本发明涉及图像检测识别技术领域，特别涉及一种基于opencv和tensorflow的融合图像软件处理平台。
背景技术：
目前，解决目标检测识别问题主要用到两种方法：一种是计算机视觉库opencv；另一种是深度学习框架(如tensorflow)。opencv可以实时解决计算机视觉问题，在图像处理方面非常强大，但是在机器学习方面存在不足，只有有限的几种算法。而深度学习框架tensorflow可以很好地实现各种深度学习算法，且对目标的识别准确率比较高。
技术实现要素：
本发明要解决的技术问题在于，针对上述现有技术中存在的缺陷，提供一种基于opencv和tensorflow的融合图像软件处理平台，可以在保证准确率的情况下实时地解决大多数计算机视觉问题。
为了解决上述技术问题，本发明的技术方案是：
一种基于opencv和tensorflow的融合图像软件处理平台，包括opencv和tensorflow，所述opencv用于对图片进行预处理；所述tensorflow用于：通过网络模型对图片进行特征提取，利用特征点之间的欧氏距离及曲率提取出特征向量；然后将提取到的特征数据与对应的标准值进行比对，比对结果将通过通信模块传入到平台，平台根据比对结果执行相应操作并在界面将相应的结果呈现给用户。
优选地，所述图片为：实时读取相机所拍摄的视频，将每一帧保存为所述图片。
优选地，所述预处理包括通过opencv对所述图片进行旋转、缩放、光线补偿、过滤及锐化。
优选地，所述网络模型为在tensorflow框架下通过深度学习算法训练的网络模型。
优选地，所述融合图像软件处理平台还包括相机驱动、gpio驱动及网口，所述相机驱动、gpio驱动及网口均与所述opencv及tensorflow通信连接。
采用上述技术方案，本发明提供的一种基于opencv和tensorflow的融合图像软件处理平台，该基于opencv和tensorflow的融合图像软件处理平台具有以下有益效果：
1.可以解决大多数计算机视觉问题，在图像识别前对图像进行预处理，以优化特征提取效果；
2.可以实时对目标进行检测识别；
3.可以实现多种深度学习算法，识别准确率得到保障。
附图说明
图1为本发明一种基于opencv和tensorflow的融合图像软件处理平台的总体方案图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，在本发明一种基于opencv和tensorflow的融合图像软件处理平台的总体方案图中，该基于opencv和tensorflow的融合图像软件处理平台包括opencv、tensorflow、相机驱动、gpio驱动及网口，该相机驱动、gpio驱动及网口均与该opencv及tensorflow通信连接，该opencv用于对图片进行预处理；该tensorflow用于：通过网络模型对图片进行特征提取，利用特征点之间的欧氏距离及曲率提取出特征向量；然后将提取到的特征数据与对应的标准值进行比对，比对结果将通过通信模块传入到平台，平台根据比对结果执行相应操作并在界面将相应的结果呈现给用户。可以理解的，该图片为：实时读取相机所拍摄的视频，将每一帧保存为该图片；该网络模型为在tensorflow框架下通过深度学习算法训练的网络模型；该预处理包括通过opencv对该图片进行旋转、缩放、光线补偿、过滤及锐化等。
可以理解的，在实际应用过程中，该基于opencv和tensorflow的融合图像软件处理平台实时读取相机所拍摄的视频，将每一帧保存为图片，获取的图片可能受到环境干扰，所以需要利用opencv对其进行旋转、缩放、光线补偿、过滤、锐化等预处理。利用tensorflow框架下通过深度学习算法训练好的网络模型对图片进行特征提取，利用特征点之间的欧氏距离、曲率等提取出特征向量。然后将提取到的特征数据与对应的标准值进行比对，比对结果将通过通信模块传入到平台，平台根据比对结果执行相应操作并在界面将相应的结果呈现给用户。该方案应用范围非常广泛，可以用于外观检测、工件定位、果蔬分级等等。基于opencv和tensorflow的融合图像处理软件平台可以在保证准确率的情况下实时地解决大多数计算机视觉问题，可应用于外观检测、工件定位及果蔬分级等。该opencv用于特征匹配、检测(目标个数、形状、面积等)、图像预处理(旋转、缩放、亮度等)；该tensorflow用于通信、识别(orc、dnn、flann等)。
可以理解的，本发明的工作原理是：1.打开设备，系统自动运行，无需人为干扰；2.设备会自行检测目标的各项属性并与模板进行比对；3.设备会根据比对结果自动执行相应操作并呈现给用户；4.系统工作异常时，发送报警信号提示操作人员。
可以理解的，本发明设计合理，构造独特，将opencv和tensorflow融合起来搭建图像处理平台，具备以下几个优点：1.可以解决大多数计算机视觉问题，在图像识别前对图像进行预处理，以优化特征提取效果；2.可以实时对目标进行检测识别；3.可以实现多种深度学习算法，识别准确率得到保障。
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。
1.一种基于opencv和tensorflow的融合图像软件处理平台，其特征在于：包括opencv和tensorflow，所述opencv用于对图片进行预处理；所述tensorflow用于：通过网络模型对图片进行特征提取，利用特征点之间的欧氏距离及曲率提取出特征向量；然后将提取到的特征数据与对应的标准值进行比对，比对结果将通过通信模块传入到平台，平台根据比对结果执行相应操作并在界面将相应的结果呈现给用户。
2.根据权利要求1所述的基于opencv和tensorflow的融合图像软件处理平台，其特征在于：所述图片为：实时读取相机所拍摄的视频，将每一帧保存为所述图片。
3.根据权利要求1所述的基于opencv和tensorflow的融合图像软件处理平台，其特征在于：所述预处理包括通过opencv对所述图片进行旋转、缩放、光线补偿、过滤及锐化。
4.根据权利要求1所述的基于opencv和tensorflow的融合图像软件处理平台，其特征在于：所述网络模型为在tensorflow框架下通过深度学习算法训练的网络模型。
5.根据权利要求1所述的基于opencv和tensorflow的融合图像软件处理平台，其特征在于：还包括相机驱动、gpio驱动及网口，所述相机驱动、gpio驱动及网口均与所述opencv及tensorflow通信连接。
技术总结