物体颜色识别方法、装置及电子设备制造方法及图纸

本发明专利技术提供了一种物体颜色识别方法、装置及电子设备，涉及图像处理的技术领域，包括：获取待识别图像，其中，待识别图像中包含待识别对象；通过目标特征融合卷积神经网络对待识别图像进行颜色识别，得到待识别图像的颜色识别结果；颜色识别结果用于表征待识别对象中至少一个识别部件的颜色识别结果。本发明专利技术实施例通过目标特征融合卷积神经网络对待识别图像进行颜色识别的方式，能够缓解现有的利用人工的方式对产品的外观进行检测，该方式浪费了大量的人力，且难以适应高速的生产系统的技术问题。

【技术实现步骤摘要】
物体颜色识别方法、装置及电子设备
本专利技术涉及图像处理
，尤其是涉及一种物体颜色识别方法、装置及电子设备。
技术介绍
生产企业一般会生产几种不同型号的产品，不同型号产品的外观具有不同的设计。由于产品由各种零部件构成，因此对产品的外观进行设计，相当于对各种零部件的颜色进行设计。在产品的生产制造的过程中难免会发生零部件与其设计的颜色不匹配的情况。为了提高产品的外观质量，生产企业在产品生产过程中利用人工的方式对产品的外观进行检测，该方式浪费了大量的人力，且难以适应高速的生产系统。
技术实现思路
本专利技术的目的在于提供一种物体颜色识别方法、装置及电子设备，以缓解了现有技术中存在的生产企业在产品生产过程中利用人工的方式对产品的外观进行检测，该方式浪费了大量的人力，且难以适应高速的生产系统的技术问题。第一方面，本专利技术实施例提供了一种物体颜色识别方法，其中，包括：获取待识别图像，其中，所述待识别图像中包含待识别对象；通过目标特征融合卷积神经网络对所述待识别图像进行颜色识别，得到所述待识别图像的颜色识别结果；其中，所述颜色识别结果用于表征所述待识别对象中至少一个识别部件的颜色识别结果；其中，所述目标特征融合卷积神经网络包括：至少一个卷积池化模块、特征融合模块和至少一个全连接模块，所述至少一个卷积池化模块输出的特征信息输入至所述特征融合模块，所述特征融合模块用于将所述至少一个卷积池化模块输出的特征信息进行特征融合处理，所述至少一个全连接模块用于对特征融合处理的结果进行处理。进一步地，通过目标特征融合卷积神经网络对所述待识别图像进行颜色识别，得到所述待识别图像的颜色识别结果包括：通过所述目标特征融合卷积神经网络对所述待识别图像进行颜色识别，得到每个识别部件的预测值，其中，所述预测值用于表征识别部件的颜色为每个预设颜色的概率值；根据每个识别部件的预测值确定所述待识别图像的颜色识别结果。进一步地，根据每个识别部件的预测值确定所述待识别图像的颜色识别结果包括：将每个识别部件的预测值中最大概率值所对应的预设颜色确定为所述识别部件所属的颜色。进一步地，每个卷积池化模块包括：至少一个卷积层和至少一个池化层，所述特征融合模块与部分或者全部卷积池化模块中的至少一个池化层相连接。进一步地，所述卷积池化模块的数量为多个；且多个卷积池化模块依次连接；所述特征融合模块包含：特征处理模块和特征连接模块；通过目标特征融合卷积神经网络对所述待识别图像进行颜色识别包括：依次通过对个所述卷积池化模块对所述待识别图像进行卷积池化处理，得到多个所述卷积池化模块分别输出的多个图像特征；通过所述特征处理模块对与其相连接的卷积池化模型的至少一个池化层输出的图像特征进行特征融合处理，得到多个第二图像特征；通过所述特征连接模块对所述多个第二图像特征进行特征连接，得到第三图像特征；通过所述至少一个全连接模块对所述第三图像特征进行全连接处理，得到所述待识别图像的颜色识别结果。进一步地，所述特征处理模块包括：目标卷积层和全局平均池化层；通过所述特征处理模块对与其相连接的卷积池化模型的至少一个池化层输出的图像特征进行特征融合处理包括：通过所述目标卷积层对与其相连接的卷积池化模型的至少一个池化层输出的图像特征进行特征处理，得到中间图像特征；通过所述全局平均池化层对所述中间图像特征进行全局平均池化处理，得到所述第二图像特征。进一步地，所述目标卷积层的卷积核为1×1卷积核。进一步地，所述至少一个卷积池化模块中的前N个卷积池化模块和所述至少一个卷积池化模块中的最后一个卷积池化模块输出的图像特征输入至特征处理模块中进行处理，N小于所述至少一个卷积池化模块的数量。进一步地，所述方法还包括：通过所述待识别图像的颜色识别结果确定所述待识别对象的质量信息，其中，所述质量信息包括：合格产品或者不合格产品。进一步地，通过所述待识别图像的颜色识别结果确定所述待识别对象的质量信息包括：将所述待识别图像的颜色识别结果和所述待识别对象的标准颜色信息进行比对；若比对结果为相同，则确定所述待识别对象的质量信息为合格产品；若比对结果为不相同，则确定所述待识别对象的质量信息为不合格产品。进一步地，所述方法还包括：获取原始训练图像，其中，所述原始训练图像中包括待识别对象；将所述原始训练图像输入到初始特征融合卷积神经网络，得到所述原始训练图像的颜色识别结果；基于所述原始训练图像的颜色识别结果计算所述初始特征融合卷积神经网络的目标损失函数的函数值；通过所述目标损失函数的函数值对所述初始特征融合卷积神经网络的参数进行调整，得到所述目标特征融合卷积神经网络。进一步地，所述至少一个识别部件的数量为多个；基于所述原始训练图像的颜色识别结果计算所述初始特征融合卷积神经网络的目标损失函数的函数值包括：基于所述原始训练图像的颜色识别结果中每个识别部件的颜色识别结果和目标向量计算交叉熵损失函数的函数值，得到多个函数值；其中，所述目标向量用于表征每个识别部件在预设颜色中的实际颜色信息；将所述多个函数值进行求和计算，得到所述目标损失函数的函数值。第二方面，本专利技术实施例提供了一种物体颜色识别装置，其中，包括：获取单元，用于获取待识别图像，其中，所述待识别图像中包含待识别对象；颜色识别单元，用于通过目标特征融合卷积神经网络对所述待识别图像进行颜色识别，得到所述待识别图像的颜色识别结果；其中，所述颜色识别结果用于表征所述待识别对象中至少一个识别部件的颜色识别结果；其中，所述目标特征融合卷积神经网络包括：至少一个卷积池化模块、特征融合模块和至少一个全连接模块，所述至少一个卷积池化模块输出的特征信息输入至特征融合模块，所述特征融合模块用于将所述至少一个卷积池化模块输出的特征信息进行特征融合处理，所述至少一个全连接模块用于对特征融合处理的结果进行处理。第三方面，本专利技术还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现的所述的目标跟踪方法的步骤。第四方面，本专利技术还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，其中，所述程序代码使所述处理器执行所述的目标跟踪方法。在本专利技术实施例中，先获取待识别图像，其中，待识别图像中包含待识别对象，然后通过目标特征融合卷积神经网络对待识别图像进行颜色识别，得到待识别图像的颜色识别结果；其中，颜色识别结果用于表征待识别对象中至少一个识别部件的颜色识别结果。其中，目标特征融合卷积神经网络包括：至少一个卷积池化模块、特征融合模块和至少一个全连接模块，至少一个卷积池化模块输出的特征信息输入至特征融合模块，特征融合模块用于将至少一个卷积池化模块输出的特征信息进行特征融合处理，至少一个全连接模块用于对特征融合处理的结果进行处理。在本专利技术实施例中，通过目标特征融合卷积神经网络对待识别图像进行颜色识别的方式，能够缓解现有的利用人工的方式对产品的外观进行检测，该方式浪费了大量的人力，且难以适应高速的生产系统的技术问题，从而达到了对物体颜色的快速本文档来自技高网...

【技术保护点】
1.一种物体颜色识别方法，其特征在于，包括：/n获取待识别图像，其中，所述待识别图像中包含待识别对象；/n通过目标特征融合卷积神经网络对所述待识别图像进行颜色识别，得到所述待识别图像的颜色识别结果；其中，所述颜色识别结果用于表征所述待识别对象中至少一个识别部件的颜色识别结果；/n其中，所述目标特征融合卷积神经网络包括：至少一个卷积池化模块、特征融合模块和至少一个全连接模块，所述至少一个卷积池化模块输出的特征信息输入至所述特征融合模块，所述特征融合模块用于将所述至少一个卷积池化模块输出的特征信息进行特征融合处理，所述至少一个全连接模块用于对特征融合处理的结果进行处理。/n

【技术特征摘要】
1.一种物体颜色识别方法，其特征在于，包括：
获取待识别图像，其中，所述待识别图像中包含待识别对象；
通过目标特征融合卷积神经网络对所述待识别图像进行颜色识别，得到所述待识别图像的颜色识别结果；其中，所述颜色识别结果用于表征所述待识别对象中至少一个识别部件的颜色识别结果；
其中，所述目标特征融合卷积神经网络包括：至少一个卷积池化模块、特征融合模块和至少一个全连接模块，所述至少一个卷积池化模块输出的特征信息输入至所述特征融合模块，所述特征融合模块用于将所述至少一个卷积池化模块输出的特征信息进行特征融合处理，所述至少一个全连接模块用于对特征融合处理的结果进行处理。


2.根据权利要求1所述的方法，其特征在于，通过目标特征融合卷积神经网络对所述待识别图像进行颜色识别，得到所述待识别图像的颜色识别结果包括：
通过所述目标特征融合卷积神经网络对所述待识别图像进行颜色识别，得到每个识别部件的预测值，其中，所述预测值用于表征识别部件的颜色为每个预设颜色的概率值；
根据每个识别部件的预测值确定所述待识别图像的颜色识别结果。


3.根据权利要求2所述的方法，其特征在于，根据每个识别部件的预测值确定所述待识别图像的颜色识别结果包括：
将每个识别部件的预测值中最大概率值所对应的预设颜色确定为所述识别部件所属的颜色。


4.根据权利要求1所述的方法，其特征在于，每个卷积池化模块包括：至少一个卷积层和至少一个池化层，所述特征融合模块与部分或者全部卷积池化模块中的至少一个池化层相连接。


5.根据权利要求4所述的方法，其特征在于，所述卷积池化模块的数量为多个；且多个卷积池化模块依次连接；
所述特征融合模块包含：特征处理模块和特征连接模块；通过目标特征融合卷积神经网络对所述待识别图像进行颜色识别包括：
依次通过多个所述卷积池化模块对所述待识别图像进行卷积池化处理，得到多个所述卷积池化模块分别输出的多个图像特征；
通过所述特征处理模块对与其相连接的卷积池化模型的至少一个池化层输出的图像特征进行特征融合处理，得到多个第二图像特征；
通过所述特征连接模块对所述多个第二图像特征进行特征连接，得到第三图像特征；
通过所述至少一个全连接模块对所述第三图像特征进行全连接处理，得到所述待识别图像的颜色识别结果。


6.根据权利要求5所述的方法，其特征在于，所述特征处理模块包括：目标卷积层和全局平均池化层；
通过所述特征处理模块对与其相连接的卷积池化模型的至少一个池化层输出的图像特征进行特征融合处理包括：
通过所述目标卷积层对与其相连接的卷积池化模型的至少一个池化层输出的图像特征进行特征处理，得到中间图像特征；
通过所述全局平均池化层对所述中间图像特征进行全局平均池化处理，得到所述第二图像特征。


7.根据权利要求6所述的方法，其特征在于，所述目标卷积层的卷积核为1×1卷积核。


8.根据权利要求6所述的方法，其特征在于，所述...

【专利技术属性】
技术研发人员：周争光，姚聪，王鹏，陈坤鹏，
申请(专利权)人：北京旷视科技有限公司，
类型：发明
国别省市：北京;11