物体识别模型的确定方法、装置和触摸设备制造方法及图纸

本申请公开了一种物体识别模型的确定方法、装置和触摸设备。其中，该方法包括：获取目标对象使用触摸设备触摸多个物体得到的触觉图像和属性图像，其中，触觉图像为触摸设备和多个物体接触的过程中得到的图像，属性图像包括压力图像、温度图像和湿度图像；将触觉图像和属性图像输入多任务学习分类网络模型进行训练，通过多任务学习分类网络模型的第一分支提取触觉图像的特征信息；将特征信息输入多任务学习分类网络中的第二分支和第三分支，得到物体识别模型，其中，第二分支用于对属性图像进行分类，第三分支用于对物体的种类进行分类。本申请解决了现有技术在进行物体识别时存在效率低的技术问题。在效率低的技术问题。在效率低的技术问题。

【技术实现步骤摘要】
物体识别模型的确定方法、装置和触摸设备


[0001]本申请涉及物联网应用领域，具体而言，涉及一种物体识别模型的确定方法、装置和触摸设备。

技术介绍

[0002]现有技术在使用智能手套触摸物体时，获取的数据只包含压力图像、触摸视频等，智能手套中的传感器收集到的数据在处理速度上较慢，不能做到实时传输，以及无法快速得到相对应的物体识别结果。
[0003]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0004]本申请实施例提供了一种物体识别模型的确定方法、装置和触摸设备，以至少解决现有技术在进行物体识别时存在效率低的技术问题。
[0005]根据本申请实施例的一个方面，提供了一种物体识别模型的确定方法，包括：获取目标对象使用触摸设备触摸多个物体得到的触觉图像和属性图像，其中，触觉图像为触摸设备和多个物体接触的过程中得到的图像，属性图像包括压力图像、温度图像和湿度图像；将触觉图像和属性图像输入多任务学习分类网络模型进行训练，通过多任务学习分类网络模型的第一分支提取触觉图像的特征信息；将特征信息输入多任务学习分类网络中的第二分支和第三分支，得到物体识别模型，其中，第二分支用于对属性图像进行分类，第三分支用于对物体的种类进行分类。
[0006]可选地，触摸设备中包括摩擦发电设备，其中，摩擦发电设备用于为触摸设备中的传感器提供电源。
[0007]可选地，传感器用于采集属性信息和触觉图像，触摸设备根据属性信息生成属性图像，其中，传感器为防水传感器。
[0008]可选地，将触觉图像和属性图像输入多任务学习分类网络模型进行训练，包括：确定多任务学习分类网络模型对应的数据集，其中，数据集包括触觉图像和属性图像；提取数据集中所有触觉图像的特征信息；将特征信息输入第二分支进行训练，得到属性分类模型。
[0009]可选地，将特征信息输入第二分支进行训练的过程中，方法还包括：对第二分支中的第一个全连接层进行降维操作后，得到第一结果；将第一结果和特征信息输入第三分支进行训练，得到物体识别模型。
[0010]可选地，方法还包括：在属性分类模型收敛时对应的迭代次数小于第一迭代次数的情况下，调整属性分类模型的第一学习率，直至属性分类模型收敛时对应的迭代次数大于或等于第一迭代次数，其中，第一学习率表示属性分类模型的收敛状态；在物体识别模型收敛时对应的迭代次数小于第二迭代次数的情况下，调整物体识别模型的第二学习率，直至物体识别模型收敛时对应的迭代次数大于或等于第二迭代次数，其中，第二学习率表示物体识别模型的收敛状态。
[0011]可选地，触觉图像包括刚性物体的触觉图像和流性物体的触觉图像。
[0012]根据本申请实施例的另一方面，还提供了一种物体识别模型的确定装置，包括：获取模块，用于获取目标对象使用触摸设备触摸物体得到的触觉图像和属性图像，其中，触觉图像为触摸设备和物体接触的过程中得到的图像，属性图像包括压力图像、温度图像和湿度图像；提取模块，用于将触觉图像和属性图像输入多任务学习分类网络模型进行训练，通过多任务学习分类网络模型的第一分支提取触觉图像的特征信息；输入模块，用于将特征信息输入多任务学习分类网络中的第二分支和第三分支，得到物体识别模型，其中，第二分支用于对属性图像进行分类，第三分支用于对物体的种类进行分类。
[0013]根据本申请实施例的又一方面，还提供了一种触摸设备，包括：传感器、摩擦发电设备、无线模块和芯片，其中，传感器，用于在与物体进行接触的过程中采集物体的触觉图像和属性图像，包括压力传感器、温度传感器和湿度传感器，传感器采用编织的方式植入触摸设备的面料中；摩擦发电设备，用于为传感器提供电源；无线模块，用于将传感器采集的触觉图像和属性图像发送至芯片；芯片，用于将触觉图像和属性图像输入多任务学习分类网络模型进行训练，通过多任务学习分类网络模型的第一分支提取触觉图像的特征信息；将特征信息输入多任务学习分类网络中的第二分支和第三分支，得到物体识别模型，其中，第二分支用于对属性图像进行分类，第三分支用于对物体的种类进行分类。
[0014]根据本申请实施例的再一方面，还提供了一种非易失性存储介质，该非易失性存储介质包括存储的程序，其中，在程序运行时，控制该非易失性存储介质所在设备执行上述物体识别模型的确定方法。
[0015]根据本申请实施例的再一方面，还提供了一种计算机程序产品，该计算机程序产品包括计算机程序，其中，计算机程序在被处理器执行时实现上述物体识别模型的确定方法。
[0016]在本申请实施例中，通过获取目标对象使用触摸设备触摸多个物体得到的触觉图像和属性图像，其中，触觉图像为触摸设备和多个物体接触的过程中得到的图像，属性图像包括压力图像、温度图像和湿度图像；将触觉图像和属性图像输入多任务学习分类网络模型进行训练，通过多任务学习分类网络模型的第一分支提取触觉图像的特征信息；将特征信息输入多任务学习分类网络中的第二分支和第三分支，得到物体识别模型，其中，第二分支用于对属性图像进行分类，第三分支用于对物体的种类进行分类，达到了利用多任务学习分类网络模型的多个分支实现不同任务的目的，从而实现了对物体的多个属性进行识别的技术效果，进而解决了现有技术在进行物体识别时存在效率低的技术问题。
附图说明
[0017]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0018]图1是根据本申请实施例的一种用于实现物体识别模型的确定方法的计算机终端(或电子设备)的硬件结构框图；
[0019]图2是根据本申请实施例的一种物体识别模型的确定方法的流程图；
[0020]图3是根据本申请实施例的一种多任务学习分类网络模型的网络结构图；
[0021]图4是根据本申请实施例的一种物体识别模型的确定装置的结构图；
[0022]图5是根据本申请实施例的一种触摸设备的结构图。
具体实施方式
[0023]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
[0024]需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物体识别模型的确定方法，其特征在于，包括：获取目标对象使用触摸设备触摸多个物体得到的触觉图像和属性图像，其中，所述触觉图像为所述触摸设备和所述多个物体接触的过程中得到的图像，所述属性图像包括压力图像、温度图像和湿度图像；将所述触觉图像和所述属性图像输入多任务学习分类网络模型进行训练，通过所述多任务学习分类网络模型的第一分支提取所述触觉图像的特征信息；将所述特征信息输入所述多任务学习分类网络中的第二分支和第三分支，得到物体识别模型，其中，所述第二分支用于对所述属性图像进行分类，所述第三分支用于对物体的种类进行分类。2.根据权利要求1所述的方法，其特征在于，所述触摸设备中包括摩擦发电设备，其中，所述摩擦发电设备用于为所述触摸设备中的传感器提供电源。3.根据权利要求2所述的方法，其特征在于，所述传感器用于采集属性信息和所述触觉图像，所述触摸设备根据所述属性信息生成所述属性图像，其中，所述传感器为防水传感器。4.根据权利要求1所述的方法，其特征在于，将所述触觉图像和所述属性图像输入多任务学习分类网络模型进行训练，包括：确定所述多任务学习分类网络模型对应的数据集，其中，所述数据集包括所述触觉图像和所述属性图像；提取所述数据集中所有触觉图像的特征信息；将所述特征信息输入所述第二分支进行训练，得到属性分类模型。5.根据权利要求4所述的方法，其特征在于，将所述特征信息输入所述第二分支进行训练的过程中，所述方法还包括：对所述第二分支中的第一个全连接层进行降维操作后，得到第一结果；将所述第一结果和所述特征信息输入所述第三分支进行训练，得到所述物体识别模型。6.根据权利要求5所述的方法，其特征在于，所述方法还包括：在所述属性分类模型收敛时对应的迭代次数小于第一迭代次数的情况下，调整所述属性分类模型的第一学习率，直至所述属性分类模型收敛时对应的迭代次数大于或等于所述第一迭代次数，其中，所述第一学习率表示所述属性分类模型的收敛状态；在所述物体识别模型收敛时对应的迭代次数小于第二迭代次数的情况下，调整所述物体识别模型的第二学习率，直至所述物体识别模型收敛时对应的迭代次数大于或...

【专利技术属性】
技术研发人员：张泽堃，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：