本申请属于目标检测领域,尤其涉及一种商标识别的方法、计算机可读存储介质及计算机设备。
背景技术:
1、现有的机器视觉人工智能识别商标的方法,大多基于yolo3和yolov4等算法的智能解决方案,该方法作为anchor based方法,基于anchor做位置回归,那么检测精度会受限于anchor的宽高设计,如果anchor设计过小,与gt计算iou时会因为重叠率小于阈值而被作为负样本。造成正样本个数减少,负样本噪声增加,并且由于商标大小灵活多变,现有算法的底层阶段感受野较小,难以正确根据小目标特征判断商标类别。
技术实现思路
1、本申请的目的在于提供一种商标识别的方法、计算机可读存储介质及计算机设备,旨在解决现有算法的底层阶段感受野较小,难以正确根据小目标特征判断商标类别的问题。
2、第一方面,本申请提供了一种商标识别的方法,包括:
3、将获取的商标印刷文件的底层文件的文件格式进行归一化处理,转换为位图图像文件;
4、将位图图像文件输入商标检测模型,输出特征参数,根据特征参数预测商标位置;所述商标检测模型是卷积神经网络模型;
5、将已知商标位置的商标印刷文件输入商标识别模型,得到商标检测结果,输出驰名商标、注册商标或普通商标;所述商标识别模型是利用定时更新的商标数据库,创建向量特征矩阵地图,对局部特征进行聚类和量化变换,利用互信息对向量进行筛选,过滤次要相关节点信息,提取已知商标位置的商标印刷文件的向量特征,利用向量特征矩阵地图对向量特征进行过滤筛选,匹配聚类信息,当匹配到的关键信息差小于预定阈值时,确认得到商标检测结果为驰名商标、注册商标或普通商标;所述互信息是多个变量之间相关性的度量。
6、进一步地,所述商标检测模型是将位图图像文件作为训练样本,以darknet-53为主干网络,在卷积层对png图片文件进行特征提取,池化层将提取的特征进行筛选,并剔除全连接层选取前52层重新训练,对骨干网络的全连接层利用残差的跳层连接,去除采样层使用步长为2的卷积步幅进行降采样,在32倍降采样,16倍降采样,8倍降采样阶段进行深层特征的检测,得到特征参数;
7、根据k-means聚类对特征参数进行多维度多标签分类,结合无锚检测anchor-free的任务对齐分配算法task aligned和非极大值抑制算法nms训练锚点框anchor的位置分配,得到任务对齐的分类得分,将任务对齐程度高于阈值的分为高分类得分;将任务对齐程度低于阈值的分为低分类得分,并在非极大值抑制nms阶段被抑制。
8、进一步地,所述将位图图像文件输入商标检测模型,输出特征参数,根据特征参数预测商标位置之后,还包括:
9、根据任务对齐的分类得分与预设的目标检测测量标准iou值判断预测商标位置的准确度,即:
10、t=sα×uβ;
11、其中,s为分类得分,u为预设的目标检测测量标准iou值,α,β为权重超参,t为锚定anchor alignment的准确度,也代表了预测商标位置的准确度。
12、进一步地,所述在32倍降采样,16倍降采样,8倍降采样阶段进行深层特征的检测具体为:
13、在32倍降采样进行上采样,得到16倍降采样数据与原16倍降采样数据进行对比,再将16倍降采样数据与原16倍降采样数据分别进行上采样后与原8倍降采样进行对比,进行深层次的检测。
14、进一步地,所述任务对齐task aligned是根据预设的锚定定位尺寸anchoralignment metric在锚定水平anchor level判断任务对齐的效果,并将校准度量标准alignment metric集成在样本分配和损失函数中。
15、进一步地,所述将已知商标位置的商标印刷文件输入商标识别模型,得到商标检测结果,输出驰名商标、注册商标或普通商标之后,还包括:
16、将得到商标检测结果的商标印刷文件输入辅助识别模型,输出特征参数,并根据特征参数预测检测目标的商标种类和滑动窗口bounding box;所述辅助识别模型是卷积神经网络模型,将商标印刷文件的位图图像文件作为训练样本,以cspdarknet53作为主干网络,利用panet路径聚合作为neck提取特征,在back bone和最后的输出层之间插入空间金字塔池化spp将提取的特征转换成尺寸相同的特征,head使用yolov3的head作为检测头,预测检测目标的商标种类和滑动窗口bounding box,输出商标种类为驰名商标、注册商标或普通商标。
17、进一步地,所述检测头采用decoupled-head解耦头结构;所述辅助识别模型还采用了mosaic图像增强技术,并行多梯度流分支。
18、第二方面,本申请提供了一种计算机设备,包括:一个或多个处理器、存储器以及一个或多个计算机程序,所述处理器和所述存储器通过总线连接,其中所述一个或多个计算机程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述处理器执行所述计算机程序时实现所述的商标识别的方法的步骤。
19、第三方面,本申请提供了一种商标识别的方法,包括:
20、将获取的商标印刷文件的底层文件的文件格式进行归一化处理,转换为位图图像文件;
21、将位图图像文件输入辅助识别模型,输出特征参数,并根据特征参数预测检测目标的商标种类和滑动窗口bounding box;所述辅助识别模型是卷积神经网络模型,将位图图像文件作为训练样本,以cspdarknet53作为主干网络,利用panet路径聚合作为neck提取特征,在back bone和最后的输出层之间插入空间金字塔池化spp将提取的特征转换成尺寸相同的特征,head使用yolov3的head作为检测头,预测检测目标的商标种类和滑动窗口bounding box,输出商标种类为驰名商标、注册商标或普通商标。
22、第四方面,本申请提供了一种计算机设备,包括:一个或多个处理器、存储器以及一个或多个计算机程序,所述处理器和所述存储器通过总线连接,其中所述一个或多个计算机程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述处理器执行所述计算机程序时实现所述的商标识别的方法的步骤。
23、在本申请中,采用商标识别模型,通过创建向量特征矩阵地图,对向量进行过滤筛选,匹配聚类信息,可以识别驰名商标,已储存在商标数据库的注册商标以及普通商标,提升检测结果的准确性;商标检测模型采用卷积神经网络模型,通过目标检测算法anchor-free的任务对齐task aligned并结合非极大值抑制nms训练锚点框anchor分配,提升预测锚点框的精准度,精细化特征信息处理,大幅提升网络的预测速度和检测结果的准确性;采用辅助识别模型,预测检测目标的商标种类和滑动窗口bounding box,能够准确的区分驰名商标、所有注册商标以及普通商标。
1.一种商标识别的方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,所述商标检测模型是将位图图像文件作为训练样本,以darknet-53为主干网络,在卷积层对png图片文件进行特征提取,池化层将提取的特征进行筛选,并剔除全连接层选取前52层重新训练,对骨干网络的全连接层利用残差的跳层连接,去除采样层使用步长为2的卷积步幅进行降采样,在32倍降采样,16倍降采样,8倍降采样阶段进行深层特征的检测,得到特征参数;
3.如权利要求2所述的方法,其特征在于,所述将位图图像文件输入商标检测模型,输出特征参数,根据特征参数预测商标位置之后,还包括:
4.如权利要求2所述的方法,其特征在于,所述在32倍降采样,16倍降采样,8倍降采样阶段进行深层特征的检测具体为:
5.如权利要求2所述的方法,其特征在于,所述任务对齐task aligned是根据预设的锚定定位尺寸anchor alignment metric在锚定水平anchor level判断任务对齐的效果,并将校准度量标准alignment metric集成在样本分配和损失函数中。
6.如权利要求1所述的方法,其特征在于,所述将已知商标位置的商标印刷文件输入商标识别模型,得到商标检测结果,输出驰名商标、注册商标或普通商标之后,还包括:
7.如权利要求6所述的方法,其特征在于,所述检测头采用decoupled-head解耦头结构;所述辅助识别模型还采用了mosaic图像增强技术,并行多梯度流分支。
8.一种计算机设备,包括:
9.一种商标识别的方法,其特征在于,包括:
10.一种计算机设备,包括: