CN113128545B - 机器人采集样本的方法以及其装置 - Google Patents
机器人采集样本的方法以及其装置 Download PDFInfo
- Publication number
- CN113128545B CN113128545B CN202010048730.4A CN202010048730A CN113128545B CN 113128545 B CN113128545 B CN 113128545B CN 202010048730 A CN202010048730 A CN 202010048730A CN 113128545 B CN113128545 B CN 113128545B
- Authority
- CN
- China
- Prior art keywords
- image
- robot
- target object
- pose
- identification
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000012549 training Methods 0.000 claims description 53
- 238000001514 detection method Methods 0.000 claims description 36
- 238000013507 mapping Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 52
- 230000001276 controlling effect Effects 0.000 description 28
- 238000004140 cleaning Methods 0.000 description 25
- 230000000694 effects Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 230000005856 abnormality Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 3
- 235000012054 meals Nutrition 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
Classifications
-
- 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Manipulator (AREA)
Abstract
本发明实施例提供机器人采集样本的方法以及其装置,该方法包括:检测出被图像识别模型误识别为目标对象的图像;获取机器人采集所述图像时所在的位姿点作为误识别位姿点。因此,无需人工参与的情况下,机器人能够通过误识别位姿点自动收集使用过程中发生误识别的样本数据,实现了采集效率高、样本数据能够体现实际应用环境的多样性的目的。
Description
技术领域
本发明实施例涉及智能技术领域,特别涉及机器人采集样本的方法。本发明一个或者多个实施例同时涉及机器人采集样本的装置,计算设备,以及计算机可读存储介质。
背景技术
随着人工智能技术的发展及落地应用,机器人如送餐机器人、清洁机器人、异常检测机器人得到越来越多的应用。机器人通过图像识别模型识别出目标对象,并采取相应的行为。例如,清洁机器人可以通过图像识别模型识别出障碍物,在清洁过程中避开障碍物。再例如,异常检测机器人可以通过图像识别模型识别出异常点,报告异常点。为了识别出目标对象,可以预先人工采集一些不属于目标对象的负样本数据以及属于目标对象的正样本数据。图像识别模型通过对正样本数据及负样本数据进行训练,实现对目标对象的识别。
但是,由于人工采集样本数据效率低下,样本数据多样性不足,导致图像识别模型训练效果不佳。
发明内容
有鉴于此,本发明施例提供了机器人采集样本的方法。本发明一个或者多个实施例同时涉及机器人采集样本的装置,计算设备,以及计算机可读存储介质,以解决现有技术中存在的技术缺陷。
根据本发明实施例的第一方面,提供了一种机器人采集样本的方法,包括:检测出被图像识别模型误识别为目标对象的图像;获取机器人采集所述图像时所在的位姿点作为误识别位姿点。
可选地,该方法还包括:控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据。
可选地,所述检测出被图像识别模型误识别为目标对象的图像包括:判断图像识别模型识别出的目标对象所处地理位置是否为所述目标对象所属类别允许出现的地理位置;如果不是,确定所述图像识别模型对所述图像发生误识别。
可选地,所述检测出被图像识别模型误识别为目标对象的图像包括:统计所述图像识别模型识别出的目标对象处于相同地理位置且属于相同目标对象类别的图像的帧数;根据所述帧数确定所述地理位置上所述目标对象类别的误识别概率;如果所述误识别概率在预设误识别阈值范围内,确定识别出所述地理位置上所述目标对象类别的目标对象的图像为误识别的图像。
可选地,所述根据所述帧数确定所述地理位置上所述目标对象类别的误识别概率包括:将所述帧数对应的图像通过所述图像识别模型得到的识别概率乘以所述帧数,得到所述地理位置上所述目标对象类别的误识别概率;或者,将所述帧数作为所述地理位置上所述目标对象类别的误识别概率。
可选地,所述统计所述图像识别模型识别出的目标对象处于相同地理位置且属于相同目标对象类别的图像的帧数包括:响应于所述图像识别模型对输入的图像输出识别为目标对象的识别结果,根据采集所述图像时,机器人所在地理位置及图像采集方向,将所述识别结果映射到概率地图上,所述概率地图为机器人工作时建立的、且划分为多个区域的地理地图;根据所述识别结果在所述概率地图上映射到的区域的区域唯一标识、所述识别结果的目标对象类别,针对所述图像建立区域唯一标识与目标对象类别之间的对应关系;根据建立的所述对应关系,统计区域唯一标识相同且目标对象类别相同的图像的帧数;其中,所述误识别概率由所述对应关系标识。
可选地,所述获取机器人采集所述图像时所在的位姿点作为误识别位姿点包括:在位姿地图上,机器人采集所述图像时所在的位姿点处,打上包括所述区域唯一标识以及所述目标对象类别的标签,所述位姿地图为机器人工作时根据机器人位姿信息建立的工作路径地图;如果所述对应关系标识的误识别概率在预设误识别阈值范围内,在所述对应关系匹配的标签上保留误识别标签;在机器人本次工作完成后,从所述位姿地图中,获取标识了误识别标签的位姿点作为误识别位姿点。
可选地,所述控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据包括:在机器人本次工作完成后,控制机器人回到所述误识别位姿点采集图像作为所述目标对象的样本数据。
可选地,所述控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据包括:在机器人本次工作过程中,控制机器人在识别出目标对象的位姿点采集针对目标对象的图像;在机器人本次工作完成后,从采集的图像中,筛选出在所述误识别位姿点采集的图像作为所述目标对象的样本数据。
可选地,该方法还包括:将带有所述目标对象类别标识的样本数据发送给机器人服务端,以便所述机器人服务端利用所述样本数据对所述图像识别模型进行所述目标对象所属类别的样本训练。
可选地,该方法还包括:接收所述机器人服务端对所述图像识别模型下发的更新文件;利用所述更新文件对所述机器人的图像识别模型进行更新。
可选地,所述目标对象包括:障碍物或异常点。
可选地,所述图像识别模型包括基于神经网络的图像识别模型。
根据本发明实施例的第二方面,提供了一种机器人采集样本的装置,包括:识别检测模块,被配置为检测出被图像识别模型误识别为目标对象的图像。识别位姿获取模块,被配置为获取机器人采集所述图像时所在的位姿点作为误识别位姿点。
可选地,该装置还包括:控制模块,被配置为控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据。
可选地,所述识别检测模块包括:位置检测子模块,被配置为判断图像识别模型识别出的目标对象所处地理位置是否为所述目标对象所属类别允许出现的地理位置。识别确定子模块,被配置为如果所述位置检测子模块判定不是,确定所述图像识别模型对所述图像发生误识别。
可选地,所述识别检测模块包括:帧数统计子模块,被配置为统计所述图像识别模型识别出的目标对象处于相同地理位置且属于相同目标对象类别的图像的帧数。识别概率确定子模块,被配置为根据所述帧数确定所述地理位置上所述目标对象类别的误识别概率。识别确定子模块,被配置为如果所述误识别概率在预设误识别阈值范围内,确定识别出所述地理位置上所述目标对象类别的目标对象的图像为误识别的图像。
可选地,所述识别概率确定子模块,被配置为将所述帧数对应的图像通过所述图像识别模型得到的识别概率乘以所述帧数,得到所述地理位置上所述目标对象类别的误识别概率;或者,被配置为将所述帧数作为所述地理位置上所述目标对象类别的误识别概率。
可选地,所述帧数统计子模块包括:概率映射子模块,被配置为响应于所述图像识别模型对输入的图像输出识别为目标对象的识别结果,根据采集所述图像时,机器人所在地理位置及图像采集方向,将所述识别结果映射到概率地图上,所述概率地图为机器人工作时建立的、且划分为多个区域的地理地图。关系建立子模块,被配置为根据所述识别结果在所述概率地图上映射到的区域的区域唯一标识、所述识别结果的目标对象类别,针对所述图像建立区域唯一标识与目标对象类别之间的对应关系。区域统计子模块,被配置为根据建立的所述对应关系,统计区域唯一标识相同且目标对象类别相同的图像的帧数。其中,所述误识别概率由所述对应关系标识。
可选地,所述识别位姿获取模块包括:标签建立子模块,被配置为在位姿地图上,机器人采集所述图像时所在的位姿点处,打上包括所述区域唯一标识以及所述目标对象类别的标签,所述位姿地图为机器人工作时根据机器人位姿信息建立的工作路径地图。标签确定子模块,被配置为如果所述对应关系标识的误识别概率在预设误识别阈值范围内,在所述对应关系匹配的标签上保留误识别标签。识别位姿获取子模块,被配置为在机器人本次工作完成后,从所述位姿地图中,获取标识了误识别标签的位姿点作为误识别位姿点。
可选地,所述控制模块,被配置为在机器人本次工作完成后,控制机器人回到所述误识别位姿点采集图像作为所述目标对象的样本数据。
可选地,所述控制模块,被配置为在机器人本次工作过程中,控制机器人在识别出目标对象的位姿点采集针对目标对象的图像,以及在机器人本次工作完成后,从采集的图像中,筛选出在所述误识别位姿点采集的图像作为所述目标对象的样本数据。
可选地,该装置还包括:样本发送模块,被配置为将样本数据发送给机器人服务端,以便所述机器人服务端利用所述样本数据对所述图像识别模型进行样本训练。
可选地,该装置还包括:文件接收模块,被配置为接收所述机器人服务端对所述图像识别模型下发的更新文件。更新模块,被配置为利用所述更新文件对所述机器人的图像识别模型进行更新。
根据本发明实施例的第三方面,提供了一种机器人采集样本的方法,应用于机器人服务端,包括:接收机器人发送的样本数据,其中,所述样本数据为所述机器人通过检测出被图像识别模型误识别为目标对象的图像,获取机器人采集所述图像时所在的位姿点作为误识别位姿点,控制机器人在所述误识别位姿点采集图像获得的;利用所述样本数据对所述图像识别模型进行样本训练。
可选地,该装置还包括:向所述机器人下发对所述图像识别模型的更新文件,以便所述机器人利用所述更新文件对所述图像识别模型进行更新。
根据本发明实施例的第四方面,提供了一种机器人采集样本的装置,配置于机器人服务端,包括:样本接收模块,被配置为接收机器人发送的样本数据,其中,所述样本数据为所述机器人通过检测出被图像识别模型误识别为目标对象的图像,获取机器人采集所述图像时所在的位姿点作为误识别位姿点,控制机器人在所述误识别位姿点采集图像获得的。样本训练模块,被配置为利用所述样本数据对所述图像识别模型进行样本训练。
可选地,该装置还包括:文件发送模块,被配置为向所述机器人下发对所述图像识别模型的更新文件,以便所述机器人利用所述更新文件对所述图像识别模型进行更新。
根据本发明实施例的第五方面,提供了一种机器人,包括:存储器和处理器;所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:检测出被图像识别模型误识别为目标对象的图像;获取机器人采集所述图像时所在的位姿点作为误识别位姿点。
根据本发明实施例的第六方面,提供了一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时以用于:检测出被图像识别模型误识别为目标对象的图像;获取机器人采集所述图像时所在的位姿点作为误识别位姿点。
根据本发明实施例的第七方面,提供了一种计算设备,包括:存储器和处理器;所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:接收机器人发送的样本数据,其中,所述样本数据为所述机器人通过检测出被图像识别模型误识别为目标对象的图像,获取机器人采集所述图像时所在的位姿点作为误识别位姿点,控制机器人在所述误识别位姿点采集图像获得的;利用所述样本数据对所述图像识别模型进行样本训练。
根据本发明实施例的第八方面,提供了一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时以用于:接收机器人发送的样本数据,其中,所述样本数据为所述机器人通过检测出被图像识别模型误识别为目标对象的图像,获取机器人采集所述图像时所在的位姿点作为误识别位姿点,控制机器人在所述误识别位姿点采集图像获得的;利用所述样本数据对所述图像识别模型进行样本训练。
本发明一方面实施例提供了机器人采集样本的方法,由于该方法检测出图像识别模型误识别为目标对象的图像,获取机器人采集所述图像时所在的位姿点作为误识别位姿点,因此,无需人工参与的情况下,机器人能够自动获取使用过程中的误识别位姿点,通过误识别位姿点自动收集使用过程中发生误识别的样本数据,实现了采集效率高、采集的样本数据能够体现实际应用环境的多样性的目的。
本发明另一方面实施例提供了机器人采集样本的方法,由于机器人服务端接收机器人发送的样本数据,其中,所述样本数据为所述机器人通过检测出图像识别模型误识别为目标对象的图像,获取机器人采集所述图像时所在的位姿点作为误识别位姿点,控制机器人在所述误识别位姿点采集图像获得的,机器人服务端利用所述样本数据对所述图像识别模型进行样本训练,从而无需人工参与的情况下,机器人服务端能够自动收集到机器人使用过程中发生误识别的样本数据,利用样本数据对图像识别模型进行样本训练,有效提高了图像识别模型的训练效率、训练效果。
附图说明
图1是本发明一个实施例提供的一种机器人采集样本的方法的流程图;
图1a是本发明一个实施例提供的正确识别的图像示意图;
图1b是本发明一个实施例提供的误识别的图像示意图;
图1c是本发明一个实施例提供的负样本数据示意图;
图2是本发明一个实施例提供的概率地图示意图;
图3是本发明一个实施例提供的位姿地图示意图;
图4是本发明一个实施例提供的一种机器人采集样本的方法的处理过程流程图。
图5是本发明一个实施例提供的一种机器人采集样本的装置的结构示意图;
图6是本发明另一个实施例提供的一种机器人采集样本的装置的结构示意图;
图7是本发明一个实施例提供的一种机器人采集样本的方法的流程图;
图8是本发明一个实施例提供的一种机器人采集样本的装置的结构示意图;
图9是本发明另一个实施例提供的一种机器人采集样本的装置的结构示意图;
图10是本发明一个实施例提供的一种计算设备的结构框图;
图11是本发明一个实施例提供的一种清洁机器人的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施的限制。
在本发明一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明一个或多个实施例。在本发明一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本发明一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本发明中,提供了机器人采集样本的方法,本发明同时涉及机器人采集样本的装置,计算设备,以及计算机可读存储介质,在下面的实施例中逐一进行详细说明。
图1示出了根据本发明一实施例提供的一种机器人采集样本的方法的流程图。该方法可以应用于自移动机器人端。如,所述自移动机器人包含:空气净化机器人,无人机、送餐机器人、监控机器人等。例如,该方法可以包括步骤102至步骤104。
步骤102:检测出被图像识别模型误识别为目标对象的图像。
图像,可以是机器人在本次工作中拍摄的图像。图像识别模型,例如,可以是基于神经网络的深度学习模型或基于任意其他算法的、通过正样本数据、负样本数据训练得到的图像识别模型。例如,图像识别模型,可以是把多个类例如A、B、C、D、E、F等类一起训练,得到的一个关于多个类的分类神经网络模型。
图像识别模型可以针对输入的图像,输出包括目标对象的类别以及识别概率的识别结果。当图像识别模型输出的识别概率达到一定预设阈值的情况下,可以确定图像识别模型将该张图像识别为其输出的目标对象的类别。由于实际应用环境中,对于清洁机器人、异常检测机器人等机器人来说,其图像识别模型识别的目标对象较多是对小物体如拖鞋、垃圾桶、小零件、电线等的识别,存在较多难分的小物体,而图像识别模型的识别精度无法达到百分之百,因此,基于图像识别模型输出的识别概率得到的识别结果可能是正确识别,也可能是误识别。本发明中,需要检测出被图像识别模型误识别为目标对象的图像。
例如,参见图1a所示正确识别的图像示意图,对于家居用的清洁机器人,其在屋内清洁时,图像识别模型对输入的如图1a所示的图片,输出了概率大于预设阈值的识别结果“鞋类”。参见图1b所示误识别的图像示意图,图像识别模型对输入的如图1b所示的图片,同样输出了概率大于预设阈值的识别结果“鞋类”。对于图1a来说,图像识别模型进行了正确识别,对于图1b来说,则是被图像识别模型误识别为鞋的图像。
步骤104:获取机器人采集所述图像时所在的位姿点作为误识别位姿点。
例如,获取机器人采集图像时所在的位姿点,可以根据位姿地图获取。机器人在工作过程中会基于定位与地图构建技术,根据位姿信息生成位姿地图。位姿地图可以详细地记录机器人的工作路径。位姿地图中的一个位姿点,对应于机器人本次工作使用的地理地图中的一个地理坐标。机器人每到达一个位姿点相应采集一张图像。
可选地,还可以进一步控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据。例如,在所述误识别位姿点采集图像可以作为所述目标对象所属类别的负样本数据。所述误识别位姿点的信息中可以包括地理坐标、采集图像的方向等信息。根据应用场景需要,可以根据地理坐标、采集图像的方向等信息,设置采集样本数据时需要微调整的图像采集角度和/或拍摄位置进行多次采集,进而得到一个误识别位姿点处针对误识别目标对象的多种角度的样本数据。例如,对于获取到如图1b所示图像的误识别位姿点,可以在机器人本次工作结束后或工作过程中,控制机器人在该误识别位姿点采集如图1b,1c所示两个角度的样本数据。
可见,由于该方法检测出图像识别模型误识别为目标对象的图像,获取机器人采集所述图像时所在的位姿点作为误识别位姿点,因此,无需人工参与的情况下,机器人能够自动获取使用过程中的误识别位姿点,通过该误识别位姿点的图像作为样本数据,实现了采集效率高、采集的样本数据能够体现实际应用环境的多样性的目的。
需要说明的是,本发明对于检测误识别的手段不限,具体可以根据实际应用场景下误识别呈现的规律选择相应的检测手段。例如,可以利用误识别与正确识别两种情况识别出的目标对象所处地理位置及所属类别呈现不同的规律,来判断所述图像识别模型是否对所述图像误识别。
例如,所述检测出被图像识别模型误识别为目标对象的图像可以包括:判断图像识别模型识别出的目标对象所处地理位置是否为所述目标对象所属类别允许出现的地理位置;如果不是,确定所述图像识别模型对所述图像发生误识别。例如,在清洁机器人清洁屋内卫生时,图像识别模型在房间外识别出了房间内使用的物品,可以确定该物品为误识别。在该实施方式中,通过目标对象所属类别是否允许出现在相应地理位置检测出误识别的图像,实现了自动检测误识别,收集样本数据的目的。
再例如,对于误识别的目标对象,机器人在行进过程中拍到的相同地理位置且属于相同目标对象类别的图像的帧数呈现帧数较少的特点,因此,可以通过预设误识别阈值范围来对误识别进行检测。具体地,例如,所述检测出图像识别模型误识别为目标对象的图像可以包括:统计所述图像识别模型识别出的目标对象处于相同地理位置且属于相同目标对象类别的图像的帧数;根据所述帧数确定所述地理位置上所述目标对象类别的误识别概率;如果所述误识别概率在预设误识别阈值范围内,确定识别出所述地理位置上所述目标对象类别的目标对象的图像为误识别的图像。在该实施方式中,通过相同地理位置且属于相同目标对象类别的图像的帧数所确定的误识别概率来反应一个地理位置上存在该类别目标对象的概率,进而利用预设误识别阈值范围检测出误识别的图像,实现了自动检测误识别,收集样本数据的目的。
上述两种误识别的检测手段,可以分别单独使用,也可以结合使用。本发明对此并不进行限制。
其中,所述根据帧数确定所述地理位置上所述目标对象类别的误识别概率例如可以包括:将所述帧数对应的图像通过所述图像识别模型得到的识别概率乘以所述帧数,得到所述地理位置上所述目标对象类别的误识别概率;或者,将所述帧数作为所述地理位置上所述目标对象类别的误识别概率。其中,一个地理位置上一个目标对象类别对应的多帧图像通过图像识别模型可以得到与多帧图像一一对应的识别概率,因此,可以将该多帧图像的识别概率进行叠加之后再与帧数相乘,得到所述地理位置上所述目标对象类别的误识别概率。
为了能够更加快速地确定误识别概率,本发明一个或多个实施例中,将图像识别模型的识别结果映射到划分为多个区域的概率地图的某个区域,基于概率地图的某个区域上相同目标对象类别的图像的帧数确定误识别概率进而检测出某个区域是否存在误识别。
具体地,例如,所述统计所述图像识别模型识别出的目标对象处于相同地理位置且属于相同目标对象类别的图像的帧数可以包括:响应于所述图像识别模型对输入的图像输出识别为目标对象的识别结果,根据采集所述图像时,机器人所在地理位置及图像采集方向,将所述识别结果映射到概率地图上。所述概率地图为机器人工作时建立的、且划分为多个区域的地理地图。例如,概率地图可以是机器人工作时建立的全局地图。例如,在进行映射时,可以根据识别结果中所识别出的目标对象的像素值,换算出该目标对象所在地理位置距机器人当前所在地理位置的相对距离,从而依据该相对距离以及图像采集方向在概率地图上找到该目标对象应映射到的区域。根据所述识别结果在所述概率地图上映射到的区域的区域唯一标识、所述识别结果的目标对象类别,针对所述图像建立区域唯一标识与目标对象类别之间的对应关系;根据建立的所述对应关系,统计区域唯一标识相同且目标对象类别相同的图像的帧数。其中,所述误识别概率由所述对应关系标识。
例如,参见图2所示概率地图示意图。需要说明的是,图2所示概率地图的显示效果仅用于对本发明实施例提供的方法进行说明,其与真实概率地图可以存在一定差异。例如,在真实概率地图中,可以根据误识别概率计算出的像素来显示该类目标对象,以此来表示该类目标对象的误识别概率的大小。如图2所示,由于图像识别模型识别出A类目标对象,将A类目标对象映射到概率地图的区域1处。并且机器人多次采集到的图像识别出A类目标对象落入区域1,通过统计帧数确定区域1这个地理位置上A类目标对象的误识别概率不在预设误识别阈值范围。因此,A类目标对象在区域1处存在概率大,是正确识别。机器人针对区域1处A类目标对象的这些位姿点进行避障操作。图像识别模型识别出B类目标对象和C类目标对象,将B类目标对象和C类目标对象分别映射到概率地图的区域4、区域5处,并且机器人只有少数采集到的图像识别出B类目标对象和C类目标对象落入区域4、区域5处。通过统计帧数确定区域4处B类目标对象的误识别概率在预设误识别阈值范围内。通过统计帧数确定区域5处C类目标对象的误识别概率在预设误识别阈值范围内。因此,区域4处B类目标对象和区域5处C类目标对象存在概率低,是误识别。
可见,由于在上述实施方式中根据采集图像时机器人所在地理位置及图像采集方向,将识别结果映射到概率地图上的某个区域,从而可以建立区域唯一标识与目标对象类别之间的对应关系,根据建立的对应关系,统计区域唯一标识相同且目标对象类别相同的图像的帧数,通过帧数确定误识别概率,因此,通过概率地图划分的区域能够为识别出的目标对象合理地确定其所属地理位置,更加快速准确地确定误识别概率,使概率地图能够反应地图上某个位置存在障碍物的概率,实现更加准确地误识别检测。
为了能够快速地获取误识别位姿点,提高机器人采集样本的效率,本发明一个或多个实施例中,在针对图像建立区域唯一标识与目标对象类别之间的对应关系时,在位姿地图上,机器人采集所述图像时所在的位姿点处,打上包括所述区域唯一标识以及所述目标对象类别的标签。其中,所述位姿地图为机器人工作时根据机器人位姿信息建立的工作路径地图。如果所述对应关系标识的误识别概率在预设误识别阈值范围内,在所述对应关系相应的标签上保留误识别标签。因此,在机器人本次工作完成后,从所述位姿地图中,可以获取标识了误识别标签的位姿点作为误识别位姿点。可见,依据误识别标签可以快速地获取误识别位姿点,提高了机器人采集样本的效率。
例如,参见图3所示位姿地图示意图,机器人在工作过程中在位姿地图中记录了其工作路径中每个位姿点。需要说明的是,图3所示位姿地图的显示效果仅用于对本发明实施例提供的方法进行说明,其与真实位姿地图可以存在一定差异。例如,在真实位姿地图中,可以根据位姿点的标签包含的区域唯一标识以及目标对象类别的不同,使位姿点呈现不同的颜色,以此来表示标签的含义。假设机器人到达一个位姿点301,将在该位姿点301采集的图像输入图像识别模型。图像识别模型输出识别为B类目标对象的识别结果,B表示目标对象所属类别。根据机器人所在地理位置及图像采集方向,该B类目标对象被映射到概率地图的区域为区域4。统计落入区域4的B类目标对象的图像帧数。根据帧数确定误识别概率。如果由区域4及B类目标对象标识的误识别概率在预设误识别阈值范围内,则在位姿地图的位姿点301处打上标签“B04”。如果由区域4及B类目标对象标识的误识别概率不在预设误识别阈值范围,则在位姿地图的位姿点301处打上标签“B14”。其中“0”表示误识别标签,表示识别出在区域4的B类目标对象的图像帧数较少,根据帧数确定的误识别概率在预设误识别阈值范围内,是误识别;“1”表示正确识别标签,表示识别出在区域4的B类目标对象的图像帧数较多,根据帧数确定的误识别概率不在预设误识别阈值范围内,是正确识别。
以此类推,结合图2所示概率地图,误识别概率在预设误识别阈值范围内的一个或多个图像的位姿点处可能会被打上标签“B04”,“C05”。由于图2所示区域1的A类目标的误识别概率不在预设误识别阈值范围内,因此图3所示的位姿点地图中对应的位姿点被打上标签“A11”,并且机器人对这些位姿点执行了避障操作,因此,在位姿地图上标签“A11”的位置显示不存在机器人的路径。从而,在机器人本次工作完成之后,可以从图3所示位姿地图中,获取标识了误识别标签“0”的一个或若干个位姿点作为误识别位姿点。
需要说明的是,本发明对于控制机器人在误识别位姿点采集样本数据的时机并不进行限制。可以在机器人工作过程中经过位姿点当时就进行图像采集,之后再根据误识别位姿点从中筛选出样本数据;可以在局部工作完成后,例如一个屋子扫完了,再回到误识别位姿点进行采集;可以在本次工作完成后,例如本次清扫工作全部完成,再回到误识别位姿点进行采集,等。具体可以根据实际应用场景对机器人性能的需求进行相应设置。
例如,本发明一个或多个实施例中,在机器人本次工作完成后,控制机器人回到所述误识别位姿点采集图像作为所述目标对象的样本数据。通过该实施方式,机器人可以在工作完成后,回到误识别位姿点进行二次采集,减少样本采集对机器人正常工作的干扰,提高用户体验。
再例如,本发明一个或多个实施例中,在机器人本次工作过程中,控制机器人在识别出目标对象的位姿点采集针对目标对象的图像;在机器人本次工作完成后,从采集的图像中,筛选出在所述误识别位姿点采集的图像作为所述目标对象的样本数据。通过该实施方式,机器人可以在工作过程中,即实现对样本数据的采集,在工作完成后,机器人无需反复移动至误识别位姿点,减少对机器人能源的额外消耗。
为了提高图像识别模型的训练效率、训练效果,本发明一个或多个实施例中,进一步将带有所述目标对象类别标识的样本数据发送给机器人服务端,以便所述机器人服务端利用所述样本数据对所述图像识别模型进行所述目标对象所属类别的样本训练。例如,机器人服务端可以将采集到的样本数据作为所述目标对象所属类别的负样本数据,对所述图像识别模型进行所述目标对象所属类别的负样本训练。通过该实施方式,机器人服务端可以获取机器人提交的样本数据,自动对图像识别模型进行样本训练,提高了图像识别模型的训练效率、训练效果。
为了提高机器人图像识别模型的识别效果,本发明一个或多个实施例中,进一步接收所述机器人服务端对所述图像识别模型下发的更新文件;利用所述更新文件对所述机器人的图像识别模型进行更新。其中,所述更新文件可以基于上述样本训练得到。通过该实施方式,机器人可以根据服务端下发的更新文件,自动对图像识别模型进行更新。实际应用环境中,对于清洁机器人、异常检测机器人等机器人来说,通过在使用过程中对较多难分的小物体的负样本数据的采集,机器人服务端利用这些负样本数据进行负样本训练,下发更新文件对机器人的图像识别模型进行更新,从而能够极大提高机器人的图像识别模型对难分小物体的识别效果。
下述结合附图4,对结合上述各实施例的实施方式进一步详细说明。其中,图4示出了本发明一个实施例提供的一种机器人采集样本的方法的处理过程流程图,具体步骤包括步骤402至步骤430。
步骤402:机器人开始本次工作。
步骤404:机器人根据当前位姿信息建立位姿地图。
步骤406:将当前所在位姿点处拍摄的一张或多张图像输入图像识别模型。
步骤408:响应于图像识别模型对输入的图像输出识别为目标对象的识别结果,根据采集所述图像时,机器人所在地理位置及图像采集方向,将所述识别结果映射到概率地图的区域上。
所述概率地图为划分为多个区域的地理地图。一个识别结果会被映射到概率地图的一个区域。
步骤410:根据所述识别结果在所述概率地图上映射到的区域的区域唯一标识、所述识别结果对应的目标对象类别,针对所述图像建立区域唯一标识与目标对象类别之间的对应关系。
步骤412:在位姿地图上,机器人采集所述图像时所在的位姿点处,打上包括所述区域唯一标识以及所述目标对象类别的标签。
步骤414:根据建立的所述对应关系,统计区域唯一标识相同且目标对象类别相同的图像的帧数。
其中,所述地理位置上所述目标对象类别的误识别概率包括:所述区域上所述目标对象类别的误识别概率;所述误识别概率由所述对应关系标识。
步骤416:根据所述帧数确定所述地理位置上所述目标对象类别的误识别概率。
步骤418:如果所述误识别概率在预设误识别阈值范围内,确定识别出所述地理位置上所述目标对象类别的目标对象的图像为误识别的图像,在位姿地图上所述对应关系相应的标签上保留误识别标签。
步骤420:判断机器人是否完成本次工作。
如果否,则控制机器人到达下一个位姿点,重新返回到步骤406以及404。
步骤422:在机器人本次工作完成后,从所述位姿地图中,获取标识了误识别标签的位姿点作为误识别位姿点。
步骤424:在机器人本次工作完成后,控制机器人回到误识别位姿点采集图像作为所述障碍物的负样本数据。
步骤426:将带有所述目标对象类别标识的负样本数据发送给机器人服务端,以便所述机器人服务端利用所述负样本数据对所述图像识别模型进行所述障碍物所属类别的负样本训练。
步骤428:接收所述机器人服务端对所述图像识别模型下发的更新文件。
步骤430:利用所述更新文件对所述机器人的图像识别模型进行更新。
可见,通过该实施方式,机器人在无需人工参与的情况下,可以基于概率地图统计的帧数确定的误识别概率以及位姿地图的标签化自动地收集机器人在工作过程中的负样本数据,并将这些负样本数据提交给机器人服务端加入到负样本训练集进行再训练,如此反复训练,图像识别模型的识别精度得以提升,使机器人可以自动更新得到精度提升的图像识别模型,避免误识别。
需要说明的是,基于不同的应用场景,所述目标对象可以有不同的定义。例如,所述目标对象可以包括:障碍物或异常点等。下面分别结合清洁机器人,异常检测机器人两种应用场景对本发明实施例提供的方法举例说明。
应用场景1:
清洁机器人开始本次清洁工作,随着清洁机器人的移动,清洁机器人可以在经过的每个位姿点处拍摄一张或多张图像。并将拍摄的图像输入运行于所述清洁机器人之上的图像识别模型。将图像识别模型输出的识别结果映射到概率地图的某个区域上。在位姿地图上对应的位姿点处,打上包括区域唯一标识以及障碍物类别的标签。在清洁过程中,统计区域唯一标识相同且障碍物类别相同的图像的帧数。如果根据帧数确定的误识别概率不在预设误识别阈值范围内,则指导清洁机器人执行避障。在本次清洁工作完成后,统计区域唯一标识相同且障碍物类别相同的图像的帧数。根据帧数确定相同区域上相同目标对象类别的误识别概率。如果误识别概率在预设误识别阈值范围内,将对应的位姿点处保留误识别标签。从位姿地图中,获取标识了误识别标签的位姿点作为误识别位姿点。控制清洁机器人回到误识别位姿点采集图像作为障碍物的负样本数据。
例如,概率地图可以划分为16个或更多个区域。清洁机器人在工作过程中,当某一帧图像的B类障碍物的识别结果落在了区域4,则在位姿地图上该帧对应的位姿点处打上标签“B04”。如果有多帧落在了区域4,根据帧数确定的误识别概率不在预设误识别阈值范围时,对于概率地图上的区域4,就成为真实存在的障碍物B所占区域,因此,将之前打上“B04”的位姿点以及后续落在区域4的B类障碍物的点全部打成“B14”。如果根据落在区域4的图像的帧数确定的误识别概率在预设误识别阈值范围内,对于概率地图上的区域4的B类障碍物即为误识别,对应的位姿点仍然保留标签“B04”。清洁完成后,控制清洁机器人筛选出标签包含位于第二位的误识别标签“0”的位姿点来拍照,实现障碍物负样本数据的采集。
应用场景2:
随着无人机和人工智能技术的不断普及和发展,用于维护、测量一些人力难以企及的探测项目已经大量开展。例如,利用异常检测机器人对铁路和风力涡轮机的异常进行检测。异常检测机器人可以内置基于神经网络的图像识别模型,基于采集到的图像检测出多种异常。异常检测机器人开始本次检测工作之后,随着异常检测机器人的移动,异常检测机器人将拍摄的图像输入图像识别模型。基于概率地图统计的帧数确定的误识别概率以及位姿地图的标签化自动地收集误识别位姿点。控制异常检测机器人回到误识别位姿点采集图像作为异常点的负样本数据。
与上述方法实施例相对应,本发明还提供了机器人采集样本的装置实施例,图5示出了本发明一个实施例提供的一种机器人采集样本的装置的结构示意图。如图5所示,该装置包括:识别检测模块502、识别位姿获取模块504。
该识别检测模块502,可以被配置为检测出被图像识别模型误识别为目标对象的图像。
该识别位姿获取模块504,可以被配置为获取机器人采集所述图像时所在的位姿点作为误识别位姿点。
由于该装置检测出图像识别模型误识别为目标对象的图像,获取机器人采集所述图像时所在的位姿点作为误识别位姿点,因此,无需人工参与的情况下,机器人能够自动收集使用过程中产生误识别的误识别位姿点,通过该误识别位姿点的图像作为样本数据,实现了采集效率高、采集的样本数据能够体现实际应用环境的多样性的目的。
图6示出了本发明另一个实施例提供的一种机器人采集样本的装置的结构示意图。如图6所示,该装置还可以包括:控制模块506,可以被配置为控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据。
需要说明的是,本发明对于检测误识别的手段不限,具体可以根据实际应用场景下误识别呈现的规律选择相应的检测手段。例如,如图6所示,该装置所述识别检测模块502可以包括:位置检测子模块5021及识别确定子模块5022。
该位置检测子模块5021,可以被配置为判断图像识别模型识别出的目标对象所处地理位置是否为所述目标对象所属类别允许出现的地理位置;
该识别确定子模块5022,可以被配置为如果所述位置检测子模块判定不是,确定所述图像识别模型对所述图像发生误识别。
在该实施方式中,通过目标对象所属类别是否允许出现在相应地理位置检测出误识别的图像,实现了自动检测误识别,收集样本数据的目的。
再例如,如图6所示,所述识别检测模块502可以包括:帧数统计子模块5023、识别概率确定子模块5024及识别确定子模块5022。
该帧数统计子模块5023,可以被配置为统计所述图像识别模型识别出的目标对象处于相同地理位置且属于相同目标对象类别的图像的帧数。
该识别概率确定子模块5024,可以被配置为根据所述帧数确定所述地理位置上所述目标对象类别的误识别概率。
该识别确定子模块5022,可以被配置为如果所述误识别概率在预设误识别阈值范围内,确定识别出所述地理位置上所述目标对象类别的目标对象的图像为误识别的图像。
在该实施方式中,通过相同地理位置且属于相同目标对象类别的图像的帧数所确定的误识别概率来反应一个地理位置上存在该类别目标对象的概率,进而利用预设误识别阈值范围检测出误识别的图像,实现了自动检测误识别,收集样本数据的目的。
例如,所述识别概率确定子模块5024,可以被配置为将所述帧数对应的图像通过所述图像识别模型得到的识别概率乘以所述帧数,得到所述地理位置上所述目标对象类别的误识别概率;或者,被配置为将所述帧数作为所述地理位置上所述目标对象类别的误识别概率。
为了能够更加快速地确定误识别概率,本发明一个或多个实施例中,所述帧数统计子模块5023可以包括:概率映射子模块5023a、关系建立子模块5023b及区域统计子模块5023c。
该概率映射子模块5023a,可以被配置为响应于所述图像识别模型对输入的图像输出识别为目标对象的识别结果,根据采集所述图像时,机器人所在地理位置及图像采集方向,将所述识别结果映射到概率地图上,所述概率地图为机器人工作时建立的、且划分为多个区域的地理地图。
该关系建立子模块5023b,可以被配置为根据所述识别结果在所述概率地图上映射到的区域的区域唯一标识、所述识别结果的目标对象类别,针对所述图像建立区域唯一标识与目标对象类别之间的对应关系。
该区域统计子模块5023c,可以被配置为根据建立的所述对应关系,统计区域唯一标识相同且目标对象类别相同的图像的帧数。
其中,所述误识别概率由所述对应关系标识。
可见,由于在上述实施方式中根据采集图像时机器人所在地理位置及图像采集方向,将识别结果映射到概率地图上的某个区域,从而可以建立区域唯一标识与目标对象类别之间的对应关系,根据建立的对应关系,统计区域唯一标识相同且目标对象类别相同的图像的帧数,通过帧数确定误识别概率,因此,通过概率地图划分的区域能够为识别出的目标对象合理地确定其所属地理位置,更加快速准确地确定误识别概率,使概率地图能够反应地图上某个位置存在障碍物的概率,实现更加准确地误识别检测。
为了能够快速地获取误识别位姿点,提高机器人采集样本的效率,本发明一个或多个实施例中,如图6所示,所述识别位姿获取模块504可以包括:标签建立子模块5042、标签确定子模块5044及识别位姿获取子模块5046。
该标签建立子模块5042,可以被配置为在位姿地图上,机器人采集所述图像时所在的位姿点处,打上包括所述区域唯一标识以及所述目标对象类别的标签,所述位姿地图为机器人工作时根据机器人位姿信息建立的工作路径地图。
该标签确定子模块5044,可以被配置为如果所述对应关系标识的误识别概率在预设误识别阈值范围内,在所述对应关系匹配的标签上保留误识别标签。
该识别位姿获取子模块5046,可以被配置为在机器人本次工作完成后,从所述位姿地图中,获取标识了误识别标签的位姿点作为误识别位姿点。
在该实施方式中,依据位姿地图上的误识别标签可以快速地获取误识别位姿点,提高了机器人采集样本的效率。
需要说明的是,本发明对于控制机器人在误识别位姿点采集样本数据的时机并不进行限制。具体可以根据实际应用场景对机器人性能的需求进行相应设置。
例如,所述控制模块506,可以被配置为在机器人本次工作完成后,控制机器人回到所述误识别位姿点采集图像作为所述目标对象的样本数据。通过该实施方式,机器人可以在工作完成后,回到误识别位姿点进行二次采集,减少样本采集对机器人正常工作的干扰,提高用户体验。
再例如,所述控制模块506,可以被配置为在机器人本次工作过程中,控制机器人在识别出目标对象的位姿点采集针对目标对象的图像,以及,在机器人本次工作完成后,从采集的图像中,筛选出在所述误识别位姿点采集的图像作为所述目标对象的样本数据。通过该实施方式,机器人可以在工作过程中,即实现对样本数据的采集,在工作完成后,机器人无需反复移动至误识别位姿点,减少对机器人能源的额外消耗。
为了提高图像识别模型的训练效率、训练效果,本发明一个或多个实施例中,所述装置还可以包括:样本发送模块508,可以被配置为将样本数据发送给机器人服务端,以便所述机器人服务端利用所述样本数据对所述图像识别模型进行样本训练。通过该实施方式,机器人服务端可以获取机器人提交的样本数据,自动对图像识别模型进行样本训练,提高了图像识别模型的训练效率、训练效果。
为了提高机器人图像识别模型的识别效果,本发明一个或多个实施例中,所述装置还可以包括:文件接收模块510及更新模块512。
该文件接收模块510,可以被配置为接收所述机器人服务端对所述图像识别模型下发的更新文件。
该更新模块512,可以被配置为利用所述更新文件对所述机器人的图像识别模型进行更新。
通过该实施方式,机器人可以根据服务端下发的更新文件,自动对图像识别模型进行更新,提高图像识别模型的识别效果。
上述为本实施例的一种机器人采集样本的装置的示意性方案。需要说明的是,该机器人采集样本的装置的技术方案与上述的机器人采集样本的方法的技术方案属于同一构思,机器人采集样本的装置的技术方案未详细描述的细节内容,均可以参见上述机器人采集样本的方法的技术方案的描述。
图7示出了根据本发明一个实施例提供的一种机器人采集样本的方法的流程图。该方法应用于机器人服务端,包括步骤702至步骤704。
步骤702:接收机器人发送的样本数据,其中,所述样本数据为所述机器人通过检测出被图像识别模型误识别为目标对象的图像,获取机器人采集所述图像时所在的位姿点作为误识别位姿点,控制机器人在所述误识别位姿点采集图像获得的。
步骤704:利用所述样本数据对所述图像识别模型进行样本训练。
例如,机器人服务端可以根据机器人发送的样本数据携带的目标对象类别标识,将样本数据加入该目标对象类别的负样本数据集,对图像识别模型进行该目标对象类别的负样本训练。
另外,机器人服务端还可以向所述机器人下发对所述图像识别模型的更新文件,其中,所述更新文件可以基于上述样本训练得到,以便所述机器人利用所述更新文件对所述图像识别模型进行更新,从而进一步提高机器人的图像识别模型的识别效果。
可见,由于该方法的机器人服务端接收机器人发送的样本数据,样本数据是机器人无需人工参与的情况下自动采集的,因此,机器人服务端能够自动收集到机器人使用过程中产生误识别的样本数据,利用样本数据对图像识别模型进行样本训练,有效提高了图像识别模型的训练效率、训练效果。
与上述方法实施例相对应,本发明还提供了机器人采集样本的装置实施例,图8示出了本发明一个实施例提供的一种机器人采集样本的装置的结构示意图。该装置配置于机器人服务端,如图8所示,该装置包括:样本接收模块802及样本训练模块804。
该样本接收模块802,可以被配置为接收机器人发送的样本数据,其中,所述样本数据为所述机器人通过检测出被图像识别模型误识别为目标对象的图像,获取机器人采集所述图像时所在的位姿点作为误识别位姿点,控制机器人在所述误识别位姿点采集图像获得的。
该样本训练模块804,可以被配置为利用所述样本数据对所述图像识别模型进行样本训练。
由于该装置接收机器人发送的样本数据,样本数据是机器人无需人工参与的情况下自动采集的,因此,机器人服务端能够自动收集到机器人使用过程中产生误识别的样本数据,利用样本数据对图像识别模型进行样本训练,有效提高了图像识别模型的训练效率、训练效果。
为了进一步提高机器人的图像识别模型的识别效果,如图9示出的本发明另一个实施例提供的一种机器人采集样本的装置的结构示意图,该装置还可以包括:文件发送模块806,可以被配置为向所述机器人下发对所述图像识别模型的更新文件,以便所述机器人利用所述更新文件对所述图像识别模型进行更新。其中,所述更新文件可以基于上述负样本训练得到。
图10示出了根据本发明一个实施例提供的一种计算设备1000的结构框图。该计算设备1000的部件包括但不限于存储器1010和处理器1020。处理器1020与存储器1010通过总线1030相连接,数据库1050用于保存数据。
计算设备1000还包括接入设备1040,接入设备1040使得计算设备1000能够经由一个或多个网络1060通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备1040可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC))中的一个或多个,诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口,等等。
在本发明的一个实施例中,计算设备1000的上述部件以及图10中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图10所示的计算设备结构框图仅仅是出于示例的目的,而不是对本发明范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备1000可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或PC的静止计算设备。计算设备1000还可以是移动式或静止式的服务器。计算设备1000还可以是自移动机器人。如:空气净化机器人,无人机、送餐机器人、监控机器人、如图11所示的清洁机器人、等。
一方面中,处理器1020用于执行如下计算机可执行指令:
检测出被图像识别模型误识别为目标对象的图像;
获取机器人采集所述图像时所在的位姿点作为误识别位姿点。
可选地,还包括:控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据。
可选地,所述检测出被图像识别模型误识别为目标对象的图像包括:判断图像识别模型识别出的目标对象所处地理位置是否为所述目标对象所属类别允许出现的地理位置;如果不是,确定所述图像识别模型对所述图像发生误识别。
可选地,所述检测出被图像识别模型误识别为目标对象的图像包括:统计所述图像识别模型识别出的目标对象处于相同地理位置且属于相同目标对象类别的图像的帧数;根据所述帧数确定所述地理位置上所述目标对象类别的误识别概率;如果所述误识别概率在预设误识别阈值范围内,确定识别出所述地理位置上所述目标对象类别的目标对象的图像为误识别的图像。
可选地,所述根据所述帧数确定所述地理位置上所述目标对象类别的误识别概率包括:将所述帧数对应的图像通过所述图像识别模型得到的识别概率乘以所述帧数,得到所述地理位置上所述目标对象类别的误识别概率;或者,将所述帧数作为所述地理位置上所述目标对象类别的误识别概率。
可选地,所述统计所述图像识别模型识别出的目标对象处于相同地理位置且属于相同目标对象类别的图像的帧数包括:响应于所述图像识别模型对输入的图像输出识别为目标对象的识别结果,根据采集所述图像时,机器人所在地理位置及图像采集方向,将所述识别结果映射到概率地图上,所述概率地图为机器人工作时建立的、且划分为多个区域的地理地图;根据所述识别结果在所述概率地图上映射到的区域的区域唯一标识、所述识别结果的目标对象类别,针对所述图像建立区域唯一标识与目标对象类别之间的对应关系;根据建立的所述对应关系,统计区域唯一标识相同且目标对象类别相同的图像的帧数;其中,所述误识别概率由所述对应关系标识。
可选地,所述获取机器人采集所述图像时所在的位姿点作为误识别位姿点包括:在位姿地图上,机器人采集所述图像时所在的位姿点处,打上包括所述区域唯一标识以及所述目标对象类别的标签,所述位姿地图为机器人工作时根据机器人位姿信息建立的工作路径地图;如果所述对应关系标识的误识别概率在预设误识别阈值范围内,在所述对应关系匹配的标签上保留误识别标签;在机器人本次工作完成后,从所述位姿地图中,获取标识了误识别标签的位姿点作为误识别位姿点。
可选地,所述控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据包括:在机器人本次工作完成后,控制机器人回到所述误识别位姿点采集图像作为所述目标对象的样本数据。
可选地,所述控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据包括:在机器人本次工作过程中,控制机器人在识别出目标对象的位姿点采集针对目标对象的图像;在机器人本次工作完成后,从采集的图像中,筛选出在所述误识别位姿点采集的图像作为所述目标对象的样本数据。
可选地,还包括:将带有所述目标对象类别标识的样本数据发送给机器人服务端,以便所述机器人服务端利用所述样本数据对所述图像识别模型进行所述目标对象所属类别的样本训练。
可选地,还包括:接收所述机器人服务端对所述图像识别模型下发的更新文件;利用所述更新文件对所述机器人的图像识别模型进行更新。
可选地,所述目标对象包括:障碍物或异常点。
可选地,所述图像识别模型包括基于神经网络的图像识别模型。
上述为本实施例的一种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述应用于机器人端的机器人采集样本的方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述应用于机器人端的机器人采集样本的方法的技术方案的描述。
另一方面中,处理器1020用于执行如下计算机可执行指令:
接收机器人发送的样本数据,其中,所述样本数据为所述机器人通过检测出被图像识别模型误识别为目标对象的图像,获取机器人采集所述图像时所在的位姿点作为误识别位姿点,控制机器人在所述误识别位姿点采集图像获得的;
利用所述样本数据对所述图像识别模型进行样本训练。
可选地,还包括:向所述机器人下发对所述图像识别模型的更新文件,以便所述机器人利用所述更新文件对所述图像识别模型进行更新。
上述为本实施例的一种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述的应用于机器人服务端的机器人采集样本的方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述应用于机器人服务端的机器人采集样本的方法的技术方案的描述。
本发明一实施例还提供一种计算机可读存储介质,其存储有计算机指令。
一方面中,该指令被处理器执行时以用于:
检测出被图像识别模型误识别为目标对象的图像;
获取机器人采集所述图像时所在的位姿点作为误识别位姿点。
可选地,还包括:控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据。
可选地,所述检测出被图像识别模型误识别为目标对象的图像包括:判断图像识别模型识别出的目标对象所处地理位置是否为所述目标对象所属类别允许出现的地理位置;如果不是,确定所述图像识别模型对所述图像发生误识别。
可选地,所述检测出被图像识别模型误识别为目标对象的图像包括:统计所述图像识别模型识别出的目标对象处于相同地理位置且属于相同目标对象类别的图像的帧数;根据所述帧数确定所述地理位置上所述目标对象类别的误识别概率;如果所述误识别概率在预设误识别阈值范围内,确定识别出所述地理位置上所述目标对象类别的目标对象的图像为误识别的图像。
可选地,所述根据所述帧数确定所述地理位置上所述目标对象类别的误识别概率包括:将所述帧数对应的图像通过所述图像识别模型得到的识别概率乘以所述帧数,得到所述地理位置上所述目标对象类别的误识别概率;或者,将所述帧数作为所述地理位置上所述目标对象类别的误识别概率。
可选地,所述统计所述图像识别模型识别出的目标对象处于相同地理位置且属于相同目标对象类别的图像的帧数包括:响应于所述图像识别模型对输入的图像输出识别为目标对象的识别结果,根据采集所述图像时,机器人所在地理位置及图像采集方向,将所述识别结果映射到概率地图上,所述概率地图为机器人工作时建立的、且划分为多个区域的地理地图;根据所述识别结果在所述概率地图上映射到的区域的区域唯一标识、所述识别结果的目标对象类别,针对所述图像建立区域唯一标识与目标对象类别之间的对应关系;根据建立的所述对应关系,统计区域唯一标识相同且目标对象类别相同的图像的帧数;其中,所述误识别概率由所述对应关系标识。
可选地,所述获取机器人采集所述图像时所在的位姿点作为误识别位姿点包括:在位姿地图上,机器人采集所述图像时所在的位姿点处,打上包括所述区域唯一标识以及所述目标对象类别的标签,所述位姿地图为机器人工作时根据机器人位姿信息建立的工作路径地图;如果所述对应关系标识的误识别概率在预设误识别阈值范围内,在所述对应关系匹配的标签上保留误识别标签;在机器人本次工作完成后,从所述位姿地图中,获取标识了误识别标签的位姿点作为误识别位姿点。
可选地,所述控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据包括:在机器人本次工作完成后,控制机器人回到所述误识别位姿点采集图像作为所述目标对象的样本数据。
可选地,所述控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据包括:在机器人本次工作过程中,控制机器人在识别出目标对象的位姿点采集针对目标对象的图像;在机器人本次工作完成后,从采集的图像中,筛选出在所述误识别位姿点采集的图像作为所述目标对象的样本数据。
可选地,还包括:将带有所述目标对象类别标识的样本数据发送给机器人服务端,以便所述机器人服务端利用所述样本数据对所述图像识别模型进行所述目标对象所属类别的样本训练。
可选地,还包括:接收所述机器人服务端对所述图像识别模型下发的更新文件;利用所述更新文件对所述机器人的图像识别模型进行更新。
可选地,所述目标对象包括:障碍物或异常点。
可选地,所述图像识别模型包括基于神经网络的图像识别模型。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述应用于机器人端的机器人采集样本的方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述应用于机器人端的机器人采集样本的方法的技术方案的描述。
另一方面中,该指令被处理器执行时以用于:
接收机器人发送的样本数据,其中,所述样本数据为所述机器人通过检测出被图像识别模型误识别为目标对象的图像,获取机器人采集所述图像时所在的位姿点作为误识别位姿点,控制机器人在所述误识别位姿点采集图像获得的;
利用所述样本数据对所述图像识别模型进行样本训练。
可选地,还包括:向所述机器人下发对所述图像识别模型的更新文件,以便所述机器人利用所述更新文件对所述图像识别模型进行更新。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述应用于机器人服务端的机器人采集样本的方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述应用于机器人服务端的机器人采集样本的方法的技术方案的描述。
上述对本发明特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本发明实施例所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本发明优选实施例只是用于帮助阐述本发明。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本发明实施例的内容,可作很多的修改和变化。本发明选取并具体描述这些实施例,是为了更好地解释本发明实施例的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (26)
1.一种机器人采集样本的方法,其特征在于,包括:
检测出被图像识别模型误识别为目标对象的图像;
获取机器人采集所述图像时所在的位姿点作为误识别位姿点;
控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据;
其中,所述控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据包括:
在机器人本次工作完成后,控制机器人回到所述误识别位姿点采集图像作为所述目标对象的样本数据,或者,在机器人本次工作过程中,控制机器人在识别出目标对象的位姿点采集针对目标对象的图像,在机器人本次工作完成后,从采集的图像中,筛选出在所述误识别位姿点采集的图像作为所述目标对象的样本数据。
2.根据权利要求1所述的方法,其特征在于,所述检测出被图像识别模型误识别为目标对象的图像包括:
判断图像识别模型识别出的目标对象所处地理位置是否为所述目标对象所属类别允许出现的地理位置;
如果不是,确定所述图像识别模型对所述图像发生误识别。
3.根据权利要求1所述的方法,其特征在于,所述检测出被图像识别模型误识别为目标对象的图像包括:
统计所述图像识别模型识别出的目标对象处于相同地理位置且属于相同目标对象类别的图像的帧数;
根据所述帧数确定所述地理位置上所述目标对象类别的误识别概率;
如果所述误识别概率在预设误识别阈值范围内,确定识别出所述地理位置上所述目标对象类别的目标对象的图像为误识别的图像。
4.根据权利要求3所述的方法,其特征在于,所述根据所述帧数确定所述地理位置上所述目标对象类别的误识别概率包括:
将所述帧数对应的图像通过所述图像识别模型得到的识别概率乘以所述帧数,得到所述地理位置上所述目标对象类别的误识别概率;
或者,
将所述帧数作为所述地理位置上所述目标对象类别的误识别概率。
5.根据权利要求3所述的方法,其特征在于,所述统计所述图像识别模型识别出的目标对象处于相同地理位置且属于相同目标对象类别的图像的帧数包括:
响应于所述图像识别模型对输入的图像输出识别为目标对象的识别结果,根据采集所述图像时,机器人所在地理位置及图像采集方向,将所述识别结果映射到概率地图上,所述概率地图为机器人工作时建立的、且划分为多个区域的地理地图;
根据所述识别结果在所述概率地图上映射到的区域的区域唯一标识、所述识别结果的目标对象类别,针对所述图像建立区域唯一标识与目标对象类别之间的对应关系;
根据建立的所述对应关系,统计区域唯一标识相同且目标对象类别相同的图像的帧数;
其中,所述误识别概率由所述对应关系标识。
6.根据权利要求5所述的方法,其特征在于,所述获取机器人采集所述图像时所在的位姿点作为误识别位姿点包括:
在位姿地图上,机器人采集所述图像时所在的位姿点处,打上包括所述区域唯一标识以及所述目标对象类别的标签,所述位姿地图为机器人工作时根据机器人位姿信息建立的工作路径地图;
如果所述对应关系标识的误识别概率在预设误识别阈值范围内,在所述对应关系匹配的标签上保留误识别标签;
在机器人本次工作完成后,从所述位姿地图中,获取标识了误识别标签的位姿点作为误识别位姿点。
7.根据权利要求1所述的方法,其特征在于,还包括:
将带有所述目标对象类别标识的样本数据发送给机器人服务端,以便所述机器人服务端利用所述样本数据对所述图像识别模型进行所述目标对象所属类别的样本训练。
8.根据权利要求7所述的方法,其特征在于,还包括:
接收所述机器人服务端对所述图像识别模型下发的更新文件;
利用所述更新文件对所述机器人的图像识别模型进行更新。
9.根据权利要求1所述的方法,其特征在于,所述目标对象包括:障碍物或异常点。
10.根据权利要求1所述的方法,其特征在于,所述图像识别模型包括基于神经网络的图像识别模型。
11.一种机器人采集样本的装置,其特征在于,包括:
识别检测模块,被配置为检测出被图像识别模型误识别为目标对象的图像;
识别位姿获取模块,被配置为获取机器人采集所述图像时所在的位姿点作为误识别位姿点;
控制模块,被配置为控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据;
其中,所述控制模块,被配置为在机器人本次工作完成后,控制机器人回到所述误识别位姿点采集图像作为所述目标对象的样本数据,或者,被配置为在机器人本次工作过程中,控制机器人在识别出目标对象的位姿点采集针对目标对象的图像,以及在机器人本次工作完成后,从采集的图像中,筛选出在所述误识别位姿点采集的图像作为所述目标对象的样本数据。
12.根据权利要求11所述的装置,其特征在于,所述识别检测模块包括:
位置检测子模块,被配置为判断图像识别模型识别出的目标对象所处地理位置是否为所述目标对象所属类别允许出现的地理位置;
识别确定子模块,被配置为如果所述位置检测子模块判定不是,确定所述图像识别模型对所述图像发生误识别。
13.根据权利要求11所述的装置,其特征在于,所述识别检测模块包括:
帧数统计子模块,被配置为统计所述图像识别模型识别出的目标对象处于相同地理位置且属于相同目标对象类别的图像的帧数;
识别概率确定子模块,被配置为根据所述帧数确定所述地理位置上所述目标对象类别的误识别概率;
识别确定子模块,被配置为如果所述误识别概率在预设误识别阈值范围内,确定识别出所述地理位置上所述目标对象类别的目标对象的图像为误识别的图像。
14.根据权利要求13所述的装置,其特征在于,所述识别概率确定子模块,被配置为将所述帧数对应的图像通过所述图像识别模型得到的识别概率乘以所述帧数,得到所述地理位置上所述目标对象类别的误识别概率;或者,被配置为将所述帧数作为所述地理位置上所述目标对象类别的误识别概率。
15.根据权利要求13所述的装置,其特征在于,所述帧数统计子模块包括:
概率映射子模块,被配置为响应于所述图像识别模型对输入的图像输出识别为目标对象的识别结果,根据采集所述图像时,机器人所在地理位置及图像采集方向,将所述识别结果映射到概率地图上,所述概率地图为机器人工作时建立的、且划分为多个区域的地理地图;
关系建立子模块,被配置为根据所述识别结果在所述概率地图上映射到的区域的区域唯一标识、所述识别结果的目标对象类别,针对所述图像建立区域唯一标识与目标对象类别之间的对应关系;
区域统计子模块,被配置为根据建立的所述对应关系,统计区域唯一标识相同且目标对象类别相同的图像的帧数;
其中,所述误识别概率由所述对应关系标识。
16.根据权利要求15所述的装置,其特征在于,所述识别位姿获取模块包括:
标签建立子模块,被配置为在位姿地图上,机器人采集所述图像时所在的位姿点处,打上包括所述区域唯一标识以及所述目标对象类别的标签,所述位姿地图为机器人工作时根据机器人位姿信息建立的工作路径地图;
标签确定子模块,被配置为如果所述对应关系标识的误识别概率在预设误识别阈值范围内,在所述对应关系匹配的标签上保留误识别标签;
识别位姿获取子模块,被配置为在机器人本次工作完成后,从所述位姿地图中,获取标识了误识别标签的位姿点作为误识别位姿点。
17.根据权利要求11所述的装置,其特征在于,还包括:
样本发送模块,被配置为将样本数据发送给机器人服务端,以便所述机器人服务端利用所述样本数据对所述图像识别模型进行样本训练。
18.根据权利要求17所述的装置,其特征在于,还包括:
文件接收模块,被配置为接收所述机器人服务端对所述图像识别模型下发的更新文件;
更新模块,被配置为利用所述更新文件对所述机器人的图像识别模型进行更新。
19.一种机器人采集样本的方法,应用于机器人服务端,其特征在于,包括:
接收机器人发送的样本数据,其中,所述样本数据为所述机器人通过检测出被图像识别模型误识别为目标对象的图像,获取机器人采集所述图像时所在的位姿点作为误识别位姿点,控制机器人在所述误识别位姿点采集图像获得的,其中,所述控制机器人在所述误识别位姿点采集图像,包括:在机器人本次工作完成后,控制机器人回到所述误识别位姿点采集图像作为所述目标对象的样本数据,或者,在机器人本次工作过程中,控制机器人在识别出目标对象的位姿点采集针对目标对象的图像,在机器人本次工作完成后,从采集的图像中,筛选出在所述误识别位姿点采集的图像作为所述目标对象的样本数据;
利用所述样本数据对所述图像识别模型进行样本训练。
20.根据权利要求19所述的方法,其特征在于,还包括:
向所述机器人下发对所述图像识别模型的更新文件,以便所述机器人利用所述更新文件对所述图像识别模型进行更新。
21.一种机器人采集样本的装置,配置于机器人服务端,其特征在于,包括:
样本接收模块,被配置为接收机器人发送的样本数据,其中,所述样本数据为所述机器人通过检测出被图像识别模型误识别为目标对象的图像,获取机器人采集所述图像时所在的位姿点作为误识别位姿点,控制机器人在所述误识别位姿点采集图像获得的,其中,所述控制机器人在所述误识别位姿点采集图像,包括:在机器人本次工作完成后,控制机器人回到所述误识别位姿点采集图像作为所述目标对象的样本数据,或者,在机器人本次工作过程中,控制机器人在识别出目标对象的位姿点采集针对目标对象的图像,在机器人本次工作完成后,从采集的图像中,筛选出在所述误识别位姿点采集的图像作为所述目标对象的样本数据;
样本训练模块,被配置为利用所述样本数据对所述图像识别模型进行样本训练。
22.根据权利要求21所述的装置,其特征在于,还包括:
文件发送模块,被配置为向所述机器人下发对所述图像识别模型的更新文件,以便所述机器人利用所述更新文件对所述图像识别模型进行更新。
23.一种机器人,其特征在于,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:
检测出被图像识别模型误识别为目标对象的图像;
获取机器人采集所述图像时所在的位姿点作为误识别位姿点;
控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据;其中,所述控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据包括:
在机器人本次工作完成后,控制机器人回到所述误识别位姿点采集图像作为所述目标对象的样本数据,或者,在机器人本次工作过程中,控制机器人在识别出目标对象的位姿点采集针对目标对象的图像,在机器人本次工作完成后,从采集的图像中,筛选出在所述误识别位姿点采集的图像作为所述目标对象的样本数据。
24.一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时以用于:
检测出被图像识别模型误识别为目标对象的图像;
获取机器人采集所述图像时所在的位姿点作为误识别位姿点;
控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据;
其中,所述控制机器人在所述误识别位姿点采集图像作为所述目标对象的样本数据包括:
在机器人本次工作完成后,控制机器人回到所述误识别位姿点采集图像作为所述目标对象的样本数据,或者,在机器人本次工作过程中,控制机器人在识别出目标对象的位姿点采集针对目标对象的图像,在机器人本次工作完成后,从采集的图像中,筛选出在所述误识别位姿点采集的图像作为所述目标对象的样本数据。
25.一种计算设备,其特征在于,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:
接收机器人发送的样本数据,其中,所述样本数据为所述机器人通过检测出被图像识别模型误识别为目标对象的图像,获取机器人采集所述图像时所在的位姿点作为误识别位姿点,控制机器人在所述误识别位姿点采集图像获得的,其中,所述控制机器人在所述误识别位姿点采集图像,包括:在机器人本次工作完成后,控制机器人回到所述误识别位姿点采集图像作为所述目标对象的样本数据,或者,在机器人本次工作过程中,控制机器人在识别出目标对象的位姿点采集针对目标对象的图像,在机器人本次工作完成后,从采集的图像中,筛选出在所述误识别位姿点采集的图像作为所述目标对象的样本数据;
利用所述样本数据对所述图像识别模型进行样本训练。
26.一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时以用于:
接收机器人发送的样本数据,其中,所述样本数据为所述机器人通过检测出被图像识别模型误识别为目标对象的图像,获取机器人采集所述图像时所在的位姿点作为误识别位姿点,控制机器人在所述误识别位姿点采集图像获得的,其中,所述控制机器人在所述误识别位姿点采集图像,包括:在机器人本次工作完成后,控制机器人回到所述误识别位姿点采集图像作为所述目标对象的样本数据,或者,在机器人本次工作过程中,控制机器人在识别出目标对象的位姿点采集针对目标对象的图像,在机器人本次工作完成后,从采集的图像中,筛选出在所述误识别位姿点采集的图像作为所述目标对象的样本数据;
利用所述样本数据对所述图像识别模型进行样本训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010048730.4A CN113128545B (zh) | 2020-01-16 | 2020-01-16 | 机器人采集样本的方法以及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010048730.4A CN113128545B (zh) | 2020-01-16 | 2020-01-16 | 机器人采集样本的方法以及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113128545A CN113128545A (zh) | 2021-07-16 |
CN113128545B true CN113128545B (zh) | 2023-08-29 |
Family
ID=76771963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010048730.4A Active CN113128545B (zh) | 2020-01-16 | 2020-01-16 | 机器人采集样本的方法以及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128545B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012215442A (ja) * | 2011-03-31 | 2012-11-08 | Aisin Aw Co Ltd | 自位置特定システム、自位置特定プログラム及び自位置特定方法 |
CN110139037A (zh) * | 2019-05-20 | 2019-08-16 | 深圳铂石空间科技有限公司 | 对象监测方法及装置、存储介质和电子设备 |
CN110246163A (zh) * | 2019-05-17 | 2019-09-17 | 联想(上海)信息技术有限公司 | 图像处理方法及其装置、设备、计算机存储介质 |
CN110450152A (zh) * | 2019-06-24 | 2019-11-15 | 广东宝乐机器人股份有限公司 | 区域识别方法、机器人和存储介质 |
-
2020
- 2020-01-16 CN CN202010048730.4A patent/CN113128545B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012215442A (ja) * | 2011-03-31 | 2012-11-08 | Aisin Aw Co Ltd | 自位置特定システム、自位置特定プログラム及び自位置特定方法 |
CN110246163A (zh) * | 2019-05-17 | 2019-09-17 | 联想(上海)信息技术有限公司 | 图像处理方法及其装置、设备、计算机存储介质 |
CN110139037A (zh) * | 2019-05-20 | 2019-08-16 | 深圳铂石空间科技有限公司 | 对象监测方法及装置、存储介质和电子设备 |
CN110450152A (zh) * | 2019-06-24 | 2019-11-15 | 广东宝乐机器人股份有限公司 | 区域识别方法、机器人和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113128545A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110021033B (zh) | 一种基于金字塔孪生网络的目标跟踪方法 | |
WO2021068588A1 (zh) | 车位及其方向角度检测方法、装置、设备及介质 | |
CN111695622A (zh) | 变电作业场景的标识模型训练方法、标识方法及装置 | |
CN112541395A (zh) | 一种目标检测和跟踪方法、装置、存储介质及电子装置 | |
CN112528979B (zh) | 变电站巡检机器人障碍物判别方法及*** | |
CN110490171B (zh) | 一种危险姿态识别方法、装置、计算机设备及存储介质 | |
CN105224947A (zh) | 分类器训练方法和*** | |
CN113936340B (zh) | 一种基于训练数据采集的ai模型训练方法及装置 | |
CN113052295B (zh) | 一种神经网络的训练方法、物体检测方法、装置及设备 | |
CN112150514A (zh) | 视频的行人轨迹追踪方法、装置、设备及存储介质 | |
CN115346256A (zh) | 机器人寻人方法及*** | |
CN112836683A (zh) | 用于便携式摄像设备的车牌识别方法、装置、设备和介质 | |
CN115797811A (zh) | 一种基于视觉的农产品检测方法及*** | |
CN115082857A (zh) | 一种目标对象的检测方法、装置、设备以及存储介质 | |
CN109903308B (zh) | 用于获取信息的方法及装置 | |
CN113128545B (zh) | 机器人采集样本的方法以及其装置 | |
US11704516B2 (en) | Electronic label management apparatus and method | |
CN112966780A (zh) | 一种动物行为识别方法及*** | |
CN111832485A (zh) | 一种用于识别场景的深度学习方法及自动学习巡检方法 | |
CN111832337A (zh) | 一种车牌识别方法及装置 | |
CN112927269B (zh) | 基于环境语义的地图构建方法、装置和计算机设备 | |
CN114494355A (zh) | 基于人工智能的轨迹分析方法、装置、终端设备及介质 | |
CN114724089A (zh) | 一种基于互联网的智慧城市监测方法 | |
CN116363208A (zh) | 一种基于限位点操作清洁机器人的方法及装置 | |
CN113469138A (zh) | 对象检测方法和装置、存储介质及电子设备 |
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 |