[发明专利]包装材料视觉识别方法、装置、计算机设备和存储介质在审
| 申请号： | 202011542872.2 | 申请日： | 2020-12-22 |
| 公开（公告）号： | CN114663717A | 公开（公告）日： | 2022-06-24 |
| 发明（设计）人： | 刘文龙 | 申请（专利权）人： | 顺丰科技有限公司 |
| 主分类号： | G06V10/772 | 分类号： | G06V10/772;G06V10/80;G06V10/82;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 华进联合专利商标代理有限公司 44224 | 代理人： | 吴平 |
| 地址： | 518000 广东省深圳*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本申请涉及一种包装材料视觉识别方法、装置、计算机设备和存储介质。所述方法包括：获取待识别图像数据，待识别图像数据携带订单标识；检测待识别图像数据中待识别图像的数量；当待识别图像数据中包括至少两张待识别图像时，将待识别图像数据输入已训练的包装材料视觉识别模型，通过包装材料视觉识别模型对待识别图像进行同步预测，得到与待识别图像对应的初始包装材料视觉识别结果；对初始包装材料视觉识别结果进行加权融合，得到与订单标识对应的目标包装材料视觉识别结果。采用本方法能够提高包装材料视觉识别效率和准确率。 | ||
| 搜索关键词： | 包装材料 视觉 识别 方法 装置 计算机 设备 存储 介质 | ||
【主权项】：
暂无信息
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
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顺丰科技有限公司，未经顺丰科技有限公司许可，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/patent/202011542872.2/，转载请声明来源钻瓜专利网。
- 上一篇：一种建筑材料处理装置
- 下一篇：一种高强度新型铝合金画舫船
- 同类专利
- 图标测试阈值生成方法、装置、设备及存储介质-202310811717.3
- 吴尚哲 - 东风汽车有限公司东风日产乘用车公司
- 2023-07-03 - 2023-10-13 - G06V10/772
- 本发明属于车辆测试技术领域，公开了一种图标测试阈值生成方法、装置、设备及存储介质。本发明通过获取待测车载图标对应的视频图像数据；将视频图像数据划分为初始图像数据、第一图像数据及第二图像数据；基于第一图像数据、初始图像数据进行阈值预测，获得第一测试阈值；基于第二图像数据、初始图像数据进行阈值预测，获得第二测试阈值；根据第一测试阈值及第二测试阈值生成图标测试阈值。由于可通过获取视频图像数据进行阈值预测，自动生成图标测试阈值，无需人工介入，设置方式简单，且会进行多次阈值预测，并根据多次阈值预测得到的测试阈值生成图标测试阈值，也避免了单次预测出现的预测误差，保证了生成的阈值的合理性。
- 一种针对3D信号的分离型冗余字典学习算法-202310597606.7
- 李云辉;刘文光;王晓东;黄敬涛;周鹏骥 - 中国科学院长春光学精密机械与物理研究所
- 2023-05-25 - 2023-08-08 - G06V10/772
- 本发明涉及信号稀疏表达技术领域，具体提供了一种针对3D信号的分离型冗余字典学习算法，包括如步骤：S1：初始化进程：初始化三个维度上的冗余字典；S2：主迭代进程：包括稀疏编码阶段和字典更新阶段；稀疏编码阶段包括：S21：将稀疏表达过程降维为二维矩阵；S22：根据初始化后的冗余字典计算样本在稀疏域内的表达；S23：计算所有样本的稀疏表达误差；字典更新阶段包括：S24：将3D训练样本数据块分别按三个维度展开后整理为二维矩阵；S25：通过求解公式来更新三个维度上的冗余字典并对字典进行原子归一化处理。本发明中的学习算法降低了分离型字典训练的耗时，降低了对目标信号的稀疏性表达误差。
- 动车组TEDS系统图像特征字典生成方法-202010466620.X
- 刘希龙;李丹勇;尤嘉;杨德文;蔡文明;赵晓明;王锐;张友印;李若澜;许倩倩 - 北京益嘉阳光科技发展有限公司;中国铁路北京局集团有限公司北京动车段
- 2020-05-28 - 2023-07-14 - G06V10/772
- 一种动车组TEDS系统图像特征字典生成方法。该方法的输入是高铁检测图像数据集和给定字符数D，输出是对应给定字符数D的字典。该方法包括：输入图像数据集，构建图像序列，构造标量值函数获取图像标量场，奇点检测及奇点特征提取，统计向量个数并计算均值向量，有效字符挖掘并生成特征字符，最后输出特征字典。该方法通过建立特征字典的形式将多个图像特征提取算子进行融合，打破了传统使用的单一图像特征提检测的方法，从而结合了每个算子的长处，大大提高了后续的图像识别工作效率与准确率。
- 基于聚类与几何残差的动态场景RGB-D SLAM方法-202310150767.1
- 潘树国;陈金晶;高旺;赵庆 - 东南大学
- 2023-02-22 - 2023-05-02 - G06V10/772
- 本发明公开了一种基于聚类与几何残差的动态场景RGB‑D SLAM方法。首先，结合颜色信息和深度信息对场景进行聚类，将图像划分为多个聚类块，用于对特征点进行粗过滤和细过滤；然后，通过每个聚类块上的特征点比例来对特征点进行粗过滤，计算里程计位姿信息和对应点的几何残差；最后，根据几何残差得到动态特征点，并将动态特征点占比大或几何残差超过一定阈值的聚类块定义为动态聚类块，从而实现对特征点的细过滤。应用本发明的方法求解的轨迹精度较ORB‑SLAM2算法的轨迹精度提升最高达96.68%。
- 一种有效的基于潜在视觉属性挖掘的零样本学习方法-201910778304.3
- 谢昱锐;何小海;张津;罗晓东;卿粼波;吴小强 - 四川大学
- 2019-08-22 - 2023-04-18 - G06V10/772
- 本发明公开了一种基于潜在视觉属性挖掘的零样本学习方法。该发明主要涉及以下步骤：首先在原特征域计算人工定义属性表示的特征映射矩阵、并通过稀疏字典模型的优化，挖掘潜在视觉属性集合。进一步构建了一种成对视觉字典模型，将原特征域获取的映射关系作为约束信息，引导目标特征域的学习。最后，对输入图像提取深度残差网络(ResNet)视觉特征，获取特征判别性语义表示，实现图像标签类别的预测。本发明所描述的图像识别方法具有无人工参与、识别率高、鲁棒性强等优点，针对少量样本及零样本情况下语义对象的识别这一特定领域，具备一定使用价值，可以进行实际应用。
- 利用多层分类和字典学习的多标签图像分类算法-201910718140.5
- 罗志锋;徐维超 - 广东工业大学
- 2019-08-05 - 2023-04-07 - G06V10/772
- 本发明公开了一种利用多层分类和字典学习的多标签图像分类算法，首先确定了多标签分类的图像数据集，经过数据预处理后利用待学习字典对多标签训练数据进行训练学习，并且借助通用嵌入学习，引导低秩编码的字典学习，由此得到目标优化问题，确定最优解得到分类器；建立树形结构，将分类器嵌入到树形结构的节点中，形成多层分类器结构对图像数据集中的数据进行分类，提高多标签分类效果。相比现有技术，本方法很好的解决了标签矩阵稀疏是的多标签分类的挑战，有助于低秩编码字典学习的同时，更是提升了分类器的分辨度和数据场景适用性，即对稀疏编码进行投影得到相应的分析字典，类似决策树的多层分类器嵌入的思想，进一步提升多标签分类的精度。
- 一种智能驾驶图像识别算法训练的数据集智能生产方法-202211285160.6
- 谢辉;王彩梅;宋康 - 天津大学
- 2022-10-20 - 2023-03-07 - G06V10/772
- 本发明提供了一种智能驾驶图像识别算法训练的数据集智能生产方法，首先采集多源数据集，将多源数据集构成因素逐级分解，确定多源数据集构成因素离散值，基于预先构建的遗传模型生成样本集，并基于所构建的有效性评价模型计算样本集的相似度，并根据样本集相似度指标，确定样本集的有效性，若该样本集的有效性合理，则遗传模型停止迭代，并得到有效性已知的数据集，否则，遗传模型将继续进行选择、交叉、变异操作，直到得到有效性合理的数据集。遗传模型的迭代过程能够将无效数据集剔除，提高数据集的生产质量。
- 用于使用增广数据训练机器模型的系统和方法-202211241885.5
- M·J·库珀;P·贾因;H·S·赛杜 - 特斯拉公司
- 2019-10-10 - 2022-12-23 - G06V10/772
- 用于使用增广数据训练机器模型的系统和方法。一种示例方法包括标识由一组相机在固定到一个或多个图像收集系统的同时捕获的一组图像。对于该组图像中的每个图像，标识该图像的训练输出。对于该组图像中的一个或多个图像，生成一组经增广的图像的经增广的图像。生成经增广的图像包括使用保持图像的相机属性的图像操纵功能来修改图像。将增广的训练图像与图像的训练输出相关联。基于包括图像和该组经增广的图像的图像训练集来训练预测计算机模型的一组参数以预测训练输出。
- 可视化作战场景的高性能多层字典学习特征图像处理方法-201910758960.7
- 罗晓东 - 沈阳瑞初科技有限公司
- 2019-08-16 - 2022-10-25 - G06V10/772
- 本发明属于作战场景智能化领域，特别涉及可视化作战场景的高性能多层字典学习特征图像处理方法。该方法具体包括形成初始字典；将初始字典进行字典降维，并形成图像目标的初步特征库；将初步特征库进行简化稀疏表示，得到稀疏化字典；将稀疏化字典最小化，更新初始字典得到稀疏化字典最小化；自上而下的生成模型，生成模型属于字典学习的生成模板模型；自下而上的重构模型，重构模型属于字典学习的重构模板模型；通过生成模板模型与重构模板模型形成目标的有效识别与分类。发明针对不同作战场景的可视化图像特征，通过建立深度多层网络来进行目标识别和分类，提升精度；通过误差迭代实现重构最优化；通过初始化字典矩阵，形成最优逼近方向。
- 用于使用增广数据训练机器模型的系统和方法-201980075941.2
- M·J·库珀;P·贾因;H·S·赛杜 - 特斯拉公司
- 2019-10-10 - 2022-10-21 - G06V10/772
- 用于使用增广数据训练机器模型的系统和方法。一种示例方法包括标识由一组相机在固定到一个或多个图像收集系统的同时捕获的一组图像。对于该组图像中的每个图像，标识该图像的训练输出。对于该组图像中的一个或多个图像，生成一组经增广的图像的经增广的图像。生成经增广的图像包括使用保持图像的相机属性的图像操纵功能来修改图像。将增广的训练图像与图像的训练输出相关联。基于包括图像和该组经增广的图像的图像训练集来训练预测计算机模型的一组参数以预测训练输出。
- 一种结构化滤波器学习的小样本目标检测方法-202210578559.7
- 吴泽彬;程翔;徐洋;孙晋;韦志辉 - 南京理工大学
- 2022-05-26 - 2022-08-09 - G06V10/772
- 本发明公开了一种结构化滤波器学习的小样本目标检测方法，包括以下步骤：准备小样本目标检测数据集和基类目标检测数据集，搭建网络结构；主干特征提取网络使用CSPDarknet53，引入通用特征增强模块；搭建结构化滤波器学习的小样本目标检测深度神经网络；使用基类数据集训练网络；在小样本目标检测数据集上，使用KSVD算法分层学习结构化滤波器输入特征图的字典，作为滤波器的权值参数，经过一次前向传播的过程，完成结构化滤波器的参数的初始化；使用初始化的网络模型在小样本数据集上继续训练；使用训练好的神经网络完成检测任务。该方法只需要少量的样本数据就可以训练出一个泛化性能良好的目标检测深度神经网络。
- 一种基于字典学习的水位监测方法-201810188900.1
- 桂冠;潘金秋;熊健;范山岗;杨洁;孙颖异;周天;樊亚萍 - 南京邮电大学
- 2018-03-08 - 2022-07-01 - G06V10/772
- 本发明公开了一种基于字典学习的水位监测方法，包括以下步骤：步骤1，在待测量河流区域固定一根测量标杆，通过摄像头实时采集该测量标杆与水面附近区域的图像；步骤2，采集若干幅图像作为训练图像，将每幅图像分为C类，对每类的图像块采用滑动窗采集训练数据，并打上对应的类别标签；步骤3，采用字典学习的方法对训练数据进行训练，得到字典D；步骤4，利用字典D对摄像头采集到的图像进行实时分类，得到图像的类别标签向量，从而获得水位值。本发明只需要安装传统的标杆即可实现，克服了传统水位测量方案中水平面位置难以准确识别的问题，具有较高的稳定性和鲁棒性。
- 包装材料视觉识别方法、装置、计算机设备和存储介质-202011542872.2
- 刘文龙 - 顺丰科技有限公司
- 2020-12-22 - 2022-06-24 - G06V10/772
- 本申请涉及一种包装材料视觉识别方法、装置、计算机设备和存储介质。所述方法包括：获取待识别图像数据，待识别图像数据携带订单标识；检测待识别图像数据中待识别图像的数量；当待识别图像数据中包括至少两张待识别图像时，将待识别图像数据输入已训练的包装材料视觉识别模型，通过包装材料视觉识别模型对待识别图像进行同步预测，得到与待识别图像对应的初始包装材料视觉识别结果；对初始包装材料视觉识别结果进行加权融合，得到与订单标识对应的目标包装材料视觉识别结果。采用本方法能够提高包装材料视觉识别效率和准确率。
- 目标检测、识别及训练方法、设备及存储介质-202210188681.3
- 冯旭;王语斌 - 同盾科技有限公司
- 2022-02-28 - 2022-05-27 - G06V10/772
- 本公开提供一种目标检测、识别及训练方法、设备及存储介质，所述方法包括基于预先设定的数据标注规则标注第一训练数据集，根据标注后的第一训练数据集训练数据标注模型；根据训练后的数据标注模型标注第二训练数据集，构建目标检测训练数据集；根据所述目标检测训练数据集训练目标检测模型，获取所述目标检测模型的训练输出结果和预先获取的真实标签的差异值，根据所述差异值更新所述目标检测模型的网络权重，以使所述差异值满足预设阈值条件。本公开的方法能够有效提高标注效率并且对于小目标对象检测准确度高。
- 一种基于低秩和联合稀疏的多模态图像识别方法-201910751979.9
- 孙彬;杨轲;王子强;朱韦丹;卢陶然;刘强;徐利梅 - 电子科技大学
- 2019-08-15 - 2022-05-03 - G06V10/772
- 本发明公开了一种基于低秩和联合稀疏的多模态图像识别方法，属于图像识别技术领域。本发明为了克服由于多模态图像间存在的模态间差异大于类别间差异的技术问题，首先将原始多模态数据投影到低秩公共子空间中，对公共子空间的低秩约束能够有效地保留住同类别不同模态间的相似信息，使得在低秩的公共子空间中类别间的联系更大，同时还能降低图像维度，一定程度上避免了维度灾难，然后通过联合稀疏约束的方式求得不同模态数据的联合稀疏表示，得到融合的特征；再通过常见的分类器对特征进行分类识别，得到最终的识别结果。本发明针对多模态问题，采用特征融合将多个模态的特征结合得到更有利于辨识的特征，提高识别效率。
- 一种基于人脸局部约束编码校准识别方法-201810506015.3
- 傅予力;肖芸榕;吴小思;张隆琴;向友君 - 华南理工大学
- 2018-05-24 - 2022-03-29 - G06V10/772
- 本发明公开了一种基于人脸局部约束编码校准识别方法，包括：输入训练集，构建字典；获取失配准的待识别人脸图像作为测试样本；初始化误差权重；对测试样本图像进行基于加权重构误差的局部约束编码；更新校准结果；判断更新后的校准结果是否收敛或达到最大迭代次数；若收敛或达到最大迭代次数，则输出最终的校准结果，若不收敛或未达到最大迭代次数，则更新误差权重之后再次进行基于加权重构误差的局部约束编码，直至收敛或达到最大迭代次数。该方法对表示系数进行局部约束，并采用加权l
- 一种基于几何自注意力机制的图像自动标注方法-202011421612.X
- 纪禄平;王驰;沈聿林;杨凡;李真 - 电子科技大学
- 2020-12-08 - 2022-03-25 - G06V10/772
- 本发明公开了一种基于几何自注意力机制的图像自动标注方法，先通过Faster R‑CNN网络对图像进行目标检测，提取目标的外貌特征及几何特征；利用基于几何自注意力机制的编码器，显式编码目标几何位置信息；利用GLU门控单元控制几何自注意力机制模块的输出，进一步修正目标特征；以一种层级编码结构不断递进地融入几何位置信息，修正目标特征；利用Position‑LSTM模块编码句子单词位置信息；将Position‑LSTM模块的输出结果输入基于自注意力机制的解码器，并结合编码器最终编码结果进行层级解码，最终得到标注句子。
- 一种面向零样本识别的字典学习方法及装置-202111237748.X
- 王立春;李爽;王少帆;孔德慧;尹宝才 - 北京工业大学
- 2021-10-22 - 2022-02-11 - G06V10/772
- 公开一种面向零样本识别的字典学习方法及装置，可以从类别层面和图像层面分别建立视觉空间和语义空间之间的对齐，从而实现高精度的零样本图像识别。方法包括：(1)基于跨域字典学习方法训练类别层的跨域字典；(2)基于步骤(1)学习的类别层跨域字典生成图像的语义属性；(3)基于步骤(2)生成的图像语义属性训练图像层的跨域字典；(4)基于步骤(3)学习的图像层跨域字典完成对不可见类别图像的识别任务。
- 专利分类
