[发明专利]一种融合多种神经网络的相似物体识别方法

说明书

本发明公开了一种融合多种神经网络的相似物体识别方法，通过摄像头获取若干具有相似物体的图像集，对图像集进行预处理并进行标注后，利用数据增强方法扩充处理后的数据集，将训练样本集分别用Cascade R‑CNN、Grid R‑CNN、Libra R‑CNN、Retina‑Net进行训练，将四种网络训练的结果进行集成并根据验证准确度设置多网络投票机制输出结果，得到最终的集成网络识别。通过摄像头导入实时的待识别物体图像，以集成神经网络对待识别物体进行辨认，最终输出图像中待识别物体的识别结果。本发明实现了在多种神经网络识别结果集成的情况下对相似物体的识别，能够达到短时间内高准确识别相似物体的目标。

技术领域

本发明涉及电数字数据处理的技术领域，特别涉及一种图像数据分析处理的融合多种神经网络的相似物体识别方法。

背景技术

近年来，图像识别领域的技术创新不断发展涌现，许多行业也在积极进行转型升级，利用图像识别技术来减少成本，提高效率。不论是在仓库储备清点或者超市同种类物品识别等方面，图像识别已经成为很重要的研究方向，利用计算机高效区分相似物体将有利于降低人工的劳动强度，提高工作效率，降低前期成本。

现有技术中，除了人工进行物体的区分之外，也存在一些利用计算机进行图像处理、并对图像中的相似物体进行区分的技术。目前进行目标识别主要有：

(1)通过对模板图像和待测物体图像进行预处理生成特征库，通过Sobel算子、Roberts算子、Prewitt算子、Kirsch算子等对图像中的物体边缘进行检测，去除边缘图像的杂边、毛刺等保持边缘的连通性，利用图像轮廓特征匹配代价来衡量待测物体的相似度进行区分识别；

(2)利用Python和OpenCV结合来识别区分相似图片，通过平均哈希、感知哈希等算法处理图像，计算汉明距离，利用汉明距离的长度来表征物体的相似程度；

然而，上述技术手段中，边缘检测所花的时间较长，Python和OpenCV结合的方式的识别效率也不高，两种方法都具有一定的局限性。

发明内容

鉴于上述现有的技术和背景，本发明解决了现有技术中，传统的人工区分相似物体所花费的时间较长、耗费劳动力，使得企业的竞争力受到阻碍，而一般的计算机神经网络识别算法在识别相似物体时所花的时间较长，并且检测率达不到实际可使用的要求，对采集的图像也有很明确的要求的问题，提出了一种融合多种神经网络的相似物体识别方法，集成了Cascade R-CNN、Grid R-CNN、Libra R-CNN、Retina-Net这四种神经网络，能够对图像中的相似物体进行识别。

本发明所采用的技术方案是，一种融合多种神经网络的相似物体识别方法，所述方法包括以下步骤：

步骤1：通过摄像头获取若干具有相似物体的图像集；

步骤2：对图像集进行预处理并进行标注；

步骤3：利用数据增强方法扩充处理后的数据集，得到满足神经网络训练要求的样本数量的训练样本集；

步骤4：将训练样本集分别用Cascade R-CNN、Grid R-CNN、Libra R-CNN、Retina-Net进行训练；

步骤5：将四种网络训练的结果进行集成并根据验证准确度设置多网络投票机制输出结果，得到最终的集成神经网络；

步骤6：通过摄像头实时导入待识别物体图像，以集成神经网络对待识别物体进行辨认，最终输出图像中待识别物体的识别结果。

进一步的，所述步骤1中，相似物体为同种类型且形状相似的物体。

进一步的，所述步骤2中，图像处理具体包含以下步骤：

步骤2.1：人工对图像集中的所有图像进行筛选核查，去除掉物体遮挡率超过预设值的图像；