物体识别方法、装置、设备及存储介质制造方法及图纸

本申请实施例提供一种物体识别方法、装置、设备及存储介质。该方法包括：获取训练样本，训练样本是非残次物体图像；根据特征提取模型提取训练样本的第一特征图，其包括多个特征向量；根据第一自编码器对多个特征向量进行编码和解码，得到多个编码向量和多个解码向量；根据多个特征向量的位置组合每个特征向量对应的编码向量，得到第二特征图；根据第二自编码器对第二特征图进行图像重建，得到第三特征图；根据训练样本和第一特征图训练特征提取模型，根据第一特征图和多个解码向量训练第一自编码器，根据第二特征图和第三特征图训练第二自编码器，得到目标物体识别模型，基于该模型与目标物体图像可以有效地识别目标物体是否为残次物体。

【技术实现步骤摘要】
物体识别方法、装置、设备及存储介质
本申请涉及深度学习
，尤其涉及一种物体识别方法、装置、设备及存储介质。
技术介绍
一般工厂生产的产品的良品率较高，残次产品很少出现。传统的产品识别方案通常是根据产品图像样本集训练预设模型，得到产品识别模型，通过产品识别模型来识别产品残次或者非残次。但是由于整体产品群体中残次产品的占比较小，产品图像样本集中的正样本即残次产品图像的数量远低于负样本即非残次产品图像的数量，正负样本不均衡，容易导致产品识别模型无法有效地识别出残次产品，识别效果较差。
技术实现思路
本申请实施例提供了一种物体识别方法、装置、设备及存储介质，能够使有效地识别目标物体是否为残次物体，提高物体识别效果。第一方面，本申请实施例提供一种物体识别模型的训练方法，初始物体识别模型包括：预设的特征提取模型、预设的第一自编码器和预设的第二自编码器，该方法包括：获取训练样本，其中，训练样本是非残次物体图像；根据特征提取模型提取训练样本的第一特征图，其中，第一特征图包括多个特征向量；根据第一自编码器对第一特征图中的多个特征向量进行编码和解码，得到多个编码向量和多个解码向量；根据多个特征向量的位置组合每个特征向量对应的编码向量，得到第二特征图；根据第二自编码器对第二特征图进行图像重建，得到第三特征图；根据训练样本和第一特征图训练特征提取模型，以及根据第一特征图和多个解码向量训练第一自编码器，以及根据第二特征图和第三特征图训练第二自编码器，得到目标物体识别模型。在第一方面的一些可实现方式中，特征提取模型包括DenseNet模型或者ResNet模型。在第一方面的一些可实现方式中，第一自编码器包括全连接自编码器，第二自编码器包括卷积自编码器。第二方面，本申请实施例提供一种物体识别方法，该方法包括：获取目标物体图像；根据目标物体识别模型中的特征提取模型提取目标物体图像的第四特征图，其中，第四特征图包括多个特征向量，目标物体识别模型基于第一方面或者第一方面任一些可实现方式中所述的物体识别模型的训练方法得到；根据目标物体识别模型中的第一自编码器对第四特征图中的多个特征向量进行编码，得到多个编码向量；根据多个特征向量的位置组合每个特征向量对应的编码向量，得到第五特征图；根据目标物体识别模型中的第二自编码器对第五特征图进行图像重建，得到第六特征图；计算第五特征图与第六特征图中的向量的重建误差，得到第一重建误差分布图；根据第一重建误差分布图确定目标物体是否为残次物体。在第二方面的一些可实现方式中，计算第五特征图与第六特征图中的向量的重建误差，得到第一重建误差分布图，包括：计算第五特征图与第六特征图中的向量的重建误差，得到第二重建误差分布图；保留第二重建误差分布图中大于或等于预设误差阈值的重建误差，得到第一重建误差分布图。在第二方面的一些可实现方式中，根据第一重建误差分布图确定目标物体是否为残次物体，包括：根据图像二值化算法和边缘检测算法对重建误差分布图进行区域检测，确定目标物体是否存在残次区域。第三方面，本申请实施例提供一种物体识别模型的训练装置，初始物体识别模型包括：预设的特征提取模型、预设的第一自编码器和预设的第二自编码器，该装置包括：获取模块，用于获取训练样本，其中，训练样本是非残次物体图像；提取模块，用于根据特征提取模型提取训练样本的第一特征图，其中，第一特征图包括多个特征向量；编解码模块，用于根据第一自编码器对第一特征图中的多个特征向量进行编码和解码，得到多个编码向量和多个解码向量；组合模块，用于根据多个特征向量的位置组合每个特征向量对应的编码向量，得到第二特征图；重建模块，用于根据第二自编码器对第二特征图进行图像重建，得到第三特征图；训练模块，用于根据训练样本和第一特征图训练特征提取模型，以及根据第一特征图和多个解码向量训练第一自编码器，以及根据第二特征图和第三特征图训练第二自编码器，得到目标物体识别模型。在第三方面的一些可实现方式中，特征提取模型包括DenseNet模型或者ResNet模型。在第三方面的一些可实现方式中，第一自编码器包括全连接自编码器，第二自编码器包括卷积自编码器。第四方面，本申请实施例提供一种物体识别装置，该装置包括：获取模块，用于获取目标物体图像；提取模块，用于根据目标物体识别模型中的特征提取模型提取目标物体图像的第四特征图，其中，第四特征图包括多个特征向量，目标物体识别模型基于第一方面或者第一方面任一些可实现方式中所述的物体识别模型的训练方法得到；编码模块，用于根据目标物体识别模型中的第一自编码器对第四特征图中的多个特征向量进行编码，得到多个编码向量；组合模块，用于根据多个特征向量的位置组合每个特征向量对应的编码向量，得到第五特征图；重建模块，用于根据目标物体识别模型中的第二自编码器对第五特征图进行图像重建，得到第六特征图；计算模块，用于计算第五特征图与第六特征图中的向量的重建误差，得到第一重建误差分布图；确定模块，用于根据第一重建误差分布图确定目标物体是否为残次物体。在第四方面的一些可实现方式中，计算模块包括：计算单元，用于计算第五特征图与第六特征图中的向量的重建误差，得到第二重建误差分布图；保留单元，用于保留第二重建误差分布图中大于或等于预设误差阈值的重建误差，得到第一重建误差分布图。在第四方面的一些可实现方式中，确定模块具体用于：根据图像二值化算法和边缘检测算法对重建误差分布图进行区域检测，确定目标物体是否存在残次区域。第五方面，本申请实施例提供一种物体识别设备，该设备包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现第一方面或者第一方面任一些可实现方式中所述的物体识别模型的训练方法，或者，处理器执行计算机程序指令时实现第二方面或者第二方面任一些可实现方式中所述的物体识别方法。第六方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面或者第一方面任一些可实现方式中所述的物体识别模型的训练方法，或者，计算机程序指令被处理器执行时实现第二方面或者第二方面任一些可实现方式中所述的物体识别方法。本申请实施例提供的一种物体识别方法、装置、设备及存储介质，可以获取训练样本。其中，训练样本是非残次物体图像。然后根据初始物体识别模型中的特征提取模型提取训练样本的第一特征图。其中，第一特征图包括多个特征向量。并根据初始物体识别模型中的第一自编码器对多个特征向量进行编码和解码，得到多个编码向量和多个解码向量。接着根据多个特征向量的位置组合每个特征向量对应的编码向量，得到第二特征图，再根据初始物体识别模型中的第二自编码器对第二特征图进行图像重建，得到第三特征图，进而根本文档来自技高网...

【技术保护点】
1.一种物体识别模型的训练方法，其特征在于，初始物体识别模型包括：预设的特征提取模型、预设的第一自编码器和预设的第二自编码器，所述方法包括：/n获取训练样本，其中，所述训练样本是非残次物体图像；/n根据所述特征提取模型提取所述训练样本的第一特征图，其中，所述第一特征图包括多个特征向量；/n根据所述第一自编码器对所述第一特征图中的多个特征向量进行编码和解码，得到多个编码向量和多个解码向量；/n根据所述多个特征向量的位置组合每个特征向量对应的编码向量，得到第二特征图；/n根据所述第二自编码器对所述第二特征图进行图像重建，得到第三特征图；/n根据所述训练样本和所述第一特征图训练所述特征提取模型，以及根据所述第一特征图和所述多个解码向量训练所述第一自编码器，以及根据所述第二特征图和所述第三特征图训练所述第二自编码器，得到目标物体识别模型。/n

【技术特征摘要】
1.一种物体识别模型的训练方法，其特征在于，初始物体识别模型包括：预设的特征提取模型、预设的第一自编码器和预设的第二自编码器，所述方法包括：
获取训练样本，其中，所述训练样本是非残次物体图像；
根据所述特征提取模型提取所述训练样本的第一特征图，其中，所述第一特征图包括多个特征向量；
根据所述第一自编码器对所述第一特征图中的多个特征向量进行编码和解码，得到多个编码向量和多个解码向量；
根据所述多个特征向量的位置组合每个特征向量对应的编码向量，得到第二特征图；
根据所述第二自编码器对所述第二特征图进行图像重建，得到第三特征图；
根据所述训练样本和所述第一特征图训练所述特征提取模型，以及根据所述第一特征图和所述多个解码向量训练所述第一自编码器，以及根据所述第二特征图和所述第三特征图训练所述第二自编码器，得到目标物体识别模型。


2.根据权利要求1所述的方法，其特征在于，所述特征提取模型包括DenseNet模型或者ResNet模型。


3.根据权利要求1所述的方法，其特征在于，所述第一自编码器包括全连接自编码器，所述第二自编码器包括卷积自编码器。


4.一种物体识别方法，其特征在于，所述方法包括：
获取目标物体图像；
根据目标物体识别模型中的特征提取模型提取所述目标物体图像的第四特征图，其中，所述第四特征图包括多个特征向量，所述目标物体识别模型基于权利要求1-3任意一项所述的物体识别模型的训练方法得到；
根据所述目标物体识别模型中的第一自编码器对所述第四特征图中的多个特征向量进行编码，得到多个编码向量；
根据所述多个特征向量的位置组合每个特征向量对应的编码向量，得到第五特征图；
根据所述目标物体识别模型中的第二自编码器对所述第五特征图进行图像重建，得到第六特征图；
计算所述第五特征图与所述第六特征图中的向量的重建误差，得到第一重建误差分布图；
根据所述第一重建误差分布图确定目标物体是否为残次物体。


5.根据权利要求4所述的方法，其特征在于，所述计算所述第五特征图与所述第六特征图中的向量的重建误差，得到第一重建误差分布图，包括：
计算所述第五特征图与所述第六特征图中的向量的重建误差，得到第二重建误差分布图；
保留所述第二重建误差分布图中大于或等于预设误差阈值的重建误差，得到第一重建误差分布图。


6.根据权利要求4或5所述的方法，其特征在于，所述根据所述第一重建误差分布图确定目标物体是否为残次物体，包括：
根据图像二值化算法和边缘检测算法对所述重建误差分布图进行区域检测，确定所述...

【专利技术属性】
技术研发人员：赵松，杜松，
申请(专利权)人：重庆创通联达智能技术有限公司，
类型：发明
国别省市：重庆;50