自适应鞋型识别方法、装置、系统、电子装置和存储介质与流程
本申请涉及制鞋技术领域，特别是涉及自适应鞋型识别方法、装置、系统、电子装置和存储介质。
背景技术：
对于制鞋产业来说，随着人口红利消失，劳动力价格的提升以及竞争日益激烈的市场，制鞋产业向全自动化已成为不可逆转的趋势。目前，在鞋面的制作过程中，有一个重要的步骤是自动喷胶，就是把胶水喷涂到鞋型和鞋楦上，然后再通过烤炉进行固化，以便于定型和鞋型与鞋面的结合。在这个过程中，对鞋面的定位是非常重要的。这个工艺的难点主要是：1、需要对不同鞋型和尺寸喷胶路径进行人工试教。鞋面具有若干种鞋型，同种鞋型的具有若干种尺寸。在已有的生产系统中，首先要先对每一个鞋型的每一个尺寸进行预先人工试教，这个是非常耗时的。2、喷胶时，要固定鞋的位置，因此需要将物料移到专有操作台，固定位置后，再用机器人喷胶。因此，目前的喷胶工艺具有耗时长、喷胶效率低的问题。那么对于鞋型的识别就尤为关键。
目前对于鞋型的识别是通过神经网络模型来训练识别模型，再利用训练好的识别模型对鞋型进行识别。但是由于鞋型更新换代快，其模型数量众多，在生产过程中往往需要训练新的模型，降低生产效率，不能适应生产需求。
针对相关技术中，由于鞋型更新换代快，其模型数量众多，在生产过程中往往需要训练新的模型，降低生产效率，不能适应生产需求，尚未提出有效的解决方案。
技术实现要素：
本申请实施例提供了一种自适应鞋型识别方法、装置、系统、电子装置和存储介质，以至少解决相关技术中由于鞋型更新换代快，其模型数量众多，在生产过程中往往需要训练新的模型，降低生产效率，不能适应生产需求的问题。
第一方面，本申请实施例提供了一种自适应鞋型识别方法，包括：
获取鞋底图像；
利用自适应图像识别算法对所述鞋底图像进行识别，并判断是否为已知鞋型；
若判断为已知鞋型，则读取对应的鞋型模板，并输出识别结果；
若判断为未知鞋型，则将识别结果中的鞋底轮廓生成对应的鞋型模板，并输出识别结果。
在其中一些实施例中，还包括：
基于预设rio检测区域获取rio区域图像，对所述rio区域图像进行图像处理，得到鞋底图像。
在其中一些实施例中，对所述rio区域图像进行图像处理，得到鞋底图像，包括：
对所述rio区域图像进行归一化处理，得到归一化图像；
对归一化图像中的单独连通区域进行目标粗提取，得到粗提取图像；
利用加速八邻域种子填充算法对所述粗提取图像进行区域填充，得到鞋底图像。
在其中一些实施例中，利用自适应图像识别算法对所述鞋底图像进行识别，并判断是否为已知鞋型，包括：
利用自适应图像识别算法对所述鞋底图像进行识别，得到鞋型轮廓、位置信息及左右脚标识；
遍历鞋型模板数据库中的鞋型模板与所述鞋型轮廓进行一一比对，并判断是否为已知鞋型。
在其中一些实施例中，利用自适应图像识别算法对所述鞋底图像进行识别，包括：
设定判断点，将判断点与鞋底图像中的鞋底轮廓进行计算，根据计算结果生成左右脚标识。
在其中一些实施例中，还包括：
根据所述识别结果进行定位抓取。
第二方面，本申请实施例提供了一种自适应鞋型识别装置，包括获取模块、判断模块、第一输出模块以及第二输出模块；
所述获取模块，用于获取鞋底图像；
所述判断模块，用于利用自适应图像识别算法对所述鞋底图像进行识别，并判断是否为已知鞋型；
所述第一输出模块，用于若判断为已知鞋型，则读取对应的鞋型模板，并输出识别结果；
所述第二输出模块，用于若判断为未知鞋型，则将识别结果中的鞋底轮廓生成对应的鞋型模板，并输出识别结果。
第三方面，本申请实施例提供了一种自适应鞋型识别系统，包括：终端设备、传输设备以及服务器设备；其中，所述终端设备通过传输设备连接服务器设备；
所述终端设备用于获取鞋底图像；
所述传输设备用于传输所述鞋底图像；
所述服务器设备用于执行实现如上述第一方面所述的自适应鞋型识别方法。
第四方面，本申请实施例提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的自适应鞋型识别方法。
第五方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的自适应鞋型识别方法。
相比于相关技术，本申请实施例提供的自适应鞋型识别方法、装置、系统、电子装置和存储介质，通过获取鞋底图像；利用自适应图像识别算法对鞋底图像进行识别，并判断是否为已知鞋型；若判断为已知鞋型，则读取对应的鞋型模板，并输出识别结果；若判断为未知鞋型，则将识别结果中的鞋底轮廓生成对应的鞋型模板，并输出识别结果。解决了由于鞋型更新换代快，其模型数量众多，在生产过程中往往需要训练新的模型，降低生产效率，不能适应生产需求的问题，实现了快速自适应自动化识别，提高生产效率，能够适用生产需求。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本申请一实施例提供的自适应鞋型识别系统的结构示意图；
图2是本申请一实施例提供的自适应鞋型识别方法的流程图；
图3是本申请一实施例提供的自适应鞋型识别装置的结构框图。
图中：100、获取模块；200、判断模块；300、第一输出模块；400、第二输出模块。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本实施例提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。以运行在终端上为例，图1是本发明实施例的自适应鞋型识别方法的终端的硬件结构框图。如图1所示，终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，可选地，上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限定。例如，终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的自适应鞋型识别方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括终端10的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(networkinterfacecontroller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(radiofrequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
本实施例提供了一种自适应鞋型识别方法，图2是根据本申请实施例的自适应鞋型识别方法的流程图，如图2所示，该流程包括如下步骤：
步骤s210，获取鞋底图像；
步骤s220，利用自适应图像识别算法对鞋底图像进行识别，并判断是否为已知鞋型；
步骤s230，若判断为已知鞋型，则读取对应的鞋型模板，并输出识别结果；
步骤s240，若判断为未知鞋型，则将识别结果中的鞋底轮廓生成对应的鞋型模板，并输出识别结果。
需要说明的是，鞋底图像可以通过获取模块获取，比如相机等。再利用自适应图像识别算法对鞋底图像进行识别，能够从鞋底图像中识别得到鞋型轮廓、位置信息及左右脚标识。
其中，可以遍历鞋型模板数据库中的鞋型模板与鞋型轮廓进行一一比对，并判断是否为已知鞋型；如果为判断为已知鞋型，则读取对应的鞋型模板，并输出识别结果；如果判断为未知鞋型，则将识别结果中的鞋底轮廓生成对应的鞋型模板，并输出识别结果。也就是说，本申请不需要预先训练模型，直接通过用自适应图像识别算法对鞋底图像进行识别，即可得到相应的鞋型轮廓，读取对应的鞋型模板或生成对应的鞋型模板，从而解决了由于鞋型更新换代快，其模型数量众多，在生产过程中往往需要训练新的模型，降低生产效率，不能适应生产需求的问题，实现了快速自适应自动化识别，提高生产效率，能够适用生产需求。也就是说通过本申请，不需要收集鞋型样本集，对上线的新产品直接进行识别，不仅成本低，而且应用范围广。
在其中一些实施例中，利用自适应图像识别算法对鞋底图像进行识别，并判断是否为已知鞋型，包括以下步骤；
利用自适应图像识别算法对鞋底图像进行识别，得到鞋型轮廓、位置信息及左右脚标识；
遍历鞋型模板数据库中的鞋型模板与鞋型轮廓进行一一比对，并判断是否为已知鞋型。
具体的，利用自适应图像识别算法对鞋底图像进行识别包括鞋型轮廓、位置信息及左右脚标识的识别。其中，左右脚标识的识别为：设定判断点，将判断点与鞋底图像中的鞋底轮廓进行计算，根据计算结果生成左右脚标识。比如，鞋底模板有鞋底边缘轮廓，轮廓与设定点直接对应关系，通过匹配定位设定点，通过计算这个点在鞋底的距离，若设定左脚模板，点在鞋底内辩识为左脚，所点在鞋底外，存在距离，判定为右脚。位置信息的识别为：利用图像识别算法进行识别，得到位置信息。鞋型轮廓的识别为：利用图像识别算法进行识别，得到鞋型轮廓。
由于鞋型模板数据库中每个鞋型模板均为唯一标识，可以通过唯一标识或者鞋型轮廓进行识别；也可以采用识别匹配算法遍历鞋型模板数据库中的鞋型模板与鞋型轮廓进行一一比对，并判断是否为已知鞋型。
这里的识别匹配算法为
其中，r(x,y)为相似度的函数，w(s,t)为模板图像，f(x+s,y+t)目标图像，利用线性差乘方式，可以确保图像和模板在同时变亮或者变暗时结果不变，提高匹配结果的准确性。
在其中一些实施例中，还包括以下步骤；
基于预设rio检测区域获取rio区域图像，对rio区域图像进行图像处理，得到鞋底图像。
需要说明的是，本申请实施例的自适应鞋型识别方法可以结合在现有生产流水线上，只需增加设置终端即可。为了降低图像处理的难度，在可以在流水线的上设置相机和光源；这里的光源可以是若干白色光源。在鞋底通过传送带运输到视觉检测区域时，即到预设的rio检测区域时，在光源照射下，通过相机获取rio区域图像，对rio区域图像进行图像处理，得到鞋底图像。白色4个条形光源，可以从前后、左右四个方向从上往下进行打光照射，解决因产品阴影而造成定位不准的问题。
由于图像的数据量是比较大的，对整张图像进行处理会影响处理效率，因此，根据先定义图像的roi区域可以大幅减小算法的复杂度，提高算法的效率和鲁棒性。
根据图像中目标的形状特征不同，roi区域的定义方式有多种方式，于本实施例中，可以是roi区域是图像中行列各在某一起始范围的矩形区域中，roi区域参数的形式可以以(rowstart,rowend,colstart,colend)、(rowstart,colstart,width,height)等形式。可以利用matlab等编程方式直接从矩阵数据中截取子矩阵，再进行下一步的图像处理，得到鞋底图像。
在其中一些实施例中，对rio区域图像进行图像处理，得到鞋底图像，包括以下步骤；
步骤s310，对rio区域图像进行归一化处理，得到归一化图像；
步骤s320，对归一化图像中的单独连通区域进行目标粗提取，得到粗提取图像；
步骤s330，利用加速八邻域种子填充算法对粗提取图像进行区域填充，得到鞋底图像。
具体的，对rio区域图像进行归一化处理是分开两步进行。第一步为：对roi区域图像的尺寸进行归一化处理，获得尺寸归一化图像，将图像的大小批量统一处理为标准要求大小，便于后续处理。第二步为：对尺寸归一化图像进行亮度归一化处理，获得归一化图像，分为两个功能模式，一是暗背景下提取亮灰度值，设定在100-255的像素区间，二是亮背景下提取暗灰度值，设定在0-100的像素区域，可以将不同类型、不同喷涂方式的鞋底筛选出来。
为了进一步提高检测准确率，对筛选出来的归一化图像在计算区域内目标的个数，将区域内的目标形成一个一个单独的连通区域，目标的计算按照像素的起始点(0，0)进行排序，按列像素的数值依次进行排序，可以实现有目的地筛选目标对象，从而得到粗提取图像。最后利用加速八邻域种子填充算法对粗提取图像进行区域填充，得到鞋底图像。而且根据形成的单独连通区域，比如面积、圆度、长度、宽度、椭圆度、凹凸度、矩形度、外接圆、内切圆等特征筛选目标对象，从而提高检测精准度。
传统8-联通算法中，采用逐行进行扫描，在处理像素的上、下、左、右、左上、右上、左下、右下八个像素进行比对，本申请采用的加速八邻域种子填充算法，种子设定
在其中一些实施例中，还包括以下步骤；根据识别结果进行定位抓取。通过将识别结果中的位置信息反馈给机器人，从而引导机器人进行定位抓取；从而提高生产效率。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种自适应鞋型识别装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图3是根据本申请实施例的自适应鞋型识别装置的结构框图，如图3所示，该装置包括获取模块100、判断模块200、第一输出模块300以及第二输出模块400；
获取模块100，用于获取鞋底图像；
判断模块200，用于利用自适应图像识别算法对鞋底图像进行识别，并判断是否为已知鞋型；
第一输出模块300，用于若判断为已知鞋型，则读取对应的鞋型模板，并输出识别结果；
第二输出模块400，用于若判断为未知鞋型，则将识别结果中的鞋底轮廓生成对应的鞋型模板，并输出识别结果。
通过自适应鞋型识别装置，解决了由于鞋型更新换代快，其模型数量众多，在生产过程中往往需要训练新的模型，降低生产效率，不能适应生产需求的问题，实现了快速自适应自动化识别，提高生产效率，能够适用生产需求。
在其中一些实施例中，在图3所示的所有模块的基础上，此外还包括处理模；处理模块，用于基于预设rio检测区域获取rio区域图像，对所述rio区域图像进行图像处理，得到鞋底图像。
在其中一些实施例中，在图3所示的所有模块的基础上，此外还包括定位抓取模块；定位抓取模块，用于根据所述识别结果进行定位抓取。
在其中一些实施例中，判断模块200，还用于利用自适应图像识别算法对所述鞋底图像进行识别，得到鞋型轮廓、位置信息及左右脚标识；
遍历鞋型模板数据库中的鞋型模板与所述鞋型轮廓进行一一比对，并判断是否为已知鞋型。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
本实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
s1，获取鞋底图像；
s2，利用自适应图像识别算法对鞋底图像进行识别，并判断是否为已知鞋型；
s3，若判断为已知鞋型，则读取对应的鞋型模板，并输出识别结果；
s4，若判断为未知鞋型，则将识别结果中的鞋底轮廓生成对应的鞋型模板，并输出识别结果。
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
另外，结合上述实施例中的自适应鞋型识别方法，本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种自适应鞋型识别方法。
本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
- 还没有人留言评论。精彩留言会获得点赞！