[發明專利]一種智能圖像處理方法、電子設備及存儲介質

有效

• 申請號: 202211239038.5
• 申請日: 2022-10-11
• 公開（公告）號: CN115565006B
• 公開（公告）日: 2023-08-11
• 發明（設計）人: 姜德迅;劉潔
• 申請（專利權）人: 哈爾濱學院
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06N3/047;G06N3/08;G06V10/44;G06V10/77;G06V10/82
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種智能圖像處理方法，其特征在于，包括以下步驟：

S1.收集烏龜圖像數據，建立數據庫，方法是，在飼養池或烏龜長期生活地設置影像提取觀測臺，所述觀測臺上安裝有用于采集烏龜生長過程的視頻或圖像獲取設備，所述觀測臺為360°旋轉觀測臺；對所述視頻或圖像獲取設備獲取的圖像或視頻后進行預處理；

所述觀測臺包括觀測臺支撐柱、旋轉觀測平臺、監測設備支撐架，所述觀測臺支撐柱上安裝有可沿觀測臺支撐柱上下伸縮的旋轉觀測平臺；所述旋轉觀測平臺上安裝有可沿觀測平臺360°旋轉的監測設備支撐架，所述監測設備支撐架安裝有監測設備；

S2.對圖像數據進行特征提取，根據特征創建不同年齡和品種標簽，所述對圖像數據進行特征提取包括：烏龜頭部或烏龜腳部或烏龜甲殼；

S3.建立品種及年齡神經網絡預測模型；

S4.將烏龜圖像數據輸入品種及年齡神經網絡預測模型中，輸出烏龜品種及年齡；

S5.驗證特征提取的準確性，具體方法是：

S51.收集烏龜頭部或烏龜腳部或烏龜甲殼圖像數據；

S52.將圖像分成p*p*c的小塊，得到n個圖像塊n＝(h*w)/(p*p)，同時添加學習的類別塊，則總共有(n+1)個塊待處理，類別塊將用于與所有的圖像小塊進行交互，最終從類別塊中學習到用于分類的特征；

S53.對小塊的圖像進行flatten操作，將每個圖像塊(p*p*c)轉換成1*(p*p*c)大小的一維向量，再將n個一維向量拼接起來，組成n*(p*p*c)的二維向量，對二維向量使用全連接層進行降維得到n*d的二維特征a；

S54.將輸入特征a加入位置編碼，位置編碼用于標示每一個圖像塊的相對位置；

S55.將預處理特征送入transformer?encoder中得到交互特征f，將輸入特征a,劃分為m個頭，得到m個不同的特征(a1,a2...am)，將不同特征執行注意力計算得到家園特征，再將其拼接得到特征z，通過非線性變化w，得到與輸入特征同尺寸的交互特征f；

S56.從交互特征f中只抽取代表類別塊的一維特征(1*d)，用作后續的分類，通過MLP進行降維操作，將d降維為待分類的類別數(1*class_num)，完成特征識別；

S57.將S66識別結果與S2中識別特征進行對比，如果相同說明特征提取準確，從而驗證預測結果準確。

2.根據權利要求1所述的一種智能圖像處理方法，其特征在于，進行特征識別的方法是，利用YOLO模型進行特征提取，包括以下步驟：

S21.將不同品種的烏龜圖像劃分成S×S的網格,每個網格單獨負責預測B個框，每個框包含框的位置及置信度信息，和表示對目標框中心坐標的預測，和表示對目標框寬和高的預測，置信度表示對預測目標框與目標框I_OU值C的預測；

S22.將不同品種的烏龜圖像輸入神經網絡輸出得到特征圖F∈R^{(B×5+N)×s×s}，其中S×S表示輸出特征圖的高和寬，B×5+N表示特征圖的通道數；

S23.從特征圖F中第i行第j列取出特征向量f_ij∈R^(B×5+N)×1，將該特征向量f_ij前B×5個值與目標框計算MSE損失值，特征向量f_ij后N個值計算預測類別概率，將其與真實類別概率計算MSE損失值；

S24.將圖像輸入神經網絡輸出得到特征圖F，將網絡預測的置信度與框的類別概率相乘得到最終的置信分數，通過設定閾值過濾置信分數低的檢測結果，使用非極大值抑制算法處理其他區域特征，得到最終提取結果。

3.根據權利要求2所述的一種智能圖像處理方法，其特征在于，所述建立品種及年齡神經網絡預測模型的方法，具體包括以下步驟：

S31.將帶有不同年齡和品種標簽的特征數據，按照百分制劃分為訓練集、測試集和驗證集，由此創建品種及年齡神經網絡預測模型；

S32.通過測試集得到烏龜品種及年齡預測值，根據驗證集中的數據與預測值進行對比，通過驗證集中所反饋的誤差動態調整網絡參數，降低含水率預測誤差值，獲得最優模型；

S33.將待預測烏龜圖像輸入至品種及年齡神經網絡預測模型，輸出預測結果。