Nothing Special   »   [go: up one dir, main page]

CN114764891A - 用于确定物料构成的方法、装置、电子设备和可读介质 - Google Patents

用于确定物料构成的方法、装置、电子设备和可读介质 Download PDF

Info

Publication number
CN114764891A
CN114764891A CN202111087479.3A CN202111087479A CN114764891A CN 114764891 A CN114764891 A CN 114764891A CN 202111087479 A CN202111087479 A CN 202111087479A CN 114764891 A CN114764891 A CN 114764891A
Authority
CN
China
Prior art keywords
image
determining
material component
generate
section
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111087479.3A
Other languages
English (en)
Inventor
周媛
谭天
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Tianyan Zhilian Technology Co ltd
Original Assignee
Hangzhou Tianyan Zhilian Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Tianyan Zhilian Technology Co ltd filed Critical Hangzhou Tianyan Zhilian Technology Co ltd
Priority to CN202111087479.3A priority Critical patent/CN114764891A/zh
Publication of CN114764891A publication Critical patent/CN114764891A/zh
Priority to US17/946,076 priority patent/US11610392B1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06V10/7747—Organisation of the process, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本公开的实施例公开了用于确定物料构成的方法、装置、电子设备和可读介质。该方法的一具体实施方式包括：获取目标图像；确定目标图像包括的待检测物料对应的物料截面图像；根据物料截面图像，生成物料成分区域图像集合；确定物料成分区域图像集合中每个物料成分区域图像对应的物料成分对应的物料构成信息，得到物料构成信息集合。该实施方式提高了物料构成的识别准确率和识别效率。

Description

用于确定物料构成的方法、装置、电子设备和可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及用于确定物料构成的方法、装置、电子设备和可读介质。
背景技术
物料构成识别，是指对物料的组成成分进行识别的一项技术。随着人类社会的发展，提高资源利用率，尤其是提高对可回收物料的回收处理的效率，对于资源的重复利用和环境保护等方面有重大意义。目前，在进行物料构成识别时，通常采用的方式为：通过人工的方式进行人工识别或通过实验室检验的方式进行物料构成识别。
然而，当采用上述方式时，经常存在如下技术问题：
第一、通过人工识别的方式，易受到人的主观因素影响，从而导致物料构成识别的准确率低下；
第二、对于混合的可回收物料，往往需要通过多种检验方式进行构成识别，从而导致花费较多的时间，进而影响物料构成识别的识别效率。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了用于确定物料构成的方法、装置、电子设备和可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种用于确定物料构成的方法，该方法包括：获取目标图像；确定上述目标图像包括的待检测物料对应的物料截面图像；根据上述物料截面图像，生成物料成分区域图像集合；确定上述物料成分区域图像集合中每个物料成分区域图像对应的物料成分对应的物料构成信息，得到物料构成信息集合。
可选地，上述确定上述目标图像包括的待检测物料对应的物料截面图像，包括：通过预先训练的物料截面检测模型，确定上述目标图像包括的待检测物料对应的物料截面的坐标，得到物料截面坐标集合；根据上述物料截面坐标集合，对上述目标图像进行裁剪，以生成上述物料截面图像。
可选地，根据上述物料截面图像，生成物料成分区域图像集合，包括：对上述物料截面图像进行图像预处理，以生成预处理物料截面图像；根据上述预处理物料截面图像和预先训练的物料成分检测网络，生成上述物料成分区域图像集合。
可选地，上述物料构成信息集合中的物料构成信息包括：物料成分含量信息；以及上述确定上述物料成分区域图像集合中每个物料成分区域图像对应的物料成分对应的物料构成信息，包括：根据上述物料成分区域图像对应的物料成分的密度，和上述物料成分区域图像，确定上述物料成分区域图像对应的物料构成信息包括的物料成分含量信息。
可选地，上述物料构成信息集合中的物料构成信息还包括：物料占比信息；以及上述确定上述物料成分区域图像集合中每个物料成分区域图像对应的物料成分对应的物料构成信息，还包括：根据上述物料截面图像，和上述待检测物料对应的物料成分含量信息，确定上述物料成分区域图像对应的物料构成信息包括的物料占比信息。
可选地，上述根据上述预处理物料截面图像和预先训练的物料成分检测网络，生成上述物料成分区域图像集合，包括：将上述预处理物料截面图像输入上述预先训练的物料成分检测网络，以生成至少一个检测框信息；确定上述至少一个检测框信息中的每个检测框信息框定的上述待检测物料包含的物料成分所在的区域，以生成物料成分区域图像，得到上述物料成分区域图像集合。
可选地，上述对上述物料截面图像进行图像预处理，以生成预处理物料截面图像，包括：对上述物料截面图像进行颜色空间转换，以生成第一候选图像；对上述第一候选图像进行亮度调整，以生成第二候选图像；对上述第二候选图像进行颜色空间转换，以生成第三候选图像；对上述第三候选图像进行白平衡调整，以生成第四候选图像；对上述第四候选图像进行降噪处理，以生成第五候选图像；对上述第五候选图像进行图像锐化处理，以生成上述预处理物料截面图像。
第二方面，本公开的一些实施例提供了一种用于确定物料构成的装置，装置包括：获取单元，被配置成获取目标图像；第一确定单元，被配置成确定上述目标图像包括的待检测物料对应的物料截面图像；生成单元，被配置成根据上述物料截面图像，生成物料成分区域图像集合；第二确定单元，被配置成确定上述物料成分区域图像集合中每个物料成分区域图像对应的物料成分对应的物料构成信息，得到物料构成信息集合。
可选地，上述第一确定单元被进一步配置成：通过预先训练的物料截面检测模型，确定上述目标图像包括的待检测物料对应的物料截面的坐标，得到物料截面坐标集合；根据上述物料截面坐标集合，对上述目标图像进行裁剪，以生成上述物料截面图像。
可选地，上述生成单元被进一步配置成：对上述物料截面图像进行图像预处理，以生成预处理物料截面图像；根据上述预处理物料截面图像和预先训练的物料成分检测网络，生成上述物料成分区域图像集合。
可选地，上述物料构成信息集合中的物料构成信息包括：物料成分含量信息；以及上述第二确定单元被进一步配置成：根据上述物料成分区域图像对应的物料成分的密度，和上述物料成分区域图像，确定上述物料成分区域图像对应的物料构成信息包括的物料成分含量信息。
可选地，上述物料构成信息集合中的物料构成信息还包括：物料占比信息；以及上述第二确定单元被进一步配置成：根据上述物料截面图像，和上述待检测物料对应的物料成分含量信息，确定上述物料成分区域图像对应的物料构成信息包括的物料占比信息。
可选地，上述生成单元被进一步配置成：将上述预处理物料截面图像输入上述预先训练的物料成分检测网络，以生成至少一个检测框信息；确定上述至少一个检测框信息中的每个检测框信息框定的上述待检测物料包含的物料成分所在的区域，以生成物料成分区域图像，得到上述物料成分区域图像集合。
可选地，上述生成单元被进一步配置成：对上述物料截面图像进行颜色空间转换，以生成第一候选图像；对上述第一候选图像进行亮度调整，以生成第二候选图像；对上述第二候选图像进行颜色空间转换，以生成第三候选图像；对上述第三候选图像进行白平衡调整，以生成第四候选图像；对上述第四候选图像进行降噪处理，以生成第五候选图像；对上述第五候选图像进行图像锐化处理，以生成上述预处理物料截面图像。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的用于确定物料构成的方法，提高了物料构成识别的准确率和识别效率。具体来说造成物料识别准确率和识别效率低下的原因在于：一、通过人工识别的方式，易受到人的主观因素影响，从而导致物料构成识别的准确率低下；二、对于混合的可回收物料，往往需要通过多种检验方式进行构成识别，从而花费较多的时间，进而影响物料构成识别的识别效率。基于此，本公开的一些实施例的用于确定物料构成的方法，首先，获取目标图像。实际情况中，由于待检测的物料的种类数量繁多，通过人工识别或通过实验室检验的方式，往往是通过抽检的方式进行物料构成的检验，无法全面的对所有待检测物料进行物料构成的识别。而通过获取目标图像，可以提高对于待检测物料的物料构成识别的全面性。此外，确定上述目标图像包括的待检测物料对应的物料截面图像。实际情况中，由于待检测物料往往是由多种材料组合而成。例如，电线可以包括的外层绝缘层、导体和屏蔽层。其中，外层绝缘层可以是绝缘塑胶。导体可以是铜导线，屏蔽层可以是由金属线编织成的网状结构。从外表往往无法直观的确定电线构成。因此，通过确定物料的截面图像，可以很好地确定物料的构成。然后，根据上述物料截面图像，生成物料成分区域图像集合。通过根据物料成分所在的区域，对物料截面图像进行截取，减少了后续根据图像，识别物料成分的数据处理量。最后，确定上述物料成分区域图像集合中每个物料成分区域图像对应的物料成分对应的物料构成信息，得到物料构成信息集合。通过图像识别确定每个物料成分区域图像对应的物料成分对应的物料构成信息，从而实现对物料构成的识别。此种方式提高了物料构成的识别准确率和识别效率。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的用于确定物料构成的方法的一个应用场景的示意图；
图2是根据本公开的用于确定物料构成的方法的一些实施例的流程图；
图3是根据本公开的用于确定物料构成的方法的另一些实施例的流程图；
图4是目标图像的示意图；
图5是目标图像的另一示意图；
图6是根据本公开的用于确定物料构成的装置的一些实施例的结构示意图；
图7是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的用于确定物料构成的方法的一个应用场景的示意图。
在图1的应用场景中，首先，计算设备101可以获取目标图像102；然后，计算设备101可以确定上述目标图像102包括的待检测物料对应的物料截面图像103；接着，计算设备101可以根据上述物料截面图像103，生成物料成分区域图像集合104；最后，计算设备101可以确定上述物料成分区域图像集合104中每个物料成分区域图像对应的物料成分对应的物料构成信息，得到物料构成信息集合105。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
继续参考图2，示出了根据本公开的用于确定物料构成的方法的一些实施例的流程200。该用于确定物料构成的方法，包括以下步骤：
步骤201，获取目标图像。
在一些实施例中，用于确定物料构成的方法的执行主体(例如图1所示的计算设备101)可以通过有线连接或无线连接方式获取上述目标图像。其中，上述目标图像可以为包含待检测物料的图像。上述待检测物料可以为需要进行物料构成识别的物料。例如，上述待检测物料可以是“电线”。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(Ultra Wide Band)连接、以及其他现在已知或将来开发的无线连接方式。
作为示例，上述目标图像可以是由目标摄像头采集的图像。其中，上述目标摄像头可以是安装于目标装置上的摄像头。例如，上述目标装置可以是用于运输待检测物料的传送装置。
步骤202，确定目标图像包括的待检测物料对应的物料截面图像。
在一些实施例中，上述执行主体可以确定目标图像包括的待检测物料对应的物料截面图像。其中，上述物料截面图像可以是上述目标图像包括的上述待检测物料的横截面的图像。
作为示例，上述执行主体，首先，可以通过预先训练的相似度模型，对上述目标图像进行特征压缩，以生成目标特征向量。然后，通过目标相似度算法，确定上述目标特征向量与目标数据库中的存储的候选图像和候选物料构成信息对应的特征向量之间的相似度，以生成相似度数值，得到相似度数值集合。其次，从上述目标数据库中的存储的候选图像中选取对应的相似度数值满足筛选条件的候选图像作为物料截面图像。其中，上述筛选条件用于从上述目标数据库中筛选出与上述目标图像最为相似的候选图像。例如，上述筛选条件可以是候选图像对应的相似度数值为上述目标数据库中存储的所有候选图像对应的相似度数值中的最大值。上述筛选条件还可以是候选图像对应的相似度数值为上述目标数据库中存储的所有候选图像对应的相似度数值中的最小值。其中，上述目标数据库可以是存储有候选图像和候选物料构成信息的数据库。例如，上述目标数据库可以是MySQL数据库。又如，上述目标数据库还可以是Oracle数据库。上述相似度模型可以是但不限于以下任意一项：ResNet模型，VGG模型，GoogleNet模型和DarkNet模型。上述相似度模型可以将预先标注截面区域位置的图像和预先标注截面区域位置的图像对应的物料构成信息作为训练样本，对初始的相似度模型进行训练生成的。上述候选图像可以是预先标注截面区域位置的图像。上述候选物料构成信息可以是候选图像包括的物料的物料构成信息。其中，候选物料构成信息可以包括：物料成分位置和物料成分占比。物料成分位置可以用物料成分在上述候选图像中所在的区域的坐标集表示。物料成分占比可以用物料成分在候选图像包含的物料的体积占比表示。坐标集中的坐标可以是物料成分所在区域的边界上的特征点的坐标。物料成分可以是构成物料的材料。例如，物料成分可以是“铜导线”。例如，上述目标相似度算法可以是KNN(K-NearestNeighbor，K-最邻近)算法。例如，上述目标特征向量可以是上述相似度模型中任意一层网络结构输出的激活向量。
步骤203，根据物料截面图像，生成物料成分区域图像集合。
在一些实施例中，上述执行主体可以根据物料截面图像，生成物料成分区域图像集合。
作为示例，上述执行主体首先，可以从上述目标数据库中查询得到上述物料截面图像对应的至少一个候选物料构成信息。然后，根据查询得到上述物料截面图像对应的至少一个候选物料构成信息，生成物料成分区域图像集合。其中，上述执行主体可以根据候选物料构成信息包括的物料成分位置，确定物料成分区域图像。
例如，上述至少一个候选物料构成信息包括的物料成分位置可以是：{[562.794，578.082]，[564.164，545.292]，[597.041，506.849]，[660.054，487.671]，[687.452，743.434]，[743.616，434.246]}。上述执行主体，首先，可以根据物料成分位置中的坐标进行曲线拟合，以生成物料成分区域的边界。然后，将物料成分区域的边界围绕的区域对应的图像，确定为物料成分区域图像。
步骤204，确定物料成分区域图像集合中每个物料成分区域图像对应的物料成分对应的物料构成信息，得到物料构成信息集合。
在一些实施例中，上述执行主体可以确定物料成分区域图像集合中每个物料成分区域图像对应的物料成分对应的物料构成信息，得到物料构成信息集合。其中，物料成分可以是构成物料的材料。例如，物料成分可以是“铜导线”。物料构成信息可以表征物料成分的物料占比。
作为示例，上述执行主体可以将上述目标数据库中与物料成分区域图像对应的候选物料构成信息中的物料成分占比，确定为物料构成信息。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的用于确定物料构成的方法，提高了物料构成识别的准确率和识别效率。具体来说造成物料识别准确率和识别效率低下的原因在于：一、通过人工识别的方式，易受到人的主观因素影响，从而导致物料构成识别的准确率低下；二、对于混合的可回收物料，往往需要通过多种检验方式进行构成识别，从而花费较多的时间，进而影响物料构成识别的识别效率。基于此，本公开的一些实施例的用于确定物料构成的方法，首先，获取目标图像。实际情况中，由于待检测的物料的种类数量繁多，通过人工识别或通过实验室检验的方式，往往是通过抽检的方式进行物料构成的检验，无法全面的对所有待检测物料进行物料构成的识别。而通过获取目标图像，可以提高对于待检测物料的物料构成识别的全面性。此外，确定上述目标图像包括的待检测物料对应的物料截面图像。实际情况中，由于待检测物料往往是由多种材料组合而成。例如，电线可以包括的外层绝缘层、导体和屏蔽层。其中，外层绝缘层可以是绝缘塑胶。导体可以是铜导线，屏蔽层可以是由金属线编织成的网状结构。从外表往往无法直观的确定电线构成。因此，通过确定物料的截面图像，可以很好地确定物料的构成。然后，根据上述物料截面图像，生成物料成分区域图像集合。通过根据物料成分所在的区域，对物料截面图像进行截取，减少了后续根据图像，识别物料成分的数据处理量。最后，确定上述物料成分区域图像集合中每个物料成分区域图像对应的物料成分对应的物料构成信息，得到物料构成信息集合。通过图像识别确定每个物料成分区域图像对应的物料成分对应的物料构成信息，从而实现对物料构成的识别。此种方式提高了物料构成的识别准确率和识别效率。
进一步参考图3，其示出了用于确定物料构成的方法的另一些实施例的流程300。该用于确定物料构成的方法的流程300，包括以下步骤：
步骤301，获取目标图像。
在一些实施例中，步骤301的具体实现及其所带来的技术效果，可以参考图2对应的那些实施例中的步骤201，在此不再赘述。
步骤302，通过预先训练的物料截面检测模型，确定目标图像包括的待检测物料对应的物料截面的坐标，得到物料截面坐标集合。
在一些实施例中，用于确定物料构成的方法的执行主体(例如图1所示的计算设备101)可以通过预先训练的物料截面检测模型，确定目标图像包括的待检测物料对应的物料截面的坐标，得到物料截面坐标集合。其中，上述物料截面检测模型可以是用于识别出上述目标图像包括的待检测物料对应的物料截面的边界上的特征点的坐标的模型。其中，上述物料截面坐标集合可以是物料截面的边界上的点的坐标。
作为示例，上述物料截面检测模型可以是YOLOV5(You Only Look OnceVersion5)模型。其中，上述目标检测模型可以包括：骨干网络，特征融合网络和检测网络。上述骨干网络可以采用CSPDarkNet的网络结构。上述特征融合网络可以采用PANet(PathAggregation Network for Instance Segmentation，用于实例分割的路径聚合网络)的网络结构。上述检测网络可以采用YOLOV3 head(You Only Look Once Version 3head)的网络结构。上述目标检测网络模型的激活函数可以是LeakyReLU激活函数。上述目标检测网络模型可以采用BECLogits函数，BCEclsloss(交叉熵损失函数)函数和GIOU Loss(Generalized Intersection over Union Loss)作为损失函数。
作为又一示例，上述物料截面检测模型可以包括：特征提取网络、感兴趣区域池化网络、特征拼接层和激活网络。其中，上述特征提取网络包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层。上述感兴趣区域池化网络可以包括：第一子金字塔感兴趣区域池化层、第二子金字塔感兴趣区域池化层、第三子金字塔感兴趣区域池化层和第四子金字塔感兴趣区域池化层。上述激活网络可以包括：第一全连接层和第二全连接层。
其中，上述执行主体，首先，可以将上述目标图像输入上述特征提取网络以生成候选特征图。然后，通过上述感兴趣区域池化网络包括的：第一子金字塔感兴趣区域池化层、第二子金字塔感兴趣区域池化层、第三子金字塔感兴趣区域池化层和第四子金字塔感兴趣区域池化层并行地对上述候选特征图进行特征提取。其中，上述第一子金字塔感兴趣区域池化层可以将上述候选特征图划分成1×1个子区域，然后从1×1个子区域中提取第一特征向量。上述第二子金字塔感兴趣区域池化层可以将上述候选特征图划分成3×3的个子区域，然后从3×3的个子区域中提取第二特征向量。上述第三子金字塔感兴趣区域池化层可以将上述候选特征图划分成5×5的个子区域，然后从5×5的个子区域中提取第三特征向量。上述第四子金字塔感兴趣区域池化层可以将上述候选特征图划分成7×7的个子区域，然后从7×7的个子区域中提取第四特征向量。进一步，上述特征拼接层可以将上述第一特征向量、第二特征向量、第三特征向量和第四特征向量进行特征拼接，以生成第五特征向量。最后，将上述第五特征向量输入激活网络，以得到物料截面坐标集合。其中，上述第一全连接层和上述第二全连接层的维度均为1024。
由于感兴趣区域池化网络包括的第一子金字塔感兴趣区域池化层、第二子金字塔感兴趣区域池化层、第三子金字塔感兴趣区域池化层和第四子金字塔感兴趣区域池化层对候选特征图的划分尺度不同，即呈现金字塔形的特征划分，从而可以实现对上述目标图像的细粒度和粗粒度的特征提取，进而得到更加丰富的特征信息。此外，考虑到不同子金字塔感兴趣区域池化层得到的特征向量对于后续的结果的生成影响不同，本公开还对每个子金字塔感兴趣区域池化层得到的特征向量设置了自适应可学习的权重。通过此种方式在保证提取到丰富的特征的同时，通过权重动态调节特征的比重，从而大大提高了物料截面检测的准确度。
步骤303，根据物料截面坐标集合，对目标图像进行裁剪，以生成物料截面图像。
在一些实施例中，上述执行主体可以根据上述物料截面坐标集合，对上述目标图像进行裁剪，以生成上述物料截面图像。
作为示例，上述执行主体，首先，可以根据上述物料截面坐标集合中的物料截面坐标进行曲线拟合，以生成物料截面的边界。然后，将物料截面的边界围绕的区域对应的图像作为上述物料截面图像。例如，如图4所示的目标图像的示意图。其中，上述目标图像401上可以包括8个物料截面坐标对应的特征点402。上述执行主体可以将上述8个物料截面坐标对应的特征点402围成的圆形区域内的图像作为上述物料截面图像。上述物料截面图像可以是“铜绞线”的截面对应的图像。
作为又一示例，如图5所示的目标图像的又一示意图。其中，上述目标图像401上可以包括4个物料截面坐标对应的特征点402。上述执行主体，首先，可以根据上述4个物料截面坐标对应的特征点402构建矩形包围框501。然后，将上述矩形包围框501的中心为原点，以上述矩形包围框501的边长为直径的圆形区域内的图像作为上述物料截面图像。
步骤304，对物料截面图像进行图像预处理，以生成预处理物料截面图像。
在一些实施例中，上述执行主体可以对物料截面图像进行图像预处理，以生成预处理物料截面图像。其中，上述图像预处理可以是用于突出上述物料截面图像的图像特征的处理。上述图像预处理可以包括但不限于以下至少一项：图像色域转换处理，图像亮度调整处理，图像白平衡调整处理，图像噪点消除处理和图像锐化处理。
作为示例，上述图像色域转换处理可以是将图像从RGB色域转换至HSV色域的处理。上述图像色域转换处理还可以是将图像从HSV色域转换至RGB色域的处理。上述图像亮度调整处理可以是对上述物料截面图像中的高亮度区域进行减弱亮度的处理。上述图像亮度调整处理还可以是对上述物料截面图像中的低亮度区域进行调高亮度的处理。上述图像白平衡调整处理可以是通过白平衡调整算法，对上述物料截面图像进行白平衡调整的处理。例如，上述白平衡调整算法可以是基于色温曲线的白平衡调整算法。上述图像噪点消除处理可以是通过噪点消除算法，对上述物料截面图像进行噪点消除的处理。例如，上述噪点消除算法可以是但不限于以下任意一项：均值滤波算法，中值滤波算法，维纳滤波算法和高斯滤波算法。上述图像锐化处理可以是通过图像锐化算法，对上述物料截面图像进行图像锐化的处理。例如，上述图像锐化算法可以是但不限于以下任意一项：基于Kirsch算子的图像锐化算法，基于Roberts算子的图锐化算法，基于Sobel算子的图像锐化算法，基于Prewitt算子的图像锐化算法和基于Laplacian算子的图像锐化算法。
可选地，上述执行主体对上述物料截面图像进行图像预处理，以生成上述预处理物料截面图像，可以包括以下步骤：
第一步，对上述物料截面图像进行颜色空间转换，以生成第一候选图像。
作为示例，上述执行主体可以通过将上述物料截面图像从RGB色域转换至HSV色域，以实现对上述物料截面图像进行颜色空间转换。
第二步，对上述第一候选图像进行亮度调整，以生成第二候选图像。
作为示例，上述执行主体可以通过对上述物料截面图像中的高亮度区域进行减弱亮度的处理和对上述物料截面图像中的低亮度区域进行调高亮度的处理，以实现对上述第一候选图像进行亮度调整。
第三步，对上述第二候选图像进行颜色空间转换，以生成第三候选图像。
作为示例，上述执行主体可以将上述第二候选图像从HSV色域转换至RGB色域，以实现对上述第二候选图像进行颜色空间转换。
第四步，对上述第三候选图像进行白平衡调整，以生成第四候选图像。
作为示例，上述执行主体可以采用上述白平衡调整算法对上述第三候选图像进行白平衡调整。
第五步，对上述第四候选图像进行降噪处理，以生成第五候选图像。
作为示例，上述执行主体可以通过上述噪点消除算法对上述第四候选图像进行降噪处理。
第六步，对上述第五候选图像进行图像锐化处理，以生成上述预处理物料截面图像。
作为示例，上述执行主体可以通过上述图像锐化算法，对上述第五候选图像进行图像锐化处理。
步骤305，根据预处理物料截面图像和预先训练的物料成分检测网络，生成物料成分区域图像集合。
在一些实施例中，上述执行主体可以根据预处理物料截面图像和预先训练的物料成分检测网络，生成物料成分区域图像集合。其中，上述物料成分检测网络可以是从上述预处理物料截面图像中识别出待检测物料包含的物料成分所在区域的网络。其中，上述物料成分区域图像集合中的物料成分区域图像可以是待检测物料包含的物料，在上述预处理物料截面图像中所在区域对应的图像。
作为示例，上述物料成分检测网络可以是Mask R-CNN(Rich featurehierarchies for accurate objectdetection and semantic segmentation，基于丰富特征结构的用于精确对象检测和语义分割)模型。
可选地，上述执行主体根据上述预处理物料截面图像和预先训练的物料成分检测网络，生成上述物料成分区域图像集合，可以包括以下步骤：
第一步，将上述预处理物料截面图像输入上述预先训练的物料成分检测网络，以生成至少一个检测框信息。
其中，上述至少一个检测框信息中的检测框信息可以表征框定物料成分所在区域的检测框的位置和检测框大小。
第二步，确定上述至少一个检测框信息中的每个检测框信息框定的上述待检测物料包含的物料成分所在的区域，以生成物料成分区域图像，得到上述物料成分区域图像集合。
其中，上述执行主体可以将检测框信息对应的检测框框定的区域内的图像，确定为物料成分区域图像。上述物料成分区域图像集合中的物料成分区域图像可以是物料成分在上述预处理物料截面图像中所在区域对应的图像。
步骤306，根据物料成分区域图像对应的物料成分的密度，和物料成分区域图像，确定物料成分区域图像对应的物料构成信息包括的物料成分含量信息。
在一些实施例中，上述执行主体可以根据物料成分区域图像对应的物料成分的密度，和物料成分区域图像，确定物料成分区域图像对应的物料构成信息包括的物料成分含量信息。
作为示例，上述执行主体，首先，可以通过查询物料成分密度数据库，以确定物料成分区域图像对应的物料成分的密度。上述物料成分密度数据库可以是用于存储物料成分的密度的数据库。例如，物料成分区域图像对应的物料成分可以是“铜”。上述执行主体可以通过SELECT*FROM物料成分密度数据库WHERE物料成分＝＝“铜”，以此获取物料成分区域图像对应的物料成分的密度。然后，上述执行主体可以将物料成分区域图像的面积和物料成分区域图像对应的物料成分的密度的乘积值，确定为上述物料成分含量信息。
步骤307，根据物料截面图像，和待检测物料对应的物料成分含量信息，确定物料成分区域图像对应的物料构成信息包括的物料占比信息。
在一些实施例中，上述执行主体可以根据上述物料截面图像，和待检测物料对应的物料成分含量信息，确定物料成分区域图像对应的物料构成信息包括的物料占比信息。其中，对于上述物料截面图像包含的各个物料中的每个物料，上述执行主体可以根据上述物料的密度和上述物料在上述物料截面图像中的所占面积，即物料成分区域图像的面积，确定上述物料的含量信息。然后，上述执行主体可以将得到的多个含量信息求和，得到上述物料截面图像对应的总含量信息。最后，上述执行主体可以将上述待检测物料对应的物料成分含量信息与上述总含量信息的比值，确定为上述物料成分区域图像对应的物料构成信息包括的物料占比信息。
从图3可以看出，与图2对应的一些实施例的描述相比，本公开首先增加了通过预先训练的物料截面检测模型，确定目标图像包括的待检测物料对应的物料截面的坐标，得到物料截面坐标集合，然后根据物料截面坐标集合，对目标图像进行裁剪，以生成物料截面图像的步骤。实际情况中，通过手工测量的方式，确定物料成分的占比效率极低。此外，通过相似度模型，确定与目标图像包括的物料截面相似的截面图像，要求数据库中需要存储大量的预先标注的截面图像，而对数据进行标注往往需要耗费较多的时间，从而造成确定物料截面图像的效率不高。本公开通过确定物料截面坐标集合，即截面边界的特征点的方式，能够大大提高确定物料截面图像的效率和准确度。此外，本公开增加了对物料截面图像进行图像预处理的步骤，由于进光量等影响因素，往往会造成图像质量较差，从而影响后续的物料截面坐标集合的确定。因此，通过对图像进行预处理，突出了物料截面图像包含的图像特征。
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种用于确定物料构成的装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，一些实施例的用于确定物料构成的装置600包括：获取单元601，被配置成获取目标图像；第一确定单元602，被配置成确定上述目标图像包括的待检测物料对应的物料截面图像；生成单元603，被配置成根据上述物料截面图像，生成物料成分区域图像集合；第二确定单元604，被配置成确定上述物料成分区域图像集合中每个物料成分区域图像对应的物料成分对应的物料构成信息，得到物料构成信息集合。
在一些实施例的一些可选地实现方式中，上述第一确定单元602被进一步配置成：通过预先训练的物料截面检测模型，确定上述目标图像包括的待检测物料对应的物料截面的坐标，得到物料截面坐标集合；根据上述物料截面坐标集合，对上述目标图像进行裁剪，以生成上述物料截面图像。
在一些实施例的一些可选地实现方式中，上述生成单元603被进一步配置成：对上述物料截面图像进行图像预处理，以生成预处理物料截面图像；根据上述预处理物料截面图像和预先训练的物料成分检测网络，生成上述物料成分区域图像集合。
在一些实施例的一些可选地实现方式中，上述物料构成信息集合中的物料构成信息包括：物料成分含量信息；以及上述第二确定单元604被进一步配置成：根据上述物料成分区域图像对应的物料成分的密度，和上述物料成分区域图像，确定上述物料成分区域图像对应的物料构成信息包括的物料成分含量信息。
在一些实施例的一些可选地实现方式中，上述物料构成信息集合中的物料构成信息还包括：物料占比信息；以及上述第二确定单元604被进一步配置成：根据上述物料截面图像，和上述待检测物料对应的物料成分含量信息，确定上述物料成分区域图像对应的物料构成信息包括的物料占比信息。
在一些实施例的一些可选地实现方式中，上述生成单元603被进一步配置成：将上述预处理物料截面图像输入上述预先训练的物料成分检测网络，以生成至少一个检测框信息；确定上述至少一个检测框信息中的每个检测框信息框定的上述待检测物料包含的物料成分所在的区域，以生成物料成分区域图像，得到上述物料成分区域图像集合。
在一些实施例的一些可选地实现方式中，上述生成单元603被进一步配置成：对上述物料截面图像进行颜色空间转换，以生成第一候选图像；对上述第一候选图像进行亮度调整，以生成第二候选图像；对上述第二候选图像进行颜色空间转换，以生成第三候选图像；对上述第三候选图像进行白平衡调整，以生成第四候选图像；对上述第四候选图像进行降噪处理，以生成第五候选图像；对上述第五候选图像进行图像锐化处理，以生成上述预处理物料截面图像。
可以理解的是，该装置600中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元，在此不再赘述。
下面参考图7，其示出了适于用来实现本公开的一些实施例的电子设备(如图1所示的计算设备101)700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标图像；确定上述目标图像包括的待检测物料对应的物料截面图像；根据上述物料截面图像，生成物料成分区域图像集合；确定上述物料成分区域图像集合中每个物料成分区域图像对应的物料成分对应的物料构成信息，得到物料构成信息集合。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一确定单元、生成单元和第二确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取目标图像的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种用于确定物料构成的方法，包括：
获取目标图像；
确定所述目标图像包括的待检测物料对应的物料截面图像；
根据所述物料截面图像，生成物料成分区域图像集合；
确定所述物料成分区域图像集合中每个物料成分区域图像对应的物料成分对应的物料构成信息，得到物料构成信息集合。
2.根据权利要求1所述的方法，其中，所述确定所述目标图像包括的待检测物料对应的物料截面图像，包括：
通过预先训练的物料截面检测模型，确定所述目标图像包括的待检测物料对应的物料截面的坐标，得到物料截面坐标集合；
根据所述物料截面坐标集合，对所述目标图像进行裁剪，以生成所述物料截面图像。
3.根据权利要求1所述的方法，其中，所述根据所述物料截面图像，生成物料成分区域图像集合，包括：
对所述物料截面图像进行图像预处理，以生成预处理物料截面图像；
根据所述预处理物料截面图像和预先训练的物料成分检测网络，生成所述物料成分区域图像集合。
4.根据权利要求1所述的方法，其中，所述物料构成信息集合中的物料构成信息包括：物料成分含量信息；以及
所述确定所述物料成分区域图像集合中每个物料成分区域图像对应的物料成分对应的物料构成信息，包括：
根据所述物料成分区域图像对应的物料成分的密度，和所述物料成分区域图像，确定所述物料成分区域图像对应的物料构成信息包括的物料成分含量信息。
5.根据权利要求4所述的方法，其中，所述物料构成信息集合中的物料构成信息还包括：物料占比信息；以及
所述确定所述物料成分区域图像集合中每个物料成分区域图像对应的物料成分对应的物料构成信息，还包括：
根据所述物料截面图像，和所述待检测物料对应的物料成分含量信息，确定所述物料成分区域图像对应的物料构成信息包括的物料占比信息。
6.根据权利要求3所述的方法，其中，所述根据所述预处理物料截面图像和预先训练的物料成分检测网络，生成所述物料成分区域图像集合，包括：
将所述预处理物料截面图像输入所述预先训练的物料成分检测网络，以生成至少一个检测框信息；
确定所述至少一个检测框信息中的每个检测框信息框定的所述待检测物料包含的物料成分所在的区域，以生成物料成分区域图像，得到所述物料成分区域图像集合。
7.根据权利要求3所述的方法，其中，所述对所述物料截面图像进行图像预处理，以生成预处理物料截面图像，包括：
对所述物料截面图像进行颜色空间转换，以生成第一候选图像；
对所述第一候选图像进行亮度调整，以生成第二候选图像；
对所述第二候选图像进行颜色空间转换，以生成第三候选图像；
对所述第三候选图像进行白平衡调整，以生成第四候选图像；
对所述第四候选图像进行降噪处理，以生成第五候选图像；
对所述第五候选图像进行图像锐化处理，以生成所述预处理物料截面图像。
8.一种用于确定物料构成的装置，包括：
获取单元，被配置成获取目标图像；
第一确定单元，被配置成确定所述目标图像包括的待检测物料对应的物料截面图像；
生成单元，被配置成根据所述物料截面图像，生成物料成分区域图像集合；
第二确定单元，被配置成确定所述物料成分区域图像集合中每个物料成分区域图像对应的物料成分对应的物料构成信息，得到物料构成信息集合。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1至7中任一所述的方法。
CN202111087479.3A 2021-09-16 2021-09-16 用于确定物料构成的方法、装置、电子设备和可读介质 Pending CN114764891A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111087479.3A CN114764891A (zh) 2021-09-16 2021-09-16 用于确定物料构成的方法、装置、电子设备和可读介质
US17/946,076 US11610392B1 (en) 2021-09-16 2022-09-16 Methods, devices, and systems for identifying the composition of materials

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111087479.3A CN114764891A (zh) 2021-09-16 2021-09-16 用于确定物料构成的方法、装置、电子设备和可读介质

Publications (1)

Publication Number Publication Date
CN114764891A true CN114764891A (zh) 2022-07-19

Family

ID=82364572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111087479.3A Pending CN114764891A (zh) 2021-09-16 2021-09-16 用于确定物料构成的方法、装置、电子设备和可读介质

Country Status (2)

Country Link
US (1) US11610392B1 (zh)
CN (1) CN114764891A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118229963A (zh) * 2024-05-24 2024-06-21 杭州天眼智联科技有限公司 基于合金物料的金属含量识别方法、装置、设备和介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630707B (zh) * 2023-05-25 2023-11-03 河北农业大学 一种基于深度学习的番茄穴盘苗分级检测与数据传输方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4508257B2 (ja) 2008-03-19 2010-07-21 ソニー株式会社 構図判定装置、構図判定方法、プログラム
AU2015275308B2 (en) * 2009-10-26 2018-03-08 Pictometry International Corp. A method for automatic material classification and texture simulation for 3d models
US9330494B2 (en) * 2009-10-26 2016-05-03 Pictometry International Corp. Method for the automatic material classification and texture simulation for 3D models
US10710119B2 (en) 2016-07-18 2020-07-14 UHV Technologies, Inc. Material sorting using a vision system
US9691161B1 (en) 2015-09-25 2017-06-27 A9.Com, Inc. Material recognition for object identification
CN108780557A (zh) * 2016-03-30 2018-11-09 株式会社日立高新技术 交易协助系统、方法以及程序
US10248744B2 (en) 2017-02-16 2019-04-02 The University Of North Carolina At Chapel Hill Methods, systems, and computer readable media for acoustic classification and optimization for multi-modal rendering of real-world scenes
US10810469B2 (en) 2018-05-09 2020-10-20 Adobe Inc. Extracting material properties from a single image

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118229963A (zh) * 2024-05-24 2024-06-21 杭州天眼智联科技有限公司 基于合金物料的金属含量识别方法、装置、设备和介质
CN118229963B (zh) * 2024-05-24 2024-07-30 杭州天眼智联科技有限公司 基于合金物料的金属含量识别方法、装置、设备和介质

Also Published As

Publication number Publication date
US11610392B1 (en) 2023-03-21
US20230081263A1 (en) 2023-03-16

Similar Documents

Publication Publication Date Title
CN110991373A (zh) 图像处理方法、装置、电子设备及介质
CN110826567B (zh) 光学字符识别方法、装置、设备及存储介质
CN112801132B (zh) 一种图像处理方法和装置
CN111598902B (zh) 图像分割方法、装置、电子设备及计算机可读介质
CN112839223B (zh) 图像压缩方法、装置、存储介质及电子设备
CN114764891A (zh) 用于确定物料构成的方法、装置、电子设备和可读介质
CN108470179B (zh) 用于检测对象的方法和装置
CN111310815A (zh) 图像识别方法、装置、电子设备及存储介质
CN109934142B (zh) 用于生成视频的特征向量的方法和装置
CN117690063B (zh) 电缆线路检测方法、装置、电子设备与计算机可读介质
CN112419179B (zh) 修复图像的方法、装置、设备和计算机可读介质
CN113705363B (zh) 一种特定卫星上行信号的识别方法及系统
CN111783632B (zh) 针对视频流的人脸检测方法、装置、电子设备及存储介质
CN110765304A (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN110555799A (zh) 用于处理视频的方法和装置
CN116863387A (zh) 用于确定目标河道污染事件的方法、装置、设备和介质
CN112070888B (zh) 图像生成方法、装置、设备和计算机可读介质
CN111726476B (zh) 图像处理方法、装置、设备和计算机可读介质
CN115879525A (zh) 神经网络模型量化方法及装置、存储介质及电子设备
CN110807114B (zh) 用于图片展示的方法、装置、终端及存储介质
CN114399696A (zh) 一种目标检测方法、装置、存储介质及电子设备
CN112488947A (zh) 模型训练和图像处理方法、装置、设备和计算机可读介质
CN112488204A (zh) 训练样本生成方法、图像分割方法、装置、设备和介质
CN113792869A (zh) 基于神经网络芯片的视频处理方法、装置和电子设备
CN112418233A (zh) 图像处理方法、装置、可读介质及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination