[发明专利]一种基于python深度学习算法的视觉识别方法

说明书

本发明公开一种基于python深度学习算法的视觉识别方法，后台使用python深度学习算法，构建神经网络，完成视觉识别任务；中间层使用c++加载python运行环境，通过dll打包的方式提供对于python的运行环境管理及调用接口；前台使用.net的界面框架，构建结果显示、配置管理界面，本发明首先是将图像识别与结果展示分离，可以针对业务变更灵活地调整识别程序或软件界面；同时，由于python神经网络进行图像识别，可以完成复杂的视觉识别任务，如瑕疵检测、喷码识别等；然后，由于使用c++的d l l动态链接库托管python代码，可以被.net内存式调用，避免了通信延时。最后，基于.net的界面框架，可以构建出美观易用的软件界面，大幅降低客户的学习和使用成本。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于python深度学习算法的视觉识别方法、存储控制器、电子设备及存储介质。

背景技术

视觉识别软件，即使用计算机数字图像处理技术，对采集图像进行识别并通过用户界面展示识别结果的专业软件；

Python是一种高级编程语言，相比其他语言，其在算法实现等具有较大优势。例如，完成同一个任务，C语言需要写1000行代码，C#需要写100行代码，而Python只需要写20行代码。并且，Python拥有众多的开源函数库；

在工业视觉领域，目前的视觉识别软件具有安全运行、准确率高等特点，但存在如下问题：

对检测场景的标准化要求较高。基于传统图像处理的视觉识别软件适配于标准化的识别场景，比如饮料液位检测、包装瑕疵检测等。这样导致无法完成更普遍的复杂检测需求，比如饮料异物检测、包装喷码检测等。

图像的识别延时较高。基于python神经网络的图像识别软件，往往需要在异构的识别程序与界面程序间做通信衔接，由于工业图像体积较大，图像通信会带来数十至数百毫秒的通信延时，会导致结果返回滞后，影响后续工艺执行。

展示界面美观性、易用性较低。基于python图形界面的视觉软件，虽然解决了图像传输延时的问题，但由于界面组件较为固定，导致界面风格及软件功能单一，客户学习成本高导致使用意愿降低。

总之，传统的视觉识别软件只能在识别场景、识别延时、界面美观易用中取舍，已有方案均无法适应高速、复杂的工业视觉识别场景。

发明内容

本发明的目的在于提供涉及一种基于python深度学习算法的视觉识别方法、存储控制器、电子设备及存储介质，能够完成复杂场景下的视觉检测识别任务。

第一方面，本发明实施例提供了一种基于python深度学习算法的视觉识别方法，通过软件实现，所述方法包括：

后台使用python深度学习算法，构建神经网络，完成视觉识别任务；

中间层使用c++加载python运行环境，通过dll打包的方式提供对于python的运行环境管理及调用接口；

前台使用.net的界面框架，构建结果显示、配置管理界面。

进一步地基于python深度学习算法的视觉识别软件架构，包括：

实现层，通过代码构建软件功能模块；

交互层，通过内存传值的方式完成加载调用；

应用层，负责采集产品图片，并进行识别结果显示。

可选地，所述实现层包括；

图形界面模块，基于.net构建软件界面供用户交互使用；

C++程序模块，使用C++加载python环境，并通过dll打包提供服务接口；