一种工业物料的识别方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种工业物料的识别方法、装置、设备及存储介质，所述方法包括：获取待识别数据；对待识别数据进行处理，获取包含先验框的目标数据；将目标数据输入目标识别网络，获取输出的识别结果；其中，目标识别网络中包括设定个数的残差模块与至少两个输出层。本发明专利技术提供的工业物料识别方法，通过对基础识别网络进行改进，有效提高了网络特征提取的能力和不同尺度下目标的识别精度。同尺度下目标的识别精度。同尺度下目标的识别精度。

【技术实现步骤摘要】
一种工业物料的识别方法、装置、设备及存储介质


[0001]本专利技术涉及目标检测
，尤其涉及一种工业物料的识别方法、装置、设备及存储介质。

技术介绍

[0002]随着5G和深度学习在无人驾驶方面的应用，工程机械的无人驾驶技术也越来越受到重视。为了顺应智能化机械产品的市场应用需求，研发设计适用于复杂环境下工程机械设备和工业物料的智能识别装载机，已成为我国所面临的一项重要课题。此项研究将人工智能算法与装载机结合，旨在实现装载机无人自动作业，可以将装载机用在平时作业中也可以应用于危险场地以及抢险救灾过程中，从而解放生产力，提高工作效率，避免由于人为操作出现的各类问题，保护人员生命安全。
[0003]现有的用于智能装载机的检测方案有以下几种：
[0004]1、使用传统的机器学习算法对目标进行识别。这种方法是最原始的目标识别方法，一般只应用于学术研究。这种传统的目标检测方式在实时性和准确率上很差，达不到工业物料的实时性检测要求，且可能会产生多个正确识别的结果。
[0005]2、基于深度学习的目标检测算法，尤其是以YOLO、SSD为代表的one
‑
stage算法。YOLO算法在特定领域内优势不突出，在特定专业领域内针对特殊目标的识别精度低，实时性不够，并且模型太大不方便移植到嵌入式设备中。

技术实现思路

[0006]本专利技术提供了一种工业物料的识别方法、装置、设备及存储介质，以实现复杂环境下对工业物料进行识别。
[0007]根据本专利技术的一方面，提供了一种工业物料的识别方法，包括：
[0008]获取待识别数据；
[0009]对所述待识别数据进行处理，获取包含先验框的目标数据；
[0010]将所述目标数据输入目标识别网络，获取输出的识别结果；
[0011]其中，所述目标识别网络中包括设定个数的残差模块与至少两个输出层。
[0012]进一步地，获取待识别数据，包括：
[0013]获取原始数据；
[0014]利用迁移学习算法与滑窗算法对所述原始数据的多样性与目标容错性进行增强；
[0015]将增强后的数据确定为所述待识别数据。
[0016]进一步地，对所述待识别数据进行处理，获取包含先验框的目标数据，包括：
[0017]利用聚类算法确定与所述待识别数据相适应的所述先验框的大小；
[0018]将包含所述先验框的待识别数据确定为所述目标数据。
[0019]进一步地，所述至少两个输出层包括大尺度目标输出层和小尺度目标输出层；
[0020]所述大尺度目标输出层用于输出大尺度数据的识别结果；
[0021]所述小尺度目标输出层用于输出小尺度数据的识别结果。
[0022]进一步地，所述设定个数的残差模块用于优化所述目标识别网络的性能。
[0023]进一步地，所述目标识别网络包括特征提取器与目标识别器；
[0024]所述特征提取器中包括所述设定个数的残差模块，用于提取所述目标数据的数据特征；
[0025]所述目标识别器中包括所述至少两个输出层，用于根据所述数据特征获取所述识别结果并输出。
[0026]进一步地，所述特征提取器包括超分辨率测试序列网络，所述目标识别器包括实时目标检测网络。
[0027]根据本专利技术的另一方面，提供了一种工业物料的识别装置，包括：
[0028]待识别数据获取模块，用于获取待识别数据；
[0029]目标数据获取模块，用于对所述待识别数据进行处理，获取包含先验框的目标数据；
[0030]识别结果获取模块，用于将所述目标数据输入目标识别网络，获取输出的识别结果；
[0031]其中，所述目标识别网络中包括设定个数的残差模块与至少两个输出层。
[0032]可选的，待识别数据获取模块还用于：
[0033]获取原始数据；
[0034]利用迁移学习算法与滑窗算法对所述原始数据的多样性与目标容错性进行增强；
[0035]将增强后的数据确定为所述待识别数据。
[0036]可选的，目标数据获取模块还用于：
[0037]利用聚类算法确定与所述待识别数据相适应的所述先验框的大小；
[0038]将包含所述先验框的待识别数据确定为所述目标数据。
[0039]可选的，所述至少两个输出层包括大尺度目标输出层和小尺度目标输出层；
[0040]所述大尺度目标输出层用于输出大尺度数据的识别结果；
[0041]所述小尺度目标输出层用于输出小尺度数据的识别结果。
[0042]可选的，所述设定个数的残差模块用于优化所述目标识别网络的性能。
[0043]可选的，所述目标识别网络包括特征提取器与目标识别器；
[0044]所述特征提取器中包括所述设定个数的残差模块，用于提取所述目标数据的数据特征；
[0045]所述目标识别器中包括所述至少两个输出层，用于根据所述数据特征获取所述识别结果并输出。
[0046]可选的，所述特征提取器包括超分辨率测试序列网络，所述目标识别器包括实时目标检测网络。
[0047]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0048]至少一个处理器；以及
[0049]与所述至少一个处理器通信连接的存储器；其中，
[0050]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的
工业物料的识别方法。
[0051]根据本专利技术的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的工业物料的识别方法。
[0052]本专利技术实施例首先获取待识别数据；然后对待识别数据进行处理，获取包含先验框的目标数据；最后将目标数据输入目标识别网络，获取输出的识别结果；其中，目标识别网络中包括设定个数的残差模块与至少两个输出层。本专利技术实施例提供的工业物料的识别方法，对基础识别网络进行了改进，结合VGG19模型与YOLOv3
‑
tin模型的优势，采用多个输出层输出不同尺度大小的目标，并利用残差模块改进网络模型的性能，有效提高了网络特征提取的能力和不同尺度下目标的识别精度。
[0053]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0054]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例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专利技术的一些实施例，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。
[0055]图1是根据本专利技术实施例一提供的一种工业物料的识别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工业物料的识别方法，其特征在于，包括：获取待识别数据；对所述待识别数据进行处理，获取包含先验框的目标数据；将所述目标数据输入目标识别网络，获取输出的识别结果；其中，所述目标识别网络中包括设定个数的残差模块与至少两个输出层。2.根据权利要求1所述的方法，其特征在于，获取待识别数据，包括：获取原始数据；利用迁移学习算法与滑窗算法对所述原始数据的多样性与目标容错性进行增强；将增强后的数据确定为所述待识别数据。3.根据权利要求1所述的方法，其特征在于，对所述待识别数据进行处理，获取包含先验框的目标数据，包括：利用聚类算法确定与所述待识别数据相适应的所述先验框的大小；将包含所述先验框的待识别数据确定为所述目标数据。4.根据权利要求1所述的方法，其特征在于，所述至少两个输出层包括大尺度目标输出层和小尺度目标输出层；所述大尺度目标输出层用于输出大尺度数据的识别结果；所述小尺度目标输出层用于输出小尺度数据的识别结果。5.根据权利要求1所述的方法，其特征在于，所述设定个数的残差模块用于优化所述目标识别网络的性能。6.根据权利要求1所述的方法，其特征在于，所述目标识别网络包括特征提取器与目标识别器；所述特征提取器中包括所述设定个数的残差模块，用于提取所...

【专利技术属性】
技术研发人员：蔡登胜，姚家乐，樊香所，邓林嘉，
申请(专利权)人：广西柳工机械股份有限公司，
类型：发明
国别省市：