基于视觉检测的物体分类方法和装置

技术领域

本申请属于机器人视觉识别技术领域，尤其涉及一种基于视觉检测的物体分类方法和装置，还涉及执行该基于视觉检测的物体分类方法的电子设备和存储介质。

背景技术

随着人工智能技术的发展，深度学习技术在解决诸如视觉识别任务、语音识别任务和自然语言处理任务等方面都得到了广泛的应用，尤其在机器人抓取领域。目前，现有的机器人抓取技术通常是基于对二维图像进行深度学习来识别物体并确定物体所在位置，这种机器人抓取方法对于机器人来说无法确定当前识别的是否为真实的物体，也无法确定物体的形状、尺寸和位置等特征数据，机器人抓取时的出错率高。

发明内容

有鉴于此，本申请实施例提供了一种基于视觉检测的物体分类方法和装置，以及执行该基于视觉检测的物体分类方法的电子设备和存储介质，旨在提高机器人识别物体的准确性和防止单一通过二维图像进行识别抓取时出错，至少解决现有技术中机器人无法确定当前识别的是否为真实的物体，无法确定物体的形状、尺寸和位置等特征数据，以及机器人抓取时出错率高等的技术缺陷之一。

本申请实施例的第一方面提供了一种基于视觉检测的物体分类方法，所述基于视觉检测的物体分类方法包括：

获取含有待检测物体的二维图像以及与所述二维图像对应的三维图像；

根据所述二维图像以及与所述二维图像对应的三维图像提取所述待检测物体的特征数据；

根据所述特征数据对所述待检测物体进行分类处理，以为所述待检测物体配置对应的类别标签。

结合第一方面，在第一方面的第一种可能实现方式中，获取含有待检测物体的二维图像以及与所述二维图像对应的三维图像的步骤，包括：

采集含有待检测物体的三维图像；

基于所述获取的二维图像，对所述采集的三维图像进行校对处理，以根据校对结果确定与所述二维图像对应的三维图像，其中，所述校对处理包括时间校对处理和点位校对处理。

结合第一方面，在第一方面的第二种可能实现方式中，根据所述二维图像以及与所述二维图像对应的三维图像提取所述待检测物体的特征数据的步骤，包括：

在预设的二维识别模型中根据所述二维图像对所述待检测物体进行品种分类识别处理，以根据所述二维图像确定所述待检测物体的品种类别。

在预设的三维识别模型中根据所述三维图像对所述待检测物体进行三维轮廓识别处理，获取所述待检测物体的轮廓特征参数。

结合第一方面的第二种可能实现方式，在第一方面的第三种可能实现方式中，在预设的三维识别模型中根据所述三维图像对所述待检测物体进行三维轮廓识别处理，获取所述待检测物体的轮廓特征参数的步骤，包括：

根据所述三维图像对所述待检测物体进行距离识别处理、尺寸识别处理和/或重量预估处理，以分别获取所述待检测物体与机器人之间的距离参数、所述待检测物体的尺寸参数和/或所述待检测物体的重量参数。

结合第一方面的第二种可能实现方式，在第一方面的第四种可能实现方式中，所述待检测物体的品种类别包括以下至少一种：人物、动物、植物、矿物、加工物品。

结合第一方面的第四种可能实现方式，，在第一方面的第五种可能实现方式中，当所述待检测物体的品种类别为人物、动物或植物时，根据所述特征数据对所述待检测物体进行分类处理，以为所述待检测物体配置对应的类别标签的步骤之前，还包括：

对所述待检测物体进行活体检测处理，获取所述待检测物体的生命特征信息，以根据所述生命特征信息为所述待检测物体配置对应的生命特征标签，其中，所述活体检测处理包括对人物或动物进行温度检测处理、对植物进行生长状态检测处理。

结合第一方面的第四种可能实现方式，，在第一方面的第六种可能实现方式中，当所述待检测物体的品种类别为人物或动物时，根据所述特征数据对所述待检测物体进行分类处理，以为所述待检测物体配置对应的类别标签的步骤之前，还包括：

对所述待检测物体进行声音识别处理，获取所述待检测物体的声音特征信息，以根据所述声音特征信息为所述待检测物体配置对应的声音标签。

本申请实施例的第二方面提供了一种基于视觉检测的物体分类装置，所述基于视觉检测的物体分类装置包括：

采集模块，用于获取含有待检测物体的二维图像以及与所述二维图像对应的三维图像；

处理模块，用于根据所述二维图像以及与所述二维图像对应的三维图像提取所述待检测物体的特征数据；

配置模块，用于根据所述特征数据对所述待检测物体进行分类处理，以为所述待检测物体配置对应的类别标签。

本申请实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中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第一方面任意一项所述基于视觉检测的物体分类方法的步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述基于视觉检测的物体分类方法的步骤。

本申请实施例与现有技术相比存在的有益效果是：

本申请通过获取含有待检测物体的二维图像以及与所述二维图像对应的三维图像；根据所述二维图像以及与所述二维图像对应的三维图像提取所述待检测物体的特征数据；根据所述特征数据对所述待检测物体进行分类处理，以为所述待检测物体配置对应的类别标签。通过结合二维图像和三维图像对待检测物体进行分类，以区分物体大小、距离和轮廓等的各种数据，提高机器人识别物体的准确性，让机器人更为智能地对目标物体进行操作。

本申请还可以通过活体检测处理和/或声音识别处理，获取待检测物体的生命特征信息和/或声音特征信息，以根据待检测物体的生命特征和/或声音特征进一步提高机器人识别物体的准确性，让机器人更为智能地对目标物体进行操作。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种基于视觉检测的物体分类方法的基本方法流程示意图；

图2为本申请实施例提供的一种机器人的结构示意图；

图3为本申请实施例提供的基于视觉检测的物体分类方法中采集与二维图像对应的三维图像时的一种方法流程示意图；

图4为本申请实施例提供的基于视觉检测的物体分类方法中提取待检测物体特征数据时的一种方法流程图；

图5为本申请实施例提供的基于视觉检测的物体分类方法中通过物体分类集成系统自动识别物体分类的一种流程示意图；

图6为本申请实施例提供的一种基于视觉检测的物体分类装置的结构示意图；

图7为本申请实施例提供的一种实现基于视觉检测的物体分类方法的电子设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

本申请的一些实施例中，请一并参阅图1和图2，图1为本申请实施例提供的一种基于视觉检测的物体分类方法的基本方法流程示意图；图2为本申请实施例提供的一种机器人的结构示意图。详述如下：

在步骤S101中，获取含有待检测物体的二维图像以及与所述二维图像对应的三维图像。

本实施例中，分别通过机器人的2D和3D视觉摄像头对待检测物体进行扫描或拍摄，以获取二维图像以及与所述二维图像对应的三维图像。其中，所述二维图像通过感光元件接收从待检测物体上反射形成的光电信号得到。所述三维图像通过红外线对待检测物体进行扫描得到。本实施例中，所述二维图像与所述三维图像为根据同步时间提取的一组相对应的图像。

本申请的一些实施例中，请参阅图3，图3为本申请实施例提供的基于视觉检测的物体分类方法中采集与二维图像对应的三维图像时的一种方法流程示意图。详细如下：

在步骤S301中，采集含有待检测物体的三维图像；

本实施例中，所述三维图像的采集与所述二维图像的采集同步进行。例如，机器人在通过2D摄像头按照一定的帧率采集待检测物体的二维图像的同时，通过3D摄像头按照相同的帧率采集该待检测图像的三维图像。

在步骤S302中，基于所述获取的二维图像，对所述采集的三维图像进行校对处理，以根据校对结果确定与所述二维图像对应的三维图像，其中，所述校对处理包括时间校对处理和点位校对处理。

本实施例中，所述机器人通过2D和3D视觉摄像头对待检测物体进行扫描或拍摄获取二维图像和三维图像过程中分别对每一帧获取得到的我二维图像和三维图像进行生成时间的记录。由此，基于通过2D摄像头获得的含有待检测物体的二维图像，根据其记录的生成时间进行时间校对处理，获取通过3D摄像头在该生成时间同步生成的三维图像。而且，通过对所述同一时间生成的二维图像和三维图像进行点位校对处理，实现像素定位校准操作，可以使得所述二维图像与所述三维图像在时间上和位置上具有同步的特征数据。由此，进行校对处理后得到的三维图像即为与所述二维图像对应的三维图像。

在步骤S102中，根据所述二维图像以及与所述二维图像对应的三维图像提取所述待检测物体的特征数据。

本实施例中，通过以深度学习构建模型的方式结合二维图像和三维图像来对所述待检测物体进行特征识别，获取得到所述待检测物体的特征数据。在本实施例中，首先通过从所述二维图像中提取可识别的二维特征，然后根据该二维特征初步确定所述待检测物体的基础数据，例如基于所述待检测物体的平面轮廓特征初步判断该待检测物体是什么，从而经二维图像确定所述待检测物体的基础数据之后，再结合与所述二维图像对应的三维图像，通过所述三维图像的数据结构，获取所述待检测物体的三维特征数据，如三维轮廓特征、尺寸特征、距离特征等。所述待检测物体的特征数据包括所述基础数据和所述三维特征数据。其中，所述基础数据包括所述待检测物体的品种类别，其中，所述待检测物体的品种类别包括但不限于人物、动物、植物、矿物、加工物品。

本申请的一些实施例中，请参阅图4，图4为本申请实施例提供的基于视觉检测的物体分类方法中提取待检测物体特征数据时的一种方法流程图。详细如下：

在步骤S401中，在预设的二维识别模型中根据所述二维图像对所述待检测物体进行品种分类识别处理，以根据所述二维图像确定所述待检测物体的品种类别；

在步骤S402中，在预设的三维识别模型中根据所述三维图像对所述待检测物体进行三维轮廓识别处理，获取所述待检测物体的轮廓特征参数。

所述预设的二维识别模型为训练至收敛状态的卷积神经网络模型，该卷及神经网络模型被训练用于识别待检测物体的品种类别。本实施例中，通过将采集到的含有待检测物体的二维图像输入至所述预设的二维识别模型中，以从所述预设的二维图像中提取出可以区分所述待检测物体品种类别的二维特征信息(例如物体的二维轮廓特征)，通过将该提取得到二维特征信息与所述预设的二维识别模型中经训练得到的一个或多个表征物体品种类别的训练特征进行相似度比对，以获取满足预设相似度阈值要求的训练特征所对应的品种类别，并输出该获取得到的品种类别作为所述待检测物体的品种类别。

所述预设的三维识别模型亦为训练至收敛状态的卷积神经网络模型，该卷积神经网络模型被训练用于获取待检测物体的三维轮廓信息。在本实施例中，经过步骤S401根据所述二维图像确定所述待检测物体的品种类别后，进一步在预设的三维识别模型中，根据与所述二维图像对应的三维图像，对所述待检测物体进行三维轮廓识别处理，以获取所述待检测物体的轮廓特征参数。在本实施例中，通过将采集到的与所述二维图像对应的三维图像输入至所述预设三维识别模型中，根据所述三维图像构建所述待检测物体的三维轮廓并获取包括但不限于所述待检测物体的位置、形状以及尺寸等与所述三维轮廓对应的轮廓特征参数，并输出所述获取的轮廓特征参数作为所述待检测物体的特征数据。

本实施例通过结合二维图像和三维图像对待检测物体进行识别并获取特征数据，避免了依据单一的二维图像进行识别时可能出现无法确定当前识别物体是否为真实物体以及无法确定当前识别物体的形状、尺寸和位置等特征数据而导致机器人执行操作时出错率高的问题。

在步骤S103中，根据所述特征数据对所述待检测物体进行分类处理，以为所述待检测物体配置对应的类别标签。

本实施例中，对所述待检测物体进行分类处理的操作在一个预先训练好的分类标签配置模型中完成。所述分类标签配置模型中包含有一基于深度学习训练形成的物体分类集成系统，所述物体分类集成系统中包括有多个物体的品种类别标签以及针对每一品种类别的物体按照不同物体特征进行划分的类别标签。在所述分类标签配置模型中，根据结合所述待检测物体的二维图像和三维图像得到的特征数据，可以自动识别所述特征数据对应的分类类别，实现对所述待检测物体的分类处理，以为所述待检测物体配置对应的类别标签。

上述实施例提供的基于视觉检测的物体分类方法基于一个通过深度学习训练形成的物体分类集成系统，实现结合二维图像和三维图像对待检测物体进行分类处理，更加智能和准确地分别待检测物体在在机器人操作空间中的大小、距离和轮廓等信息，提高机器人识别物体的准确性，让机器人更为智能地对目标物体进行操作。

本申请的一些实施例中，获取的轮廓特征参数时，还可以包括根据所述三维图像对所述待检测物体进行距离识别处理，以获取所述待检测物体与机器人之间的距离参数。具体地，在本实施例中，所述距离识别处理可以通过在机器人上安装一个标定的距离传感器，由所述距离传感器测量获得所述待检测物体的距离参数。通过根据所述距离参数可以让机器人准确地定位所述待检测物体在空间中的位置。

本申请的一些实施例中，获取的轮廓特征参数时，还可以包括根据所述三维图像对所述待检测物体进行尺寸识别处理，以获取所述待检测物体的尺寸参数。具体地，在本实施例中，所述尺寸识别处理可以通过基于多维度获取所述待检测物体的多个顶点位置，进而将所述多个顶点位置进行连接构成一个空间立体框架，此时该空间立体框架的尺寸即可视为所述待检测物体的尺寸参数。由此，通过在所述物体分类集成系统中训练物体尺寸的分类类型，以得到多个不同的尺寸类型标签，其中，所述尺寸可以按照大小划分，也可以按照长度划分。通过根据所述待检测物体的尺寸参数，可以在所述物体分类集成系统中进行自动识别并获得与所述待检测物体的尺寸参数相对应的尺寸类型标签作为为所述待检测物体配置的类别标签。这样，可以让机器人更加智能和及时地调整自身状态来对所述待检测物体进行操作，可以降低机器人进行操作时的出错率。

本申请的一些实施例中，获取的轮廓特征参数时，还可以包括根据所述三维图像对所述待检测物体进行重量预估处理，以获取所述待检测物体的重量参数。具体地，在本实施例中，所述重量预估处理可以通过依据所述待检测物体对应的材质密度和尺寸按照一定的算法进行预估，从而计算得出所述待检测物体的预估重量。由此，通过在所述物体分类集成系统中训练物体重量的分类等级，以得到多个不同的重量等级标签，从而根据所述待检测物体的预估重量，可以在所述物体分类集成系统中进行自动识别并获得与所述预估重量相对应的重量等级标签作为为所述待检测物体配置的类别标签。这样，可以让机器人更加智能和及时地调整自身状态来对所述待检测物体进行操作，可以降低机器人进行操作时的出错率。

本申请的一些实施例中，当物体为人物、动物或是植物时，还可以通过对所述待检测物体进行活体检测，以获取所述待检测物体的生命特征信息，进而通过所述分类标签配置模型，根据所述生命特征信息为所述待检测物体配置对应的生命特征标签。其中，所述活体检测处理包括对人物或动物进行温度检测处理、对植物进行生长状态检测处理。

针对于人物或动物，可以通过温度检测处理确定其是否为活体，从而确定其生命特征信息。在本实施例中，所述温度检测处理包括周围空间温度检测处理以及该人物或动物身体不同部位的温度检测处理等。由此，可以将基于温度检测处理获得的所述待检测人物或动物周围空间的温度数据以及其身体不同部位的温度数据配置为该待检测人物或动物对应的生命特征标签。在本实施例中，所述温度检测可以通过在机器人上安装一个温湿度检测仪，由所述温湿度检测仪测量人物或动物周围空间的温度数据以及其身体不同部位的温度数据。

针对于植物，可以通过生长状态检测处理来确定其当前的生命状态。在本实施例中，按照植物枯萎程度为植物的生命状态配置包括但不限于严重枯萎、中度枯萎、轻度枯萎以及植株饱满等四种不同的生命特征标签。由此，可以将基于生长状态检测处理识别植物的枯萎程度并获得对应的生命特征标签。

本实施例通过活体检测识别待检测物体的生命特征，可以让机器人依据待检测物体的生命特征更加智能和及时地调整自身状态来对所述待检测物体进行操作，可以降低机器人进行操作时的出错率。

本申请的一些实施例中，当所述待检测物体为人物或是动物时，还可以通过对所述待检测物体进行声音识别处理，以获取所述待检测物体的声音特征信息，进而通过所述分类标签配置模型，根据所述声音特征信息为所述待检测物体配置对应的声音标签。在本实施例中，可以在机器人上安装一个声音检测仪，由所述声音检测仪收录和识别人物或动物周围空间的声音数据以及其自身发出的声音数据。由此，可以将基于声音识别处理获得的人物或动物周围空间的声音数据以及其自身发出的声音数据配置为该待检测人物或动物对应的声音标签。

本实施例通过声音识别处理获取待检测物体的声音数据，可以让机器人可以依据声音数据更加智能和及时地调整自身状态来对所述待检测物体进行操作，可以降低机器人进行操作时的出错率。

本申请的一些实施例中，请一并参阅图5，图5为本申请实施例提供的基于视觉检测的物体分类方法中通过物体分类集成系统自动识别物体分类的一种流程示意图。在所述物体分类集成系统中，针对机器人常见的待检测物体划分为人物、动物、植物、矿物、加工物品等五个品种类别。其中，每一品种类别的物体按照不同物体特征划分有多组不同的类别标签。如图5所示，所述物体分类集成系统中，当品种类别为人物时，按照人物的特征可以配置的类别标签包括但不限于性别类别标签(如男性、女性、其他等)、年龄类别标签(如老年人、中年人、年轻人、儿童、婴儿等)、温度标签、人物特征标签(如身高、体重、面部特征、手部特征、足部特征等)、声音标签。当所述品种类别为动物时，按照动物的特征可以配置的类别标签包括但不限于生活环境类别标签(如爬行动物、水下动物、飞行动物等)、体型等级类别标签(如大型、中型、小型、微型等)、危险等级类别标签(非常危险、中等危险、一般危险、防卫型、可触摸型、无危险型等)、温度标签、声音标签。当所述品种类别为植物时，按照植物的特征可以配置的类别标签包括但不限于植物茎形态类别标签(如乔木植物、灌木植物、草本植物、攀援植物、亚灌木植物等)、植物生态习性类别标签(如水生、陆生、附生、寄生等)、植物生活周期类别标签(如一年生、两年生、多年生等)、植物生长状态类别标签(如严重枯萎、中度枯萎、轻度枯萎、植株饱满等)。当所述品种类别为矿物时，按照矿物的特征可以配置的类别标签包括但不限于晶体结构类别标签(如自然元素、氧化物、硫化物、卤化物、含氧盐等)、重量等级类别标签(如0-50克、51-100克、101-150克、151-200克、>200克等)。当所述品种类别为加工物品时，按照加工物品的特征可以配置的类别标签包括但不限于材质类别标签(如塑料、玻璃、纸张等)、尺寸等级类别标签(如长度在1米以下、长度在1米-5米之间、长度在5米以上等)重量等级类别标签(＜1kg、1kg-5kg、10kg-20kg、20kg-30kg、30kg-50kg、＞50kg等)。此时，在所述物体分类集成系统中，可以根据类别标签的划分原则，根据所述获得的待检测物体的特征数据对待检测物体进行自动识别，从而获取属于所述待检测物体的类别标签。

举例说明，例如人物，可以包括但不限于第一层级可以按照性别特征划分为“男性”、“女性”以及“其他”等三种类别标签；第二层级可以按照年龄特征划分为“老年人”、“中年人”、“年轻人”、“儿童”以及“婴儿”等五种类别标签。以人物为例，在所述物体分类集成系统中，品种类别标签为“人物”，编号11；人物的类别标签配置为：性别类别标签，如“男生-编号21、女生-编号22、其他-编号23等；年龄类别标签，如老年人-编号31、中年人-编号32、年轻人-编号33、儿童-编号34、婴儿-编号44等。在本实施例中，通过结合二维图像确定所述待检测物体的品种类别标签为“人物-编号11”。接着，可以通过三维图像获取该人物的脸部特征信息，利用所述获得的脸部特征信息来检测该人物的性别和年龄，以确定与该人物的性别和年龄对应的类别标签，例如，根据脸部特征信息检测得到该人物的性别为女生，年龄在大概在20岁左右，据此，性别为女生对应于女-编号22的性别类别标签，年龄20岁左右对应于年轻人-编号33的年龄类别标签。综上，所述分类标签配置模型结合二维图像中待检测物体的品种类别信息以及三维图像中待检测物体的三维轮廓信息对所述待检测物体进行分类处理，配置得到与所述待检测物体对应的类别标签信息为11-22-33。其中，11表征待检测物体的品种类别标签为人物，22表征待检测物体的性别类别标签为女生，33表征待检测物体的年龄类别标签为年轻人。可以理解的是，所述物体分类集成系统中对每一品种类别对应的分类标签可以依据用户实际需求进行自定义配置。

本申请实施例提供的基于视觉检测的物体分类方法应用在机器人抓取场景中，以使机器人可以通过结合二维图像和三维图像对待检测物体进行分类，以区分物体大小、距离和轮廓等的各种数据，提高机器人识别物体的准确性，让机器人更为智能地对目标物体进行操作。如图2所示，所述机器人通过2D和3D视觉摄像头采集二维图像和三维图像，然后由单片机/电脑对采集到的二维图像和三维图像进行特征提取、特征识别、识别和获取特征对应的类别标签，以及根据获取的类别标签生成对待检测物体进行操作时的操作方案，从而使机器人按照其依据待检测物体的类别标签所生成的操作方案驱动内置的机械手、腿部驱动马达以及声音播放器等部件执行相应的操作。

可以理解的是，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

在本申请的一些实施例中，请参阅图6，图6为本申请实施例提供的一种基于视觉检测的物体分类装置的结构示意图，详述如下：

所述基于视觉检测的物体分类装置包括：采集模块601、处理模块602以及执行模块606。其中，所述采集模块601用于获取含有待检测物体的二维图像以及与所述二维图像对应的三维图像；所述处理模块602用于根据所述二维图像以及与所述二维图像对应的三维图像提取所述待检测物体的特征数据；所述配置模块603，用于根据所述特征数据对所述待检测物体进行分类处理，以为所述待检测物体配置对应的类别标签。

所述基于视觉检测的物体分类装置，与上述的基于视觉检测的物体分类方法一一对应。

在本申请的一些实施例中，请参阅图7，图7为本申请实施例提供的一种实现基于视觉检测的物体分类方法的电子设备的示意图。如图7所示，该实施例的电子设备7包括：处理器71、存储器72以及存储在所述存储器72中并可在所述处理器71上运行的计算机程序73，例如基于视觉检测的物体分类程序。所述处理器71执行所述计算机程序72时实现上述各个基于视觉检测的物体分类方法实施例中的步骤。或者，所述处理器71执行所述计算机程序73时实现上述各装置实施例中各模块/单元的功能。

示例性的，所述计算机程序73可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器72中，并由所述处理器71执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序73在所述电子设备7中的执行过程。例如，所述计算机程序73可以被分割成：

采集模块，用于获取含有待检测物体的二维图像以及与所述二维图像对应的三维图像；

处理模块，用于根据所述二维图像以及与所述二维图像对应的三维图像提取所述待检测物体的特征数据；

配置模块，用于根据所述特征数据对所述待检测物体进行分类处理，以为所述待检测物体配置对应的类别标签。

所述电子设备可包括，但不仅限于，处理器71、存储器72。本领域技术人员可以理解，图7仅仅是电子设备7的示例，并不构成对电子设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器71可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器72可以是所述电子设备7的内部存储单元，例如电子设备7的硬盘或内存。所述存储器72也可以是所述电子设备7的外部存储设备，例如所述电子设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器72还可以既包括所述电子设备7的内部存储单元也包括外部存储设备。所述存储器72用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器72还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。