藏者拥有上千件银器。银器戳记包含生产年份、生产者、所在城市/国家等信息,是鉴别银器的重要依据。然而银器戳记往往微小到肉眼难辨,即使借助放大镜,戳记的多种图案、字母种类也需要鉴定者花大量时间查阅图鉴。
本发明的一种基于深度学习的西洋银器戳记识别方法,通过对大量人工标注的样本来训练一个深度神经网络,该神经网络通过学习戳记特征,得到对产地、年份等信息的判断,从而使用者无需耗费大量精力辨认微小的戳记,可以直接对银器本身的风格、品相得到更全面的认识与判断。
通过对大量人工标注银器戳记图像数据集来构建一个进行识别和分类的深度学习模型,利用人工智能技术对输入的微距拍摄戳记图像进行类别与种类的识别。
SSD目标检测算法在准确度和速度上都存在优势,算法核心是在特征图上采用卷积核来预测一系列default bounding boxes的类别分数、偏移量。
提取不同尺度的特征图做检测和采用不同尺度和长宽比的先验框的这两个特点使得SSD算法适于检测小目标且定位准确。
如图所示,对西洋银器戳记识别过程如下:
S1.拍摄西洋银器戳记图鉴中各种图样和字母,以及使用开启微距模式的相机拍摄银器的打标部位。
S2.对图像进行标注:使用labelImg工具标注戳记类型。
S3.把整个数据集的60%,20%,20%划分为训练集,验证集与测试集,编写用于数据增广的脚本,将数据集扩展到10万张图像左右;对标注文件也要做对应的增广。
S4.使用ssd神经网络进行分类训练,依照CNN框架搭建神经网络模型,卷积层采用预训练的VGG16的卷积层,训练模型检测图像中戳记类型;
S5.将数据集输送到网络中进行多次训练,取其中准确率最高的网络作为最优模型。
S6.将最优模型用于戳记图像的检测。
本发明可用于戳记信息的快速检阅,也可用于其他微小图样鉴。
以上所述仅为本发明的较佳实施例,仅用于说明本发明的技术方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (8)
1.一种基于深度学习的西洋银器戳记识别方法,其特征在于,
通过对人工标注的样本来训练一个深度神经网络,该神经网络通过学习戳记特征,得到对产地、年份信息的判断,直接对银器本身的风格、品相得到更全面的认识与判断。
2.根据权利要求1所述的方法,其特征在于,
通过对人工标注银器戳记图像数据集来构建一个进行识别和分类的深度学习模型,利用人工智能技术对输入的微距拍摄戳记图像进行类别与种类的识别。
3.根据权利要求1或2所述的方法,其特征在于,
SSD目标检测算法的核心是在特征图上采用卷积核来预测一系列default boundingboxes的类别分数、偏移量;提取不同尺度的特征图做检测和采用不同尺度和长宽比的先验框的这两个特点使得SSD算法适于检测小目标且定位准确。
4.根据权利要求1所述的方法,其特征在于,
具体步骤如下:
S1、将西洋银器戳记图鉴影像和其他可获得的戳记影像作为原始数据集,进行分组,按照地点、年份、制作人分为三大类,使用one-hot encoding,将候选样本进行类别分组;
S2、对所有影像的不同含义方面进行人工标注;标注完成后,将数据进行划分;
S3、训练形成深度卷积神经网络,以VGG16深度卷积网络为特征提取模块对进行图像特征提取;
S4、对于每个预测框,根据类别置信度确定类别,过滤掉阈值大小靠后的预测框,对于留下的预测框解码,根据置信度降序排列得到top-50个预测框;
S5、使用NMS算法过滤掉交叉重复的预测框,得到检测结果。
5.根据权利要求1所述的方法,其特征在于,
在步骤S1中,原始数据集包括拍摄西洋银器戳记图鉴中各种图样和字母,以及使用开启微距模式的相机拍摄银器的打标部位。
6.根据权利要求1所述的方法,其特征在于,
在步骤S2中,使用labelImg工具标注戳记类型。
7.根据权利要求6所述的方法,其特征在于,
数据的60%的图像作为训练集使用,余下部分的一半作为验证集,另一半作为测试集,编写用于数据增广的脚本。
8.根据权利要求5所述的方法,其特征在于,
在步骤S3中,采用数据扩增提升SSD的性能,用于获取小目标训练样本、随机采集块域技术。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910530724.XA CN110222689A (zh) | 2019-06-19 | 2019-06-19 | 一种基于深度学习的西洋银器戳记识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910530724.XA CN110222689A (zh) | 2019-06-19 | 2019-06-19 | 一种基于深度学习的西洋银器戳记识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110222689A true CN110222689A (zh) | 2019-09-10 |
Family
ID=67817813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910530724.XA Pending CN110222689A (zh) | 2019-06-19 | 2019-06-19 | 一种基于深度学习的西洋银器戳记识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222689A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967495A (zh) * | 2017-12-21 | 2018-04-27 | 中科智文(北京)科技有限公司 | 一种铜镜文物识别***和方法 |
US20180189604A1 (en) * | 2016-12-30 | 2018-07-05 | Baidu Online Network Technology (Beijing) Co., Ltd | Character detection method and apparatus |
CN108647682A (zh) * | 2018-05-17 | 2018-10-12 | 电子科技大学 | 一种基于区域卷积神经网络模型的品牌Logo检测与识别方法 |
CN108664996A (zh) * | 2018-04-19 | 2018-10-16 | 厦门大学 | 一种基于深度学习的古文字识别方法及*** |
CN108681738A (zh) * | 2018-03-21 | 2018-10-19 | 江苏善壶网络科技有限公司 | 一种***识别方法及*** |
CN109858547A (zh) * | 2019-01-29 | 2019-06-07 | 东南大学 | 一种基于bssd的目标检测方法与装置 |
CN109886359A (zh) * | 2019-03-25 | 2019-06-14 | 西安电子科技大学 | 基于卷积神经网络的小目标检测方法及检测模型 |
-
2019
- 2019-06-19 CN CN201910530724.XA patent/CN110222689A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180189604A1 (en) * | 2016-12-30 | 2018-07-05 | Baidu Online Network Technology (Beijing) Co., Ltd | Character detection method and apparatus |
CN107967495A (zh) * | 2017-12-21 | 2018-04-27 | 中科智文(北京)科技有限公司 | 一种铜镜文物识别***和方法 |
CN108681738A (zh) * | 2018-03-21 | 2018-10-19 | 江苏善壶网络科技有限公司 | 一种***识别方法及*** |
CN108664996A (zh) * | 2018-04-19 | 2018-10-16 | 厦门大学 | 一种基于深度学习的古文字识别方法及*** |
CN108647682A (zh) * | 2018-05-17 | 2018-10-12 | 电子科技大学 | 一种基于区域卷积神经网络模型的品牌Logo检测与识别方法 |
CN109858547A (zh) * | 2019-01-29 | 2019-06-07 | 东南大学 | 一种基于bssd的目标检测方法与装置 |
CN109886359A (zh) * | 2019-03-25 | 2019-06-14 | 西安电子科技大学 | 基于卷积神经网络的小目标检测方法及检测模型 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898137B (zh) | 一种基于深度神经网络的自然图像字符识别方法及*** | |
CN109948425B (zh) | 一种结构感知自注意和在线实例聚合匹配的行人搜索方法及装置 | |
CN108074231B (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
CN108090429B (zh) | 一种分级前脸卡口车型识别方法 | |
CN110175613A (zh) | 基于多尺度特征和编解码器模型的街景图像语义分割方法 | |
CN106548169B (zh) | 基于深度神经网络的模糊文字增强方法及装置 | |
CN108918527A (zh) | 一种基于深度学习的印刷品缺陷检测方法 | |
CN108647595B (zh) | 基于多属性深度特征的车辆重识别方法 | |
CN111291675B (zh) | 一种基于深度学习的高光谱古绘画检测识别方法 | |
CN113344857A (zh) | 缺陷检测网络的训练方法、缺陷检测方法和存储介质 | |
CN109919060A (zh) | 一种基于特征匹配的身份证内容识别***及方法 | |
CN111652273B (zh) | 一种基于深度学习的rgb-d图像分类方法 | |
CN110532855A (zh) | 基于深度学习的自然场景证件图像文字识别方法 | |
CN107818321A (zh) | 一种用于车辆年检的水印日期识别方法 | |
CN108932712A (zh) | 一种转子绕组质量检测***及方法 | |
CN114170411A (zh) | 一种融合多尺度信息的图片情感识别方法 | |
CN103886332A (zh) | 一种检测与识别金属网栅缺陷的方法 | |
CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
CN110443174A (zh) | 一种基于解耦自适应判别性特征学习的行人重识别方法 | |
CN113673618A (zh) | 一种融合注意力模型的烟虫目标检测方法 | |
CN108154199B (zh) | 一种基于深度学习的高精度快速单类目标检测方法 | |
CN116704526B (zh) | 工尺谱扫描机器人及其方法 | |
CN109815957A (zh) | 一种基于彩色图像在复杂背景下的文字识别方法 | |
CN110222689A (zh) | 一种基于深度学习的西洋银器戳记识别方法 | |
CN117217807A (zh) | 一种基于多模态高维特征的不良资产估值算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190910 |
|
RJ01 | Rejection of invention patent application after publication |