[發明專利]一種智能識別方法及設備

在審

• 申請號: 202010902997.5
• 申請日: 2020-09-01
• 公開（公告）號: CN112016487A
• 公開（公告）日: 2020-12-01
• 發明（設計）人: 胡剛;張敏;蔣亞青
• 申請（專利權）人: 北京愛索創新科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京睿博行遠知識產權代理有限公司 11297
• 代理人: 龔家驊

1.一種智能識別方法，其特征在于，所述方法包括：

獲取待識別對象的待識別圖像，所述待識別對象具體為餐具清洗生產線上清洗完成的餐具；

基于預設神經網絡模型對所述待識別圖像進行識別，確定出所述待識別對象的參數信息，其中，所述預設神經網絡模型是根據所述待識別對象建立的，所述參數信息包括待識別對象的類型和數量；

輸出所述參數信息。

2.如權利要求1所述的方法，其特征在于，所述預設神經網絡模型是根據所述待識別對象建立，具體包括：

獲取所述待識別對象的圖像信息；

將所述圖像信息進行歸一化處理；

基于所述歸一化處理后的圖像信息、識別神經網絡和損失函數建立預設神經網絡模型，其中，所述識別神經網絡由多個卷積層和多個全連接層組成。

3.如權利要求2所述的方法，其特征在于，所述基于所述歸一化處理后的圖像信息、識別神經網絡和損失函數建立預設神經網絡模型，具體包括：

基于所述歸一化處理后的圖像信息、識別神經網絡和損失函數建立待處理神經網絡模型；

根據所述圖像信息獲取所述待處理神經網絡模型的訓練數據；

通過所述訓練數據對所述待處理神經網絡模型進行訓練，并將訓練后的所述待處理神經網絡模型作為所述預設神經網絡模型。

4.如權利要求3所述的方法，其特征在于，通過所述訓練數據對待處理神經網絡模型進行訓練，具體包括：

將所述訓練數據導入至所述待處理神經網絡模型中進行訓練；

根據所述損失函數曲線變化值和黃金分割原理實時對訓練參數進行調整；

基于所述調整后的訓練參數繼續對所述待處理神經網絡模型進行訓練。

5.如權利要求1所述的方法，其特征在于，所述方法還包括：

通過配置深度攝像頭獲取待識別對象的位置信息，并在輸出所述參數信息時將所述位置信息同步輸出。

6.一種智能識別設備，其特征在于，所述設備包括：

第一獲取模塊，獲取待識別對象的待識別圖像，所述待識別對象具體為餐具清洗生產線上清洗完成的餐具；

識別模塊，基于預設神經網絡模型對所述待識別圖像進行識別，確定出所述待識別對象的參數信息，其中，所述預設神經網絡模型是根據所述待識別對象建立的，所述參數信息包括待識別對象的類型和數量；

輸出模塊，輸出所述參數信息。

7.如權利要求6所述的設備，其特征在于，所述設備還包括預處理模塊，具體用于：

獲取所述待識別對象的圖像信息；

將所述圖像信息進行歸一化處理；

基于所述歸一化處理后的圖像信息、識別神經網絡和損失函數建立預設神經網絡模型，其中，所述識別神經網絡由多個卷積層和多個全連接層組成。

8.如權利要求7所述的設備，其特征在于，所述預處理模塊具體用于：

基于所述歸一化處理后的圖像信息、識別神經網絡和損失函數建立待處理神經網絡模型；

根據所述圖像信息獲取所述待處理神經網絡模型的訓練數據；

通過所述訓練數據對所述待處理神經網絡模型進行訓練，并將訓練后的所述待處理神經網絡模型作為所述預設神經網絡模型。

9.如權利要求8所述的設備，其特征在于，所述預處理模塊具體用于：

將所述訓練數據導入至所述待處理神經網絡模型中進行訓練；

根據所述損失函數曲線變化值和黃金分割原理實時對訓練參數進行調整；

基于所述調整后的訓練參數繼續對所述待處理神經網絡模型進行訓練。

10.如權利要求6所述的設備，其特征在于，所述設備還包括第二獲取模塊，具體用于：

通過配置深度攝像頭獲取待識別對象的位置信息，并在輸出所述參數信息時將所述位置信息同步輸出。