一种建立镜片识别模型的方法及装置与流程

本发明涉及计数系统领域，具体涉及一种建立镜片识别模型的方法及装置。

背景技术：

光学镜片广泛应用于安防、医疗影像、智能交通、工业检测等诸多领域，其需求量及生产量日益增大。传统的光学加工行业中，对于加工的光学镜片进行加工数量的统计以及生产库存盘点时，都是通过人工的方式，即由员工一片一片地数镜片，统计其个数，然后人工记录。这种人工统计并记录光学镜片数量的方法，其工作效率非常低，导致生产成增加；并且由于存在人为因素，统计误差较大。

技术实现要素：

因此，本发明要解决的技术问题在于现有技术中采用人工统计并记录光学镜片数量导致工作效率差、统计误差大。

有鉴于此，本发明提供一种建立镜片识别模型的方法，包括：

获取多个镜片图像样本；

对所述镜片图像样本中镜片进行校正；

对校正后的所述镜片图像样本进行边缘检测，得到所述镜片图像样本中的镜片信息；

将所述多个镜片图像样本和所述镜片图像样本中的镜片信息作为训练数据，对神经网络模型进行训练，直至所述神经网络对所述镜片图像样本中镜片信息的识别率大于预设阈值。

优选地，所述神经网络模型为卷积神经网络模型。

优选地，所述对校正后的所述镜片图像样本进行边缘检测，得到所述镜片图像样本中的镜片信息的步骤，包括：

根据索贝尔sobel边缘检测算法，对所述校正后的图像进行边缘检测，得到所述镜片图像样本中的镜片信息。

优选地，所述根据索贝尔sobel边缘检测算法，对所述校正后的图像进行边缘检测，得到所述镜片图像样本中的镜片信息的步骤，包括：

根据边缘检测结果，通过霍夫hough变换识别出圆形轮廓，所述圆形轮廓作为镜片图像。

相应地，本发明还提供一种建立图像识别模型的装置，包括：

获取单元，用于获取多个镜片图像样本；

校正单元，用于对所述镜片图像样本中镜片进行校正；

检测单元，用于对校正后的所述镜片图像样本进行边缘检测，得到所述镜片图像样本中的镜片信息；

训练单元，用于将所述多个镜片图像样本和所述镜片图像样本中的镜片信息作为训练数据，对神经网络模型进行训练，直至所述神经网络对所述镜片图像样本中镜片信息的识别率大于预设阈值。

优选地，所述神经网络模型为卷积神经网络模型。

优选地，所述校正单元包括：

第一校正单元，用于根据索贝尔sobel边缘检测算法，对所述校正后的图像进行边缘检测，得到所述镜片图像样本中的镜片信息。

优选地，所述第一校正单元包括：

变换单元，用于根据边缘检测结果，通过霍夫hough变换识别出圆形轮廓，所述圆形轮廓作为镜片图像。

本发明提供的建立镜片识别模型的方法及装置，通过获取多个镜片图像样本，对镜片图像样本中镜片进行校正，对校正后的镜片图像样本进行边缘检测，得到镜片图像样本中的镜片信息并将多个镜片图像样本和镜片图像样本中的镜片信息作为训练数据，对神经网络模型进行训练，直至神经网络对所述镜片图像样本中镜片信息的识别率大于预设阈值，利用该模型确定采集图像中的镜片数量，解决了现有技术中采用人工统计并记录光学镜片数量导致工作效率差、统计误差大的问题。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种建立镜片识别模型的方法的流程图；

图2是本发明实施例提供的一种建立镜片识别模型的装置的结构示意图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供一种建立镜片识别模型的方法，如图1所示，包括：

s11，获取多个镜片图像样本。其中为了提供模型的识别的准确性，获取的镜片图像样本在保证满足训练数量的情况下，需满足样本的多样性，即镜片图像样本中可以是通过摄像机等照相设备得到的不同角度、不同光照得到的样本信息，由于样本是随机获取的，故可能样本中也应该包括边缘不完整的镜片图像，例如由于拍摄角度问题导致的原本圆形的镜片，此时在图像样本中未椭圆形或者其他不规则的形状。

s12，对所述镜片图像样本中镜片进行校正。

s13，对校正后的所述镜片图像样本进行边缘检测，得到所述镜片图像样本中的镜片信息。

s14，将所述多个镜片图像样本和所述镜片图像样本中的镜片信息作为训练数据，对神经网络模型进行训练，直至所述神经网络对所述镜片图像样本中镜片信息的识别率大于预设阈值。其中所述神经网络模型优选为卷积神经网络模型。将标记好的大量的镜片图像样本输入到神经网络模型中，对该模型进行训练，调节模型中的各项参数，直至该神经网络模型对镜片图像样本镜片信息的识别率大于预设阈值，则该神经网络模型训练完成。

本发明实施例提供的建立镜片识别模型的方法，通过获取多个镜片图像样本和所述镜片图像样本中的镜片信息，将所述多个镜片图像样本和所述镜片图像样本中的镜片信息作为训练数据，对神经网络模型进行训练，直至神经网络对所述镜片图像样本中镜片信息的识别率大于预设阈值，则该镜片识别模型建立完成，利用该模型对镜片图像中的镜片进行识别，确定图像中的镜片数量，解决了现有技术中采用人工统计并记录光学镜片数量导致工作效率差、统计误差大的问题。

优选地，所述神经网络模型为卷积神经网络模型。

优选地，所述对校正后的所述镜片图像样本进行边缘检测，得到所述镜片图像样本中的镜片信息的步骤，包括：

根据索贝尔sobel边缘检测算法，对所述校正后的图像进行边缘检测，得到所述镜片图像样本中的镜片信息。

优选地，所述根据索贝尔sobel边缘检测算法，对所述校正后的图像进行边缘检测，得到所述镜片图像样本中的镜片信息的步骤，包括：

根据边缘检测结果，通过霍夫hough变换识别出圆形轮廓，所述圆形轮廓作为镜片图像。

本发明实施例提供的建立图像识别模型的方法，通过获取多个镜片图像样本，对镜片图像样本中镜片进行校正，对校正后的镜片图像样本进行边缘检测，得到镜片图像样本中的镜片信息并将多个镜片图像样本和镜片图像样本中的镜片信息作为训练数据，对神经网络模型进行训练，直至神经网络对所述镜片图像样本中镜片信息的识别率大于预设阈值，利用该模型确定采集图像中的镜片数量，解决了现有技术中采用人工统计并记录光学镜片数量导致工作效率差、统计误差大的问题。

相应地，本发明实施例提供一种建立镜片识别模型的装置，如图2所示，包括：

获取单元21，用于获取多个镜片图像样本；

校正单元22，用于对所述镜片图像样本中镜片进行校正；

检测单元23，用于对校正后的所述镜片图像样本进行边缘检测，得到所述镜片图像样本中的镜片信息；

训练单元24，用于将所述多个镜片图像样本和所述镜片图像样本中的镜片信息作为训练数据，对神经网络模型进行训练，直至所述神经网络对所述镜片图像样本中镜片信息的识别率大于预设阈值。

优选地，所述神经网络模型为卷积神经网络模型。

优选地，所述校正单元包括：

第一校正单元，用于根据索贝尔sobel边缘检测算法，对所述校正后的图像进行边缘检测，得到所述镜片图像样本中的镜片信息。

优选地，所述第一校正单元包括：

变换单元，用于根据边缘检测结果，通过霍夫hough变换识别出圆形轮廓，所述圆形轮廓作为镜片图像。

本发明实施例提供的建立镜片识别模型的装置，通过获取多个镜片图像样本，对镜片图像样本中镜片进行校正，对校正后的镜片图像样本进行边缘检测，得到镜片图像样本中的镜片信息并将多个镜片图像样本和镜片图像样本中的镜片信息作为训练数据，对神经网络模型进行训练，直至神经网络对所述镜片图像样本中镜片信息的识别率大于预设阈值，利用该模型确定采集图像中的镜片数量，解决了现有技术中采用人工统计并记录光学镜片数量导致工作效率差、统计误差大的问题。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。