[发明专利]一种建立镜片识别模型和镜片识别的方法及装置在审
申请号: | 201710480064.X | 申请日: | 2017-06-21 |
公开(公告)号: | CN107220675A | 公开(公告)日: | 2017-09-29 |
发明(设计)人: | 夏明亮;李抄;杨磊 | 申请(专利权)人: | 苏州卡睿知光电科技有限公司 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06N3/08 |
代理公司: | 北京三聚阳光知识产权代理有限公司11250 | 代理人: | 马永芬 |
地址: | 215000 江苏省苏州市*** | 国省代码: | 江苏;32 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 建立 镜片 识别 模型 方法 装置 | ||
技术领域
本发明涉及计数系统领域,具体涉及一种建立镜片识别模型和镜片识别的方法及装置。
背景技术
光学镜片广泛应用于安防、医疗影像、智能交通、工业检测等诸多领域,其需求量及生产量日益增大。传统的光学加工行业中,对于加工的光学镜片进行加工数量的统计以及生产库存盘点时,都是通过人工的方式,即由员工一片一片地数镜片,统计其个数,然后人工记录。这种人工统计并记录光学镜片数量的方法,其工作效率非常低,导致生产成增加;并且由于存在人为因素,统计误差较大。
发明内容
因此,本发明要解决的技术问题在于现有技术中采用人工统计并记录光学镜片数量导致工作效率差、统计误差大。
有鉴于此,本发明提供一种建立镜片识别模型的方法,包括:
获取多个镜片图像样本和所述镜片图像样本中的镜片信息;
将所述多个镜片图像样本和所述镜片图像样本中的镜片信息作为训练数据,对神经网络模型进行训练,直至所述神经网络对所述镜片图像样本中镜片信息的识别率大于预设阈值。
优选地,所述神经网络模型为卷积神经网络模型。
相应地,本发明还提供一种建立镜片识别模型的装置,包括:
第一获取单元,用于获取多个镜片图像样本和所述镜片图像样本中的镜片信息;
训练单元,用于将所述多个镜片图像样本和所述镜片图像样本中的镜片信息作为训练数据,对神经网络模型进行训练,直至所述神经网络对所述镜片图像样本中镜片信息的识别率大于预设阈值。
优选地,所述神经网络模型为卷积神经网络模型。
相应地,本发明还提供一种镜片识别方法,包括:
获取待识别镜片图像;
利用上述所述方法建立的模型对所述待识别镜片图像进行识别,确定所述待识别镜片图像的镜片信息。
优选地,所述镜片信息包括镜片的数量信息。
相应地,本发明还提供一种镜片识别装置,包括:
第二获取单元,用于获取待识别镜片图像;
识别单元,用于利用上述所述方法建立的模型对所述待识别镜片图像进行识别,确定所述待识别镜片图像的镜片信息。
优选地,所述镜片信息包括镜片的数量信息。
本发明提供的建立镜片识别模型和镜片识别的方法及装置,利用建立的镜片识别模型对镜片图像中的镜片数量信息进行识别,解决了现有技术中采用人工统计并记录光学镜片数量导致工作效率差、统计误差大的问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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。
图1是本发明实施例提供的一种建立镜片识别模型的方法的流程图;
图2是本发明实施例提供的一种建立镜片识别模型的装置的结构示意图;
图3是本发明另一实施例提供的一种镜片识别方法的流程图;
图4是本发明另一实施例提供的一种镜片识别装置的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明实施例提供一种建立镜片识别模型的方法,如图1所示,包括:
S11,获取多个镜片图像样本和所述镜片图像样本中的镜片信息;其中为了提供模型的识别的准确性,获取的镜片图像样本在保证满足训练数量的情况下,需满足样本的多样性,即镜片图像样本中可以是通过摄像机等照相设备得到的不同角度、不同光照得到的样本信息,由于样本是随机获取的,故可能样本中也应该包括边缘不完整的镜片图像,例如由于拍摄角度问题导致的原本圆形的镜片,此时在图像样本中未椭圆形或者其他不规则的形状,预先通过人工对多个样本中的各种镜片预先进行标记。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于苏州卡睿知光电科技有限公司,未经苏州卡睿知光电科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201710480064.X/2.html,转载请声明来源钻瓜专利网。