[发明专利]一种样本高效标注的物品识别方法

说明书

本发明属于物品智能识别领域，涉及一种样本高效标注的物品识别方法；工艺步骤包括：S11、根据需求准备相应类别的静态图片作为训练样本进行训练，形成训练数据集；S12、进行图像标注，将所有的样本标注文件结合得到最后的训练样本数据，用于训练物品检测模型；S13、采用resnet‑101骨干网络进行模型的训练；通过修改训练参数在已有模型的基础上进行多次模型训练操作，直到得到一个满足自己需求的模型；S14、采用mask rcnn算法进行目标检测，得到预测类别、分割的目标区域的轮廓信息和边界框；所述方法减少了背景的干扰，有效提高了目标匹配的准确度，减少了计算量，提高了目标匹配速度；同时本发明的样本标注方式可大量减少样本标注时间，节省人力和时间。

技术领域：

本发明属于物品智能识别的技术领域，涉及一种目标检测样本快速标注、检测目标轮廓背景小的物品识别方法，特别是一种样本高效标注的物品识别方法。

背景技术：

在日常生活中，人们通常将各种生活用品随意摆放，需要使用某一物品时，往往因为各种物品放置杂乱，难以及时发现，使用者翻箱倒柜以找到需要的生活用品，给使用者造成极大的不便和烦恼，浪费使用者的精力和时间；而智能化物品的识别样本数据繁多，样本模型训练慢，同时物品识别过程中，目标区域中背景区域占比大，大大增大了图形处理的难度和效率。

在现有技术中，公开号为CN109241854A的中国专利，公开了一种基于机器人的物品查找方法和装置，所述方法包括：确定遗失的物品信息和遗失区域；对遗失区域进行扫描，构建电子地图；在电子地图中规划机器人的巡检路线；通过机器人沿着所述规划的巡检路线依次采集所述遗失区域的图像；将采集的遗失区域的图像和遗失物品信息进行匹配处理；显示匹配处理的结果。公开号为CN110378259A的中国专利，公开了一种面向监控视频的多目标行为识别方法，包括：分别训练目标检测模型和行为识别模型；预测视频当前帧中行人的位置信息，并将位置信息作为当前帧的目标检测框；根据当前帧目标检测框，通过上一帧信息预测到当前帧的目标跟踪框，计算两者之间的目标框匹配度；将当前帧的目标检测框与当前帧的目标跟踪框进行匹配，得到匹配信息；估计当前帧的行人目标框坐标，并预测行人目标在下一帧的目标跟踪框坐标；裁剪出行人图片并保存行人编号；根据行人编号，将连续多帧中编号相同的行人图片进行匹配，组合成列表并保存行人编号；若列表长度达到指定帧数阈值，则将列表中保存的行人图片输入到所述行为识别模型，计算该列表的行为类别概率。

总而言之，现有智能化物品的识别或者鉴别方法中构建的训练模型需要大量的样本数据，样本繁多模型训练慢，同时物品识别过程中，目标区域中背景区域占比大，增大了图形处理的难度，降低了物品识别的效率。

发明内容：

本发明的目的在于克服现有物品识别过程存在的缺点，针对当前物品识别方法样本繁多模型训练慢、目标区域中背景区域占比大、图形处理识别的效率低的缺陷设计提供一种样本高效标注的物品识别方法。

为实现上述目的，本发明涉及的一种样本高效标注的物品识别方法，其具体工艺步骤如下：

S11、训练样本库

根据需求准备相应类别的静态图片作为训练样本进行训练，形成训练数据集；训练数据集中包括训练16类物品，分别为：小刀、杯子、遥控器、单肩包、手机、剪刀、笔记本电脑、鼠标、双肩包、钥匙、钱包、眼镜、雨伞、扇子、小狗、小猫；训练数据集主要包括3部分，分别为：第一部分为样本量占比约为1/2的从coco数据集中挑选的训练样本，第二部分为样本量占比约为1/4的从网上下载的训练样本，及第三部分为样本量占比约为1/4的用户拍摄的具体场景下的训练样本；

S12、样本标注

使用labelme工具进行图像标注工作，对训练样本进行轮廓标注，最终生成样本标注文件；将所有的样本标注文件结合得到最后的训练样本数据，用于训练物品检测模型；由于轮廓标注的点较多，标注样本比较费时，为了节省样本标注时间，采用如下标注方式：