CN111582359A - 一种图像识别方法、装置、电子设备及介质 - Google Patents
一种图像识别方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN111582359A CN111582359A CN202010368651.1A CN202010368651A CN111582359A CN 111582359 A CN111582359 A CN 111582359A CN 202010368651 A CN202010368651 A CN 202010368651A CN 111582359 A CN111582359 A CN 111582359A
- Authority
- CN
- China
- Prior art keywords
- image
- identified
- product
- image block
- classification model
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种图像识别方法、装置、电子设备及介质,涉及计算机视觉技术领域,可以提高识别产品真伪的准确度。本发明实施例的技术方案包括:获取待识别图像,其中,待识别图像为待识别产品的图像。然后提取待识别图像的特征向量,再将特征向量输入分类模型,获取分类模型输出的待识别产品的真伪。其中,分类模型为基于样本图像集对神经网络模型进行训练得到的模型,样本图像集包括正样本图像和负样本图像,正样本图像为待识别产品的真品图像,负样本图像为待识别产品的伪品图像。
Description
技术领域
本发明涉及计算机视觉技术领域,特别是涉及一种图像识别方法、装置、电子设备及介质。
背景技术
目前,市场上对于真品的仿制品众多,仿制品未经过正规的产品安全检测,产品质量难以得到保证。尤其是对于食品、药品、化妆品等的仿制品,不但造成消费者的财产损失,还危害了消费者的身体健康。因此对于产品真伪的识别尤为重要。
现有技术对于辨别产品真伪的方式主要是通过人工对比检验样品与真品的加工工艺和印刷工艺等,以判定检验样品的真伪,然而这种方法主要依赖于检验人员的经验,不同检验人员对于产品的颜色、尺寸等敏感度存在差异,使得判定结果主观性较强。因此,利用人工判定产品真伪的方式,判定的准确度较低。
发明内容
本发明实施例的目的在于提供一种图像识别方法、装置、电子设备及介质,以实现提高识别产品真伪的准确度。具体技术方案如下:
第一方面,本发明实施例提供了一种图像识别方法,所述方法包括:
获取待识别图像,所述待识别图像为待识别产品的图像;
提取所述待识别图像的特征向量;
将所述特征向量输入分类模型,获取所述分类模型输出的所述待识别产品的真伪,所述分类模型为基于样本图像集对神经网络模型进行训练得到的模型,所述样本图像集包括正样本图像和负样本图像,所述正样本图像为所述待识别产品的真品图像,所述负样本图像为所述待识别产品的伪品图像。
可选的,所述分类模型通过如下步骤训练得到:
步骤一、获取所述样本图像集,所述样本图像集包括的各样本图像的尺寸相同,且所述待识别产品在各样本图像中的位置相同;
步骤二、获取多个图像块训练集,每个图像块训练集包括各样本图像中同一区域的图像块,以及每个图像块对应的产品真伪;
步骤三、针对每个图像块训练集,通过所述图像块训练集对初始分类器进行训练,得到所述图像块训练集对应的分类器;
步骤四、针对每个图像块训练集,将所述图像块训练集包括的图像块的特征向量输入所述图像块训练集对应的分类器,基于该分类器输出的各图像块的分类结果,确定该分类器的精确度分数,所述分类结果用于表示图像块中的待识别产品的真伪;
步骤五、针对每个图像块训练集,若所述图像块训练集对应的分类器的精确度分数大于预设分数阈值,则确定所述图像块训练集对应的分类器为合格分类器;
步骤六、若合格分类器的数量达到预设数量,则将所述预设数量的合格分类器作为所述分类模型的分类器;若所述合格分类器的数量未达到所述预设数量,则返回步骤二。
可选的,所述待识别图像的尺寸与所述样本图像集中的样本图像的尺寸相同,且所述待识别产品在所述待识别图像中的位置与在样本图像中的位置相同;所述提取所述待识别图像的特征向量,包括:
提取所述待识别图像中各待识别区域的图像块的特征向量,所述待识别区域的坐标为:用于训练所述分类模型包括的分类器的图像块,在样本图像中的区域的坐标。
可选的,所述将所述特征向量输入分类模型,获取所述分类模型输出的所述待识别产品的真伪,包括:
将所述待识别图像中各待识别区域的图像块的特征向量输入所述分类模型,以使得所述分类模型包括的各分类器,识别对应的待识别区域的图像块的特征向量,得到各待识别区域的图像块的分类结果,所述分类模型基于各待识别区域的图像块的分类结果输出所述待识别产品的真伪;
获取所述分类模型输出的所述待识别产品的真伪。
可选的,所述提取所述待识别图像中各待识别区域的图像块的特征向量,包括:
针对所述待识别图像中的每个待识别区域,获得所述待识别区域的图像块经过图像灰度转换后得到的灰度图;
根据所述灰度图,提取所述图像块的特征向量,所述特征向量包括多个元素,每个元素对应一个指定亮度,每个元素为所述灰度图中,该元素对应的指定亮度的像素点的数量。
第二方面,本发明实施例提供了一种图像识别装置,所述装置包括:
获取模块,用于获取待识别图像,所述待识别图像为待识别产品的图像;
提取模块,用于提取所述获取模块获取的所述待识别图像的特征向量;
分类模块,用于将所述提取模块提取的所述特征向量输入分类模型,获取所述分类模型输出的所述待识别产品的真伪,所述分类模型为基于样本图像集对神经网络模型进行训练得到的模型,所述样本图像集包括正样本图像和负样本图像,所述正样本图像为所述待识别产品的真品图像,所述负样本图像为所述待识别产品的伪品图像。
可选的,所述装置还包括训练模块,所述训练模块用于执行:
步骤一、获取所述样本图像集,所述样本图像集包括的各样本图像的尺寸相同,且所述待识别产品在各样本图像中的位置相同;
步骤二、获取多个图像块训练集,每个图像块训练集包括各样本图像中同一区域的图像块,以及每个图像块对应的产品真伪;
步骤三、针对每个图像块训练集,通过所述图像块训练集对初始分类器进行训练,得到所述图像块训练集对应的分类器;
步骤四、针对每个图像块训练集,将所述图像块训练集包括的图像块的特征向量输入所述图像块训练集对应的分类器,基于该分类器输出的各图像块的分类结果,确定该分类器的精确度分数,所述分类结果用于表示图像块中的待识别产品的真伪;
步骤五、针对每个图像块训练集,若所述图像块训练集对应的分类器的精确度分数大于预设分数阈值,则确定所述图像块训练集对应的分类器为合格分类器;
步骤六、若合格分类器的数量达到预设数量,则将所述预设数量的合格分类器作为所述分类模型的分类器;若所述合格分类器的数量未达到所述预设数量,则返回步骤二。
可选的,所述待识别图像的尺寸与所述样本图像集中的样本图像的尺寸相同,且所述待识别产品在所述待识别图像中的位置与在样本图像中的位置相同;所述提取模块,具体用于:
提取所述待识别图像中各待识别区域的图像块的特征向量,所述待识别区域的坐标为:用于训练所述分类模型包括的分类器的图像块,在样本图像中的区域的坐标。
可选的,所述分类模块,具体用于:
将所述待识别图像中各待识别区域的图像块的特征向量输入所述分类模型,以使得所述分类模型包括的各分类器,识别对应的待识别区域的图像块的特征向量,得到各待识别区域的图像块的分类结果,所述分类模型基于各待识别区域的图像块的分类结果输出所述待识别产品的真伪;
获取所述分类模型输出的所述待识别产品的真伪。
可选的,所述提取模块,具体用于:
针对所述待识别图像中的每个待识别区域,获得所述待识别区域的图像块经过图像灰度转换后得到的灰度图;
根据所述灰度图,提取所述图像块的特征向量,所述特征向量包括多个元素,每个元素对应一个指定亮度,每个元素为所述灰度图中,该元素对应的指定亮度的像素点的数量。
第三方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一图像识别方法的步骤。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一确定图像识别方法的步骤。
第五方面,本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一图像识别方法。
本发明实施例的技术方案至少可以带来以下有益效果:由于本发明能够依据待识别产品的图像,利用分类模型识别待识别产品的真伪。因此与人工识别产品真伪的方式相比,本发明实施例能够自动识别待识别产品的真伪,不依赖人工的主观判断,提高了识别产品真伪的准确度。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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。
图1为本发明实施例提供的一种图像识别方法流程图;
图2为本发明实施例提供的一种确定分类模型的方法流程图;
图3a为本发明实施例提供的一种样本图像的示例性示意图;
图3b为本发明实施例提供的另一种样本图像的示例性示意图;
图3c为本发明实施例提供的另一种样本图像的示例性示意图;
图4为本发明实施例提供的一种确定待识别产品的真伪的方法流程图;
图5为本发明实施例提供的一种图像识别装置的结构示意图;
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
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,所描述的实施例仅仅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。
为了提高识别产品真伪的准确度,本发明实施例提供了一种图像识别方法,该方法可以应用于电子设备,其中,电子设备可以是手机、计算机、平板电脑等具备图像处理功能的设备。参见图1,该方法包括如下步骤。
步骤101,获取待识别图像。其中,待识别图像为待识别产品的图像。
步骤102,提取待识别图像的特征向量。
步骤103,将特征向量输入分类模型,获取分类模型输出的待识别产品的真伪。
其中,分类模型为基于样本图像集对神经网络模型进行训练得到的模型,样本图像集包括正样本图像和负样本图像,正样本图像为待识别产品的真品图像,负样本图像为待识别产品的伪品图像。
本发明实施例的技术方案至少可以带来以下有益效果:由于本发明能够依据待识别产品的图像,利用分类模型识别待识别产品的真伪。因此与人工识别产品真伪的方式相比,本发明实施例能够自动识别待识别产品的真伪,不依赖人工的主观判断,提高了识别产品真伪的准确度。
可选的,本发明实施例获取的待识别图像可以为待识别产品的扫描图像,也可以是待识别产品的拍摄图像,本发明实施例对于待识别图像的采集方式不作具体限定。
示例性的,待识别产品可以是卷烟、白酒或者化妆品等。以待识别产品为卷烟为例,待识别图像可以是卷烟包装展开后的扫描图像。
在一种实施方式中,在步骤102提取待识别图像的特征向量之前,还可以对待识别图像进行图像预处理,再提取经过图像预处理后的待识别图像的特征向量。
在本发明实施例中,样本图像也可以经过图像预处理后提取特征向量,经过图像预处理后的待识别图像的尺寸与预处理后的样本图像的尺寸相同,且待识别产品在预处理后的待识别图像中的位置与在预处理后的样本图像中的位置相同。
其中,图像预处理过程包括的处理步骤可以根据实际需要确定。例如:可以对待识别图像按照顺序执行图像轮廓近似、图像透视变化以及目标区域获取的步骤,得到经过图像预处理后的待识别图像。
可以理解的,产品的图像可以包括前景区域和背景区域,前景区域对应产品,背景区域为空白区域。图像轮廓近似为从图像中获得前景区域的轮廓,图像透视变化为基于图像轮廓近似获取的前景区域的轮廓,从图像中获取前景区域,并调整获取到的前景区域的旋转角度及大小,目标区域获取为从前景区域中截取目标区域,使得经过图像预处理后的各图像的旋转角度和大小相同,且包括的区域为目标区域。其中,目标区域可以是图像中指定的区域。例如目标区域可以是商标区域。
进一步的,在对图像进行图像轮廓近似之前,还可以对待识别图像执行图像增强、图像滤波、图像二值化中的任意一种或多种处理步骤。
本发明实施例的技术方案还可以带来以下有益效果:本发明实施例可以对待识别图像进行图像预处理,减少图像的旋转角度、大小等干扰因素,对于分类模型识别准确度的影响,提高了确定产品真伪的准确度。
在本发明的一个实施例中,为了实现图1所示的方法流程,需确定分类模型,其中,分类模型包括多个分类器。参见图2,训练分类模型的方法包括以下步骤。
步骤201、获取样本图像集。
其中,样本图像集包括的各样本图像的尺寸相同,且待识别产品在各样本图像中的位置相同。
在本发明实施例中,可以对样本图像进行预处理,使得预处理后的各样本图像尺寸相同,且待识别产品在各样本图像中的位置相同。对样本图像的预处理方法与对待识别图像的预处理方法相同,可以参考上述对待识别图像的预处理过程,在此不再赘述。
可以理解的,样本图像在预处理之前包括前景区域和背景区域,前景区域对应待识别产品,背景区域为空白区域。预处理后的样本图像可以仅包括前景区域,或者预处理后的图像可以包括前景区域中的目标区域。
步骤202、获取多个图像块训练集,每个图像块训练集包括各样本图像中同一区域的图像块。
在本发明实施例中,样本图像中包括一个待识别产品的图像,样本图像的图像块为待识别产品的部分图像。
例如,样本图像集包括8张样本图像,每个样本图像被划分为4个区域,图3a示出了一个样本图像包括的4个区域,这8张样本图像都按照图3a所示的方式划分区域。每个图像块训练集包括这8张样本图像中同一区域的图像块。如图像块训练集1包括区域A的8张图像块,图像块训练集2包括区域B的8张图像块。
一种实施方式中,可以确定多个坐标点,然后针对每个坐标点,获取各样本图像中以该坐标点为中心,指定形状及大小的区域的图像块,再将获取的图像块组成一个图像块训练集。得到多个图像块训练集。
其中,指定形状可以是矩形、圆形、多边形等,本发明实施例对此不作具体限定。
例如,如图3b所示,预设的坐标点为a、b、c、d、e、f,图3b中的每个虚线框表示以一个预设的坐标点为中心,大小为M×M的矩形图像块。
在本发明实施例中,多个坐标点可以为随机生成的坐标点,或者预先设置的坐标点,或者包括随机生成的坐标点以及预先设置的坐标点。
可以理解的,由于加工工艺的影响,产品包装上不同的区域的印刷或造型等加工步骤的难度不同,例如商标的加工难度较大,伪品包装上的商标与真品包装上的商标区别较大,可以设置商标中心点为一个预先设置的坐标点,以该坐标点为中心的图像块为包括上述商标区域的图像。
另外,由于人工对于颜色、大小等外观的区分程度有限,因此有些对于区分产品真伪贡献较大的区域,是人工无法确定的。因此,可以随机生成坐标点,从而通过分类器探索以该坐标点为中心的区域对于区分产品真伪的贡献程度。
可选的,还可以将各样本图像包括的图像块划分为图像训练集和图像测试集,其中,这两个集合之间没有交集。利用图像训练集训练获得分类模型,利用图像测试集测试分类模型的识别准确度。
步骤203、针对每个图像块训练集,通过该图像块训练集对初始分类器进行训练,得到该图像块训练集对应的分类器。
一种实施方式中,针对每个图像块训练集,可以将该图像块训练集包括的图像块的特征向量输入初始分类器,得到初始分类器输出的各图像块的分类结果。再利用初始分类器输出的各图像块的分类结果,与各图像块所属的样本图像包括的待识别产品的真伪,计算损失函数。基于损失函数判断初始分类器是否收敛,当初始分类器未收敛时,调整初始分类器的模型参数并进行下一次训练。当初始分类器收敛时,得到该图像块训练集对应的分类器。
可选的,本发明实施例中的分类器可以是朴素贝叶斯模型(Naive Bayes model)、决策树(Decision Tree)模型、随机森林(Random forest)或者逻辑回归(logisticregressive)模型等,本发明实施例对分类器的形式不作具体限定。
步骤204、针对每个图像块训练集,将该图像块训练集包括的图像块的特征向量输入图像块训练集对应的分类器,基于该分类器输出的各图像块的分类结果,确定该分类器的精确度分数。
其中,分类结果用于表示图像块中的待识别产品的真伪。
在本发明实施例中,分类器的输出结果为一个包括0和/或1的矩阵,矩阵中的每个元素表示输入的一个特征向量对应的图像块的分类结果。其中,0表示图像块中待识别产品被识别为伪品,1表示图像块中待识别产品被识别为真品。
例如,分类器输出的分类结果为[0,1,1,0],表示输入的四个特征向量中,有两个特征向量对应的图像块中的待识别产品为真品,另外两个特征向量对应的图像块中的待识别产品为伪品。
一种实施方式中,可以基于分类器输出的各图像块的分类结果,以及各样本图像中的待识别产品的真伪,对初始分类器进行交叉验证,计算交叉验证的f1分数(f1_score)。
步骤205、针对每个图像块训练集,若该图像块训练集对应的分类器的精确度分数大于预设分数阈值,则确定该图像块训练集对应的分类器为合格分类器。
可选的,精确度分数可以是f1_score,或者还可以是其他能够评价分类器识别结果准确度的分数,预设分数阈值可以根据实际情况确定。例如预设分数阈值为0.9。
步骤206、判断合格分类器的数量是否达到预设数量。若合格分类器的数量达到预设数量,则执行步骤207;若合格分类器的数量未达到预设数量,则返回步骤202。
在一种实施方式中,可以按照次序分别对每个图像块训练集执行上述步骤203-步骤205。
在另一种实施方式中,可以针对各图像块训练集,并行执行上述步骤203-步骤205,由于各分类器的训练过程以及预测过程所消耗的时间不同,当获取到预设数量的合格分类器时,可以停止对其他分类器的训练以及是否为合格分类器的判断。
可选的,为提高模型识别的准确度,减少分类模型包括的分类器对应的图像块集中在同一图像区域的情况。可以将样本图像划分为多个图像区域,每个图像区域中可以包括至少一个图像块,从每个图像区域中最多可确定预设上限数量个图像块对应的合格分类器为分类模型包括的分类器,从各图像区域中确定的图像块对应的合格分类器的数量总和等于预设数量。
因此在已确定预设上限数量个合格分类器对应的图像块属于同一图像区域时,若再次确定一个对应的图像块属于该图像区域的合格分类器,则不将该合格分类器作为分类模型的分类器。
例如,图3c为一个样本图像,图3c中的每个正方形虚线框表示以一个预设的坐标点为中心,大小为M×M的图像块。将样本图像划分为6个图像区域,分别为左上角区域1、右上角区域2、中间靠左区域3、中间靠右区域4、左下角区域5和右下角区域6。其中,左上角区域1包括以a为中心点的图像块,右上角区域2包括以b为中心点的图像块和以c为中心点的图像块,中间靠左区域3包括以d为中心点的图像块和以e为中心点的图像块,中间靠右区域4包括以f为中心点的图像块和以g为中心点的图像块,左下角区域5包括以h为中心点的图像块、以i为中心点的图像块、以j为中心点的图像块和以k为中心点的图像块,右下角区域6包括以l为中心点的图像块和以m为中心点的图像块。假设预设上限数量为3,即从每个图像区域中最多可确定3个图像块对应的合格分类器为分类模型包括的分类器。假设已经确定了以h为中心点的图像块对应的分类器、以i为中心点的图像块对应的分类器、以及以j为中心点的图像块对应的分类器均为合格分类器,这3个合格分类器对应的图像块属于样本图像左下角区域。若此时确定以k为中心点图像块对应的分类器为合格分类器,由于以k为中心点的图像块仍属于样本图像的左下角区域,则不将这个合格分类器作为分类模型的分类器。
可选的,预设分数阈值可以根据实际情况确定,例如,获得分类模型的迭代过程中,多次因未获取到预设数量的合格分类器而返回步骤202,此时可以降低预设分数阈值,即降低了合格分类器的标准,使得更多的分类器可以被确定为合格分类器。
步骤207,将预设数量的合格分类器作为分类模型的分类器。
本发明实施例的技术方案还可以带来以下有益效果:本发明实施例可以针对样本图像中每个不同的区域,训练一个分类器,并保存识别准确度较高的分类器,使得后续利用分类器确定待识别图像中的待识别产品真伪的准确度更高。通过测试集对本发明实施例提供的图像识别方法进行测试后,得到本发明实施例的图像识别方法确定待识别产品真伪的准确率可以达到95%以上。
结合图2,本发明实施例提取待识别图像的特征向量的方式,包括:提取待识别图像中各待识别区域的图像块的特征向量。其中,待识别区域的坐标为:用于训练分类模型包括的分类器的图像块,在样本图像中的区域的坐标。
一种实施方式中,提取待识别图像中各待识别区域的图像块的特征向量的方法可以包括以下步骤。
步骤一、针对待识别图像中的每个待识别区域,获得该待识别区域的图像块经过图像灰度转换后得到的灰度图。
在本发明实施例中,待识别图像可以被存储为一个三维矩阵,三个维度分别对应红、黄、蓝颜色通道。
一种实施方式中,可以对待识别图像进行灰度转换,得到待识别图像的灰度图。再针对待识别图像中的每个待识别区域,获得该待识别区域的图像块。
在本发明实施例中,获得分类模型的同时,可以记录训练分类模型的图像块在样本图像中的区域中心点。在提取待识别图像的特征向量时,可以针对每个区域中心点,确定以该区域中心点为中心,指定大小的区域为一个待识别区域,并提取该待识别区域的图像块的特征向量。
其中,待识别区域的图像块的大小与图像训练集中的图像块的大小相同。待识别图像中包括一个待识别产品的图像,待识别区域的图像块为待识别产品的部分图像。
可选的,在对待识别图像进行图像灰度转换之前,还可以对待识别图像进行图像尺寸变换,再将经过图像尺寸变换的待识别图像进行图像滤波去噪,然后再将经过图像滤波去噪后的待识别图像进行图像灰度转换。
其中,图像尺寸变换是指将待识别图像的尺寸转换为指定尺寸,图像滤波去噪是指在保留图像细节特征的条件下,抑制图像噪声,减少图像噪声对待识别产品的真伪识别结果的影响。
步骤二、根据该灰度图,提取该图像块的特征向量。
其中,特征向量包括多个元素,每个元素对应一个指定亮度,每个元素为该灰度图中,该元素对应的指定亮度的像素点的数量。
可以理解的,不同的颜色经过图像灰度转换后的亮度不同,本发明实施例中的指定亮度可以根据实际需要确定,本申请实施例对此不作具体限定。
例如,指定亮度包括0~255,特征向量包括266个元素,每个元素对应一个指定亮度。上述特征向量可以是[L0,L1,…,L254,L255],表示灰度图中亮度分别为0~255的像素点总数,如L0为灰度图中亮度为0的像素点总数。
又例如,指定亮度包括100和150,特征向量包括2个元素,每个元素对应一个指定亮度。上述特征向量可以是[S100,S150],其中,S100表示灰度图中亮度为100的像素点总数,S150表示灰度图中亮度为150的像素点总数。
本发明实施例的技术方案还可以带来以下有益效果:在相关技术中由于不同的检验人员对于色彩的敏感度存在差异,而且检验人员在进行真伪产品对比时,容易视觉疲劳,使得人工鉴定产品真伪的主观性强。
而在本发明实施例中,由于不同的颜色经过图像灰度转换后的亮度不同,而图像块的特征向量是从图像块的灰度图中提取的,使得图像块的特征向量可以表示图像块的颜色。本发明实施例可以基于待识别图像包括的图像块的颜色,自动识别待识别产品的真伪,使得识别结果更客观,更准确。
在本发明的一个实施例中,参见图4,上述步骤103获取待识别产品的真伪的方式包括:
步骤401,电子设备将待识别图像中各待识别区域的图像块的特征向量输入分类模型。
在本发明实施例中,待识别区域的图像块与用于训练分类模型包括的分类器的图像块对应。例如,当用于训练分类模型包括的分类器的图像块为图3a所示的4个图像块时,待识别图像也按照图3a的方式划分为4个待识别区域。当用于训练分类模型包括的分类器的图像块为图3b所示的6个区域时,待识别图像也按照图3b的方式划分6个待识别区域。
步骤402,分类模型包括的各分类器,识别对应的待识别区域的图像块的特征向量,得到各待识别区域的图像块的分类结果,分类模型基于各待识别区域的图像块的分类结果输出待识别产品的真伪。
其中,分类模型基于各待识别区域的图像块的分类结果输出待识别产品的真伪。
一种实施方式中,若分类结果表示的待识别产品为真的图像块数量大于指定数量,或者待识别产品为真的图像块比例大于预设比例,则分类模型输出待识别产品为真品。若分类结果表示的待识别产品为真的图像块数量不大于指定数量,或者待识别产品为真的图像块比例不大于预设比例,则分类模型输出待识别产品为伪品。
例如,指定数量可以是分类模型包括的分类器数量的一半,或者指定数量也可以按照实际需要确定,本发明实施例对此不作具体限定。
或者还可以通过其他方式,根据待识别区域的图像块的分类结果,确定待识别产品的真伪。例如,待识别区域还可以设有权重,根据各待识别区域各自对应的权重以及待识别区域的图像块的分类结果,确定待识别产品的真伪。本发明实施例对此不作具体限定。
一种实施方式中,分类器输出结果可以是包括0和/或1的一维矩阵,用于表示待识别区域的图像块中的待识别产品的真伪。例如,1表示图像块中待识别产品被识别为真品,0表示图像块中待识别产品被识别为伪品。可以计算一维矩阵包括的元素总和,当计算的总和大于N/2时,其中,N为待识别区域总数,说明超过半数的待识别区域的图像块中的待识别产品被识别为真品,分类模型输出待识别产品为真品。当计算的总和不大于N/2时,说明不到半数的待识别区域的图像块中的待识别产品被识别为真品,分类模型输出待识别产品为伪品。
可选的,为避免计算的总和等于N/2的情况,可以设置分类模型包括的分类器数量,即待识别区域数量,即预设数量可以设置为奇数。
例如,分类模型利用其包括的分类器输出的待识别图像中各待识别区域的图像块的分类结果为:[0,1,1,0,1,1,1],分类结果表示待识别区域的图像块中,有2个图像块中的待识别产品被识别为伪品,有5个图像块中的待识别产品被识别为真品。5>7/2,因此确定待识别产品为真品。
步骤403,电子设备获取分类模型输出的待识别产品的真伪。
本发明实施例的技术方案还可以带来以下有益效果:对于新的待识别产品进行真伪确定时,可以利用新的待识别产品的正负样本图像,训练获得分类模型,再利用分类模型识别待识别图像中的待识别产品的真伪。因此在进行新的产品识别时,识别方法流程未改变,仅需要重新获取样本图像并训练获得分类模型,可见本申请实施例提供的图像识别方法具有良好的模型迁移能力。
而且由于本发明实施例可以自动确定待识别产品的真伪,减少了识别待识别产品的真伪所消耗的人力成本。
另外,相关技术对于分辨产品的真伪时,还可以利用物理检测方法。以待识别产品为卷烟为例,利用物理检测方法需要提取烟支中的烟草,并检验烟草的成分,将检验的成分与真品烟草的成分对比,当检测的成分与真品烟草成分相同时,确定检验品为真品。这种方法实现过程较为复杂,且检验烟草成分所耗费的时间和成本较高。
相关技术对于分辨产品的真伪时,还可以利用近红外光谱法,预先建立原材料的近红外标准光谱库,在利用近红外分析仪获得产品光谱,从而对产品进行真伪辨别。但这种利用红外分析仪分析产品真伪的方法较为复杂。
而本发明实施例可以基于卷烟外包装的图像,自动检测待识别产品的真伪,不需要检验烟草成分,也不需要利用红外分析仪扫描产品,节省了确定产品真伪所消耗的时间和成本,更适用于待识别产品数量多、品类多、以及产品图像复杂的情况。
基于相同的发明构思,对应于上述方法实施例,本发明实施例提供了一种图像识别装置,如图5所示,该装置包括:获取模块501、提取模块502和分类模块503;
获取模块501,用于获取待识别图像,待识别图像为待识别产品的图像;
提取模块502,用于提取获取模块501获取的待识别图像的特征向量;
分类模块503,用于将提取模块502提取的特征向量输入分类模型,获取分类模型输出的待识别产品的真伪,分类模型为基于样本图像集对神经网络模型进行训练得到的模型,样本图像集包括正样本图像和负样本图像,正样本图像为待识别产品的真品图像,负样本图像为待识别产品的伪品图像。
可选的,该装置还可以包括训练模块504,训练模块504用于执行:
步骤一、获取样本图像集,样本图像集包括的各样本图像的尺寸相同,且待识别产品在各样本图像中的位置相同;
步骤二、获取多个图像块训练集,每个图像块训练集包括各样本图像中同一区域的图像块,以及每个图像块对应的产品真伪;
步骤三、针对每个图像块训练集,通过图像块训练集对初始分类器进行训练,得到图像块训练集对应的分类器;
步骤四、针对每个图像块训练集,将图像块训练集包括的图像块的特征向量输入图像块训练集对应的分类器,基于该分类器输出的各图像块的分类结果,确定该分类器的精确度分数,分类结果用于表示图像块中的待识别产品的真伪;
步骤五、针对每个图像块训练集,若图像块训练集对应的分类器的精确度分数大于预设分数阈值,则确定图像块训练集对应的分类器为合格分类器;
步骤六、若合格分类器的数量达到预设数量,则将预设数量的合格分类器作为分类模型的分类器;若合格分类器的数量未达到预设数量,则返回步骤二。
可选的,待识别图像的尺寸与样本图像集中的样本图像的尺寸相同,且待识别产品在待识别图像中的位置与在样本图像中的位置相同;提取模块,具体用于:
提取待识别图像中各待识别区域的图像块的特征向量,待识别区域的坐标为:用于训练分类模型包括的分类器的图像块,在样本图像中的区域的坐标。
可选的,分类模块503,可以具体用于:
将待识别图像中各待识别区域的图像块的特征向量输入分类模型,以使得分类模型包括的各分类器,识别对应的待识别区域的图像块的特征向量,得到各待识别区域的图像块的分类结果,分类模型基于各待识别区域的图像块的分类结果输出待识别产品的真伪;
获取分类模型输出的待识别产品的真伪。
可选的,提取模块502,可以具体用于:
针对待识别图像中的每个待识别区域,获得待识别区域的图像块经过图像灰度转换后得到的灰度图;
根据灰度图,提取图像块的特征向量,特征向量包括多个元素,每个元素对应一个指定亮度,每个元素为灰度图中,该元素对应的指定亮度的像素点的数量。
本发明实施例还提供了一种电子设备,如图6所示,包括处理器601、通信接口602、存储器603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信,
存储器603,用于存放计算机程序;
处理器601,用于执行存储器603上所存放的程序时,实现上述方法实施例中的方法步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一图像识别方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一图像识别方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例,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作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (12)
1.一种图像识别方法,其特征在于,所述方法包括:
获取待识别图像,所述待识别图像为待识别产品的图像;
提取所述待识别图像的特征向量;
将所述特征向量输入分类模型,获取所述分类模型输出的所述待识别产品的真伪,所述分类模型为基于样本图像集对神经网络模型进行训练得到的模型,所述样本图像集包括正样本图像和负样本图像,所述正样本图像为所述待识别产品的真品图像,所述负样本图像为所述待识别产品的伪品图像。
2.根据权利要求1所述的方法,其特征在于,所述分类模型通过如下步骤训练得到:
步骤一、获取所述样本图像集,所述样本图像集包括的各样本图像的尺寸相同,且所述待识别产品在各样本图像中的位置相同;
步骤二、获取多个图像块训练集,每个图像块训练集包括各样本图像中同一区域的图像块,以及每个图像块对应的产品真伪;
步骤三、针对每个图像块训练集,通过所述图像块训练集对初始分类器进行训练,得到所述图像块训练集对应的分类器;
步骤四、针对每个图像块训练集,将所述图像块训练集包括的图像块的特征向量输入所述图像块训练集对应的分类器,基于该分类器输出的各图像块的分类结果,确定该分类器的精确度分数,所述分类结果用于表示图像块中的待识别产品的真伪;
步骤五、针对每个图像块训练集,若所述图像块训练集对应的分类器的精确度分数大于预设分数阈值,则确定所述图像块训练集对应的分类器为合格分类器;
步骤六、若合格分类器的数量达到预设数量,则将所述预设数量的合格分类器作为所述分类模型的分类器;若所述合格分类器的数量未达到所述预设数量,则返回步骤二。
3.根据权利要求2所述的方法,其特征在于,所述待识别图像的尺寸与所述样本图像集中的样本图像的尺寸相同,且所述待识别产品在所述待识别图像中的位置与在样本图像中的位置相同;所述提取所述待识别图像的特征向量,包括:
提取所述待识别图像中各待识别区域的图像块的特征向量,所述待识别区域的坐标为:用于训练所述分类模型包括的分类器的图像块,在样本图像中的区域的坐标。
4.根据权利要求3所述的方法,其特征在于,所述将所述特征向量输入分类模型,获取所述分类模型输出的所述待识别产品的真伪,包括:
将所述待识别图像中各待识别区域的图像块的特征向量输入所述分类模型,以使得所述分类模型包括的各分类器,识别对应的待识别区域的图像块的特征向量,得到各待识别区域的图像块的分类结果,所述分类模型基于各待识别区域的图像块的分类结果输出所述待识别产品的真伪;
获取所述分类模型输出的所述待识别产品的真伪。
5.根据权利要求3所述的方法,其特征在于,所述提取所述待识别图像中各待识别区域的图像块的特征向量,包括:
针对所述待识别图像中的每个待识别区域,获得所述待识别区域的图像块经过图像灰度转换后得到的灰度图;
根据所述灰度图,提取所述图像块的特征向量,所述特征向量包括多个元素,每个元素对应一个指定亮度,每个元素为所述灰度图中,该元素对应的指定亮度的像素点的数量。
6.一种图像识别装置,其特征在于,所述装置包括:
获取模块,用于获取待识别图像,所述待识别图像为待识别产品的图像;
提取模块,用于提取所述获取模块获取的所述待识别图像的特征向量;
分类模块,用于将所述提取模块提取的所述特征向量输入分类模型,获取所述分类模型输出的所述待识别产品的真伪,所述分类模型为基于样本图像集对神经网络模型进行训练得到的模型,所述样本图像集包括正样本图像和负样本图像,所述正样本图像为所述待识别产品的真品图像,所述负样本图像为所述待识别产品的伪品图像。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括训练模块,所述训练模块用于执行:
步骤一、获取所述样本图像集,所述样本图像集包括的各样本图像的尺寸相同,且所述待识别产品在各样本图像中的位置相同;
步骤二、获取多个图像块训练集,每个图像块训练集包括各样本图像中同一区域的图像块,以及每个图像块对应的产品真伪;
步骤三、针对每个图像块训练集,通过所述图像块训练集对初始分类器进行训练,得到所述图像块训练集对应的分类器;
步骤四、针对每个图像块训练集,将所述图像块训练集包括的图像块的特征向量输入所述图像块训练集对应的分类器,基于该分类器输出的各图像块的分类结果,确定该分类器的精确度分数,所述分类结果用于表示图像块中的待识别产品的真伪;
步骤五、针对每个图像块训练集,若所述图像块训练集对应的分类器的精确度分数大于预设分数阈值,则确定所述图像块训练集对应的分类器为合格分类器;
步骤六、若合格分类器的数量达到预设数量,则将所述预设数量的合格分类器作为所述分类模型的分类器;若所述合格分类器的数量未达到所述预设数量,则返回步骤二。
8.根据权利要求7所述的装置,其特征在于,所述待识别图像的尺寸与所述样本图像集中的样本图像的尺寸相同,且所述待识别产品在所述待识别图像中的位置与在样本图像中的位置相同;所述提取模块,具体用于:
提取所述待识别图像中各待识别区域的图像块的特征向量,所述待识别区域的坐标为:用于训练所述分类模型包括的分类器的图像块,在样本图像中的区域的坐标。
9.根据权利要求8所述的装置,其特征在于,所述分类模块,具体用于:
将所述待识别图像中各待识别区域的图像块的特征向量输入所述分类模型,以使得所述分类模型包括的各分类器,识别对应的待识别区域的图像块的特征向量,得到各待识别区域的图像块的分类结果,所述分类模型基于各待识别区域的图像块的分类结果输出所述待识别产品的真伪;
获取所述分类模型输出的所述待识别产品的真伪。
10.根据权利要求8所述的装置,其特征在于,所述提取模块,具体用于:
针对所述待识别图像中的每个待识别区域,获得所述待识别区域的图像块经过图像灰度转换后得到的灰度图;
根据所述灰度图,提取所述图像块的特征向量,所述特征向量包括多个元素,每个元素对应一个指定亮度,每个元素为所述灰度图中,该元素对应的指定亮度的像素点的数量。
11.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-5任一所述的方法步骤。
12.一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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-5任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010368651.1A CN111582359B (zh) | 2020-04-28 | 2020-04-28 | 一种图像识别方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010368651.1A CN111582359B (zh) | 2020-04-28 | 2020-04-28 | 一种图像识别方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582359A true CN111582359A (zh) | 2020-08-25 |
CN111582359B CN111582359B (zh) | 2023-04-07 |
Family
ID=72111932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010368651.1A Active CN111582359B (zh) | 2020-04-28 | 2020-04-28 | 一种图像识别方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582359B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598025A (zh) * | 2020-05-20 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 图像识别模型的训练方法和装置 |
CN112861979A (zh) * | 2021-02-20 | 2021-05-28 | 数贸科技(北京)有限公司 | 商标识别方法、装置、计算设备及计算机存储介质 |
CN113076309A (zh) * | 2021-03-26 | 2021-07-06 | 四川中烟工业有限责任公司 | 烟草生丝水分加水量预测***及方法 |
CN113516486A (zh) * | 2021-04-07 | 2021-10-19 | 阿里巴巴新加坡控股有限公司 | 图像识别方法、装置、设备和存储介质 |
CN113920416A (zh) * | 2021-10-08 | 2022-01-11 | 深圳爱莫科技有限公司 | 一种基于图像识别的雪茄烟身份辨别方法、***及存储介质 |
CN114494765A (zh) * | 2021-12-21 | 2022-05-13 | 北京瑞莱智慧科技有限公司 | 真假烟鉴别点的识别方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825224A (zh) * | 2016-03-10 | 2016-08-03 | 浙江生辉照明有限公司 | 分类器族的获取方法和装置 |
US20160314380A1 (en) * | 2015-04-24 | 2016-10-27 | Facebook, Inc. | Objectionable content detector |
US20170109592A1 (en) * | 2015-10-20 | 2017-04-20 | Samsung Electronics Co., Ltd. | Method and apparatus for detecting biometric region for user authentication |
CN106803090A (zh) * | 2016-12-05 | 2017-06-06 | ***股份有限公司 | 一种图像识别方法和装置 |
CN106951924A (zh) * | 2017-03-27 | 2017-07-14 | 东北石油大学 | 基于AdaBoost算法的地震相干体图像断层自动识别方法及*** |
CN108288073A (zh) * | 2018-01-30 | 2018-07-17 | 北京小米移动软件有限公司 | 图片真伪识别方法及装置、计算机可读存储介质 |
CN108520196A (zh) * | 2018-02-01 | 2018-09-11 | 平安科技(深圳)有限公司 | 奢侈品辨别方法、电子装置及存储介质 |
US20190188846A1 (en) * | 2017-12-14 | 2019-06-20 | Omron Corporation | Information processing apparatus, identification system, setting method, and program |
CN110008987A (zh) * | 2019-02-20 | 2019-07-12 | 深圳大学 | 分类器鲁棒性的测试方法、装置、终端及存储介质 |
-
2020
- 2020-04-28 CN CN202010368651.1A patent/CN111582359B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160314380A1 (en) * | 2015-04-24 | 2016-10-27 | Facebook, Inc. | Objectionable content detector |
US20170109592A1 (en) * | 2015-10-20 | 2017-04-20 | Samsung Electronics Co., Ltd. | Method and apparatus for detecting biometric region for user authentication |
CN105825224A (zh) * | 2016-03-10 | 2016-08-03 | 浙江生辉照明有限公司 | 分类器族的获取方法和装置 |
CN106803090A (zh) * | 2016-12-05 | 2017-06-06 | ***股份有限公司 | 一种图像识别方法和装置 |
CN106951924A (zh) * | 2017-03-27 | 2017-07-14 | 东北石油大学 | 基于AdaBoost算法的地震相干体图像断层自动识别方法及*** |
US20190188846A1 (en) * | 2017-12-14 | 2019-06-20 | Omron Corporation | Information processing apparatus, identification system, setting method, and program |
CN108288073A (zh) * | 2018-01-30 | 2018-07-17 | 北京小米移动软件有限公司 | 图片真伪识别方法及装置、计算机可读存储介质 |
CN108520196A (zh) * | 2018-02-01 | 2018-09-11 | 平安科技(深圳)有限公司 | 奢侈品辨别方法、电子装置及存储介质 |
CN110008987A (zh) * | 2019-02-20 | 2019-07-12 | 深圳大学 | 分类器鲁棒性的测试方法、装置、终端及存储介质 |
Non-Patent Citations (2)
Title |
---|
YU SU 等: "Patch-Based Gabor Fisher Classifier for Face Recognition" * |
苗荣慧 等: "基于图像分块及重构的菠菜重叠叶片与杂草识别" * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598025A (zh) * | 2020-05-20 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 图像识别模型的训练方法和装置 |
CN112861979A (zh) * | 2021-02-20 | 2021-05-28 | 数贸科技(北京)有限公司 | 商标识别方法、装置、计算设备及计算机存储介质 |
CN112861979B (zh) * | 2021-02-20 | 2024-01-30 | 数贸科技(北京)有限公司 | 商标识别方法、装置、计算设备及计算机存储介质 |
CN113076309A (zh) * | 2021-03-26 | 2021-07-06 | 四川中烟工业有限责任公司 | 烟草生丝水分加水量预测***及方法 |
CN113076309B (zh) * | 2021-03-26 | 2023-05-09 | 四川中烟工业有限责任公司 | 烟草生丝水分加水量预测***及方法 |
CN113516486A (zh) * | 2021-04-07 | 2021-10-19 | 阿里巴巴新加坡控股有限公司 | 图像识别方法、装置、设备和存储介质 |
CN113920416A (zh) * | 2021-10-08 | 2022-01-11 | 深圳爱莫科技有限公司 | 一种基于图像识别的雪茄烟身份辨别方法、***及存储介质 |
CN114494765A (zh) * | 2021-12-21 | 2022-05-13 | 北京瑞莱智慧科技有限公司 | 真假烟鉴别点的识别方法、装置、电子设备及存储介质 |
CN114494765B (zh) * | 2021-12-21 | 2023-08-18 | 北京瑞莱智慧科技有限公司 | 真假烟鉴别点的识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111582359B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582359B (zh) | 一种图像识别方法、装置、电子设备及介质 | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及*** | |
CN105427275B (zh) | 大田环境麦穗计数方法及装置 | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
TWI765442B (zh) | 瑕疵等級判定的方法及存儲介質 | |
CN108197636A (zh) | 一种基于深度多视点特征的稻谷检测和分类方法 | |
CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN110619619A (zh) | 一种缺陷检测方法、装置及电子设备 | |
CN105740752B (zh) | 敏感图片过滤方法和*** | |
Triantoro et al. | Image based water gauge reading developed with ANN Kohonen | |
CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
CN109376782B (zh) | 基于眼部影像特征的支持向量机白内障分级方法及装置 | |
CN113920434A (zh) | 一种基于目标的图像翻拍检测方法、装置及介质 | |
CN206897873U (zh) | 一种基于检测产品特性的图像处理与检测*** | |
CN111523605B (zh) | 一种图像识别方法、装置、电子设备及介质 | |
CN107024480A (zh) | 一种立体图像采集装置 | |
CN115512203A (zh) | 信息检测方法、装置、设备及存储介质 | |
CN113870210A (zh) | 一种图像质量评估方法、装置、设备及存储介质 | |
CN207181307U (zh) | 一种立体图像采集装置 | |
US10902584B2 (en) | Detection of surface irregularities in coins | |
Swargiary et al. | Classification of basmati rice grains using image processing techniques | |
CN106529518B (zh) | 一种答题卡识别的方法及装置 | |
Tangwannawit et al. | Feature extraction to predict quality of segregating sweet tamarind using image processing | |
CN111079579B (zh) | 细胞图像的识别方法、装置以及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |