[发明专利]物品类别识别方法、装置、计算机设备和存储介质

权利要求书

1.一种物品类别识别方法，其特征在于，包括：

获取待识别物品图像，并提取所述待识别物品图像的边缘掩膜信息；

根据所述边缘掩膜信息，对所述待识别物品图像进行裁剪处理；

根据所述裁剪处理后的待识别物品图像和预设的物品类别识别模型，识别所述待识别物品图像的类别，并输出识别结果，所述预设的物品类别识别模型为通过对训练样本图像进行训练和迁移学习得到的模型。

2.根据权利要求1所述的物品类别识别方法，其特征在于，所述提取所述待识别物品图像的边缘掩膜信息包括：

通过Canny边缘检测，获取待识别物品图像的边缘数据；

通过对所述边缘数据进行形态学膨胀操作，提取所述待识别物品图像的边缘掩膜信息。

3.根据权利要求2所述的物品类别识别方法，其特征在于，所述提取所述待识别物品图像的边缘掩膜信息包括：

对所述图像进行高斯滤波去噪声处理，获取平滑图像；

对所述平滑图像的梯度幅值和方向信息进行处理，获取非极大值抑制图像的直方图；

根据所述非极大值抑制图像的直方图，得到所述非极大值抑制图像的阈值范围；

根据所述梯度幅值与所述阈值范围，得到边缘图像；

对所述边缘图像进行形态学膨胀操作，获取所述待识别物品图像的边缘掩膜信息。

4.根据权利要求1所述的物品类别识别方法，其特征在于，所述根据所述边缘掩膜信息，对所述待识别物品图像进行裁剪处理包括：

根据所述边缘掩膜信息，对所述图像进行拓扑分析，获取拓扑信息；

根据所述拓扑信息，对所述图像进行轮廓检索；

根据检索得到的最外层轮廓，提取出所述待识别物品图像的目标区域；

根据所述目标区域对所述待识别物品图像进行裁剪处理。

5.根据权利要求1所述的物品类别识别方法，其特征在于，所述根据所述裁剪处理后的待识别物品图像和预设的物品类别识别模型，识别所述待识别物品图像的类别，并输出识别结果之前，还包括：

获取训练样本图像数据集；

根据预设的深度卷积神经网络，对所述训练样本图像数据集进行训练，得到预训练网络模型；

对所述训练样本图像数据集中的样本图像进行裁剪处理；

根据所述预训练网络模型的权重参数，训练所述经过裁剪处理的样本图像，进行迁移学习；

根据所述迁移学习的结果，确定所述物品类别识别模型。

6.根据权利要求5所述的物品类别识别方法，其特征在于，所述深度卷积神经网络包括依次连接的第一卷积模块、第一池化模块、第二卷积模块、第二池化模块、多个分立模块以及回归模块，所述根据预设的深度卷积神经网络，训练所述训练样本图像数据集，得到预训练网络模型包括：

将训练样本图像输入所述第一卷积模块，并进行补零操作，得到第一卷积结果；

将所述第一卷积结果输入所述第一池化模块，进行第一池化操作，得到第一池化结果；

将所述第一池化结果输入所述第二卷积模块，得到第二卷积结果；

将所述第二卷积结果依次输入叠加的多个所述分立模块，进行特征提取与合并处理，得到特征图像；

将所述特征图像输入所述第二池化模块，进行第二池化操作，得到第二池化结果；

将所述第二池化结果输入所述回归模块，进行线性回归与图像分类处理，得到预训练网络模型。

7.根据权利要求5所述的物品类别识别方法，其特征在于，所述根据所述迁移学习结果，确定物品类别识别模型包括：

根据所述迁移学习结果，确定测试网络模型；

分别获取物品和非物品的测试样本图像数据集；

根据所述测试网络模型，测试所述物品和非物品的测试样本图像，得到测试结果；

根据所述测试结果和预设的精度要求，修改所述测试网络模型的参数，得到物品类别识别模型。