买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京师范大学申请的专利一种基于优化参数和China-chess-net的棋子目标定位和识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115984852B 。

龙图腾网通过国家知识产权局官网在2026-04-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211683160.1，技术领域涉及：G06V30/14；该发明授权一种基于优化参数和China-chess-net的棋子目标定位和识别方法是由戴亮;谢非;郑鹏飞;单飞宇;刘畅;张培彪;吴佳豪;邬昆晓;王可瑞;丁子扬设计研发完成，并于2022-12-27向国家知识产权局提交的专利申请。

本一种基于优化参数和China-chess-net的棋子目标定位和识别方法在说明书摘要公布了：本发明公开了一种基于优化参数和China‑chess‑net的棋子目标定位和识别方法，包括：采集多张完整象棋棋盘的图像，得到象棋数据集；搭建和训练China‑chess‑net网络结构，得到象棋识别模型；使用卷积神经网络优化参数的改进Canny边缘检测算法和BP神经网络优化参数的改进霍夫圆检测定位算法，对棋盘图像中的棋子进行定位并且保存棋盘中的棋子图片和位置信息；将卷积神经网络优化参数的改进Canny边缘检测算法和BP神经网络优化参数的改进霍夫圆检测定位算法与China‑chess‑net识别算法融合，得到每个棋子的位置信息和类别信息。本发明具有训练数据量极少，检测棋子位置和类别精度极高，摄像头实时检测速度快，适应复杂灯光环境等优点，可用于人工智能，圆形目标物体的检测，中国象棋人机对弈等方面。

本发明授权一种基于优化参数和China-chess-net的棋子目标定位和识别方法在权利要求书中公布了：1.一种基于优化参数和China-chess-net的棋子目标定位和识别方法，其特征在于，包括以下步骤： S1：采集并且保存多张完整象棋棋盘的图像，将每张图片棋盘中的棋子都裁剪出来，使用标注工具labelme标注出每个棋子的类别，同时将数据集划分为训练集、验证集和测试集； S2：搭建China-chess-net网络，选择优化器adam和损失函数CTCLoss，并使用数据集对China-chess-net网络进行训练，得到训练好的China-chess-net网络模型； S3：使用卷积神经网络优化参数的改进Canny边缘检测算法和BP神经网络优化参数的改进霍夫圆检测定位算法，对棋盘图像中的棋子进行定位并且保存棋盘中的棋子图片和位置信息； S4：将卷积神经网络优化参数的改进Canny边缘检测算法和BP神经网络优化参数的改进霍夫圆检测定位算法与China-chess-net识别算法融合，最终得到每个棋子的位置信息和类别信息，并且计算棋子定位和识别的准确率和模型检测的实时性； 步骤S3中棋盘图像中的棋子的定位具体包括如下步骤： E1：实时拍摄到的尺寸为972×1296×3的RGB三通道象棋图像通过卷积神经网络优化参数的改进Canny边缘检测算法处理得到二值化单通道特征图； E2：步骤E1中最终得到的二值化单通道特征图通过BP神经网络优化参数的改进霍夫圆检测定位算法处理后，可以得到象棋棋盘图像上每个棋子的中心坐标和半径； 步骤E1中卷积神经网络优化参数的改进Canny边缘检测算法的计算过程为： F1：将步骤E1中拍摄到的尺寸为972×1296×3完整棋盘图像输入到第一个卷积中，第一个卷积层的卷积核个数是3个，卷积核大小是14×18，padding为0，stride为2，输出的特征图大小是480×640×3；再经过第一个最大池化层，第一个最大池化层卷积核大小是2×2，stride为2，输出的特征图大小为240×320×3； F2：将步骤F1中最终输出的特征图输入到第二个卷积层中，第二层卷积层的卷积核个数是32个，卷积核大小是4×4，padding为0，stride为4，激活函数为COSRuLU，输出的特征图大小是60×80×32；再经过图像尺寸变换，输出的特征图大小为60×60×32； F3：将步骤F2中最终输出的特征图输入到第三个层卷积层中，第三个卷积层的卷积核个数是64个，卷积核大小是2×2，padding为0，stride为2，激活函数为COSRuLU，输出的特征图大小是30×30×64；再经过第二个最大池化层，第二个最大池化层卷积核大小是2×2，stride为2，输出的特征图大小为15×15×64； F4：将步骤F3最终输出的特征图输入到第四个卷积层中，第四个卷积层的卷积核个数是128个，卷积核大小是5×5，padding为0，stride为2，激活函数为COSRuLU，输出的特征图大小是6×6×128；再经过第三个最大池化层，第三个最大池化层的卷积核为2×2，stride为2，输出的特征图大小是3×3×128； F5：将步骤F4中最终输出的特征图输入到第五个卷积层中，第五个卷积层的卷积核个数是256个，卷积核大小是1×1，padding为0，stride为2，激活函数为COSRuLU，输出的特征图大小是2×2×256；再经过第四个最大池化层，第四个最大池化层卷积核大小是2×2，stride为1，输出的特征图大小是1×1×256； F6：将步骤F5中最终输出的特征图输入到第一个全连接层中，激活函数是COSRuLU，使用Droput使20%的神经元失活，输出的特征图大小是1×1×512； F7：将步骤F6中最终输出的特征图输入到第二个全连接层中，激活函数是COSRuLU，输出特征图大小是1×1×2，根据输出特征图大小1×1×2获取此象棋棋盘的Canny边缘检测预测的阈值参数maxVal和minVal； F8：将预测的阈值参数maxVal和minVal给到改进Canny边缘检测算法，将步骤E1中拍摄到的尺寸为972×1296×3完整棋盘图像通过卷积神经网络优化参数的改进Canny边缘检测算法，最终可以得到二值化特征图，特征图大小为972×1296×1； 步骤F8中的改进Canny边缘检测算法的计算过程为： G1：将步骤E1中拍摄到的尺寸为972×1296×3完整棋盘图像进行灰度化处理得到972×1296×1的灰度图； G2：将步骤G1中得到的灰度图通过指数滤波，指数滤波器的大小是5×5，将滤波器中的横纵坐标，代入到指数函数中，得到指数滤波器，使用指数滤波器得到处理后的灰度图；二维指数函数如下： ； 其中，和分别为指数滤波器中的横纵坐标，为二维函数的输出值； G3：将步骤G2中最终得到的灰度图使用5×5大小的pole算子计算像素梯度，可以计算得到梯度强度矩阵；其中x轴方向pole算子和y轴方向的pole算子为： ； 梯度强度矩阵的计算公式为： ； 其中，I表示灰度图像矩阵，表示x轴方向的梯度强度矩阵，表示y轴方向的梯度强度矩阵，表示梯度强度矩阵，d表示卷积核大小； G4：将步骤G3中得到的梯度强度矩阵进行非极大值抑制，即当前像素梯度强度与沿正负梯度方向上的相邻像素的梯度强度进行比较，若当前像素梯度强度为极大值，则保留该像素为边缘点，若当前像素梯度强度不是极大值，则对当前像素进行抑制，不将其作为边缘点； G5：将步骤F7中预测的阈值参数maxVal和minVal用于对步骤G4中筛选出来的极大值进行判断，若极大值大于maxVal，则此像素点为边缘；若极大值小于minVal，则此像素点为非边缘；处于高低阈值之间的极大值还要在下一步进行判断； G6：将步骤G5中处于高低阈值之间的极大值进行判断，若极大值对应的像素点与边缘点相连接则此像素点被认为是边缘点，若极大值对应的像素点与边缘点不相连接则此像素点被认为是非边缘点；最终即可生成边缘图像； 步骤E2中BP神经网络优化参数的改进霍夫圆检测定位算法的计算过程为： H1：将步骤F7最终预测出的参数maxVal和minVal输入到BP神经网络的输入层，输入层激活函数为Logistic-plus，在经过第一个Dropout层随机失活30%的神经元；激活函数Logistic-plus的公式为： ； L表示激活函数Logistic-plus的输出，表示激活函数Logistic-plus的输入； H2：将输入层的输出结果送入10个神经元的隐藏层中，隐藏层激活函数为Logistic-plus，在经过第二个Dropout层随机失活15%的神经元； H3：将隐藏层的输出结果送入5个神经元输出层，输出层的激活函数为Logistic-plus，输出结果是霍夫圆检测算法需要的5个参数，分别为minDist，param1，param2，minRadius，maxRadius；minDist表示检测到的圆中心坐标之间的最小距离，param1表示G5中的阈值参数maxVal，param2表示圆心阈值参数，阈值越小，检测到的圆越多，minRadius表示检测半径的最小值，maxRadius表示检测半径的最大值； H4：将步骤H3中预测的5个参数给到改进霍夫圆检测定位算法，将步骤F8中最终得到的二值化特征图通过BP神经网络优化参数的改进霍夫圆检测定位算法，就可以得到每个象棋棋子的位置信息，即象棋棋子预测的圆心坐标x,y和象棋棋子预测的半径r； 所述步骤H4中改进霍夫圆检测定位算法的计算过程为： I1：建立霍夫参数三维空间，通过公式计算出象棋棋子预测的圆心坐标x,y和象棋棋子预测的半径r；计算公式为： ； 公式中的s.t表示约束条件，为F8中最终得到的二值化特征图且满足约束条件的随机选取的5个边缘点，表示F8中最终得到的二值化特征图且满足约束条件的随机选取的第k个边缘点，x，y表示象棋棋子预测的圆心坐标，r表示象棋棋子预测的半径，V表示此圆心的得票数； I2：将步骤H3中预测到的5个参数送给改进霍夫圆检测定位算法，对I1中筛选出的圆做非极大值抑制，当投票数大于param2时可认定为圆，再通过minDist，minRadius和maxRadius参数的限制，得到符合参数条件限制的圆，并且获得象棋棋子预测的圆心坐标x,y和象棋棋子预测的半径r。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京师范大学，其通讯地址为：210024 江苏省南京市鼓楼区宁海路122号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。