CN109740965A - 一种工程验证分析方法及装置 - Google Patents

Abstract

本发明实施例提供一种工程验证分析方法及装置，该方法包括：将待验证工程图片输入至训练好的神经网络模型，输出与待验证工程图片对应的质量类型标签，神经网络模型为基于样本工程图片以及预先确定的样本工程图片质量类型标签进行训练后得到；根据神经网络模型输出的质量类型标签，获取待验证工程图片对应的验证结果。由于神经网络模型为基于样本工程图片以及预先确定的样本工程图片质量类型标签进行训练后得到，从而神经网络模型能够将样本工程图片的特征数据与标签类型进行关联学习。将待验证工程图片输入至训练好的神经网络模型，能够输出与待验证工程图片对应的质量类型标签，从而使工程验证分析过程更加高效，质量识别结果更为准确。

Description

一种工程验证分析方法及装置

技术领域

本发明实施例涉及通信领域，尤其涉及一种工程验证分析方法及装置。

背景技术

现代化通信网络，例如高质量的家庭宽带通信网络，为现代化社会的信息交互带来了极大的便捷性。因此，通信网络建设的质量一直都是各通信运营商的重点关注对象。4G业务和宽带业务在经过网络的不断发展和市场规模的不断扩大后，越来越需要精细化的网络建设和维护来保障网络的质量。

4G业务和宽带业务在通信网络的安装和维护中，需要对安装后的网络以及维修后的网络进行工程质量的验证。目前，主要通过专业的工程师对安装和维修后的装维工单进行人工全量质检。由于用户基数较大，通信网络的安装和维修业务量大，每天质检工单量达万张以上，而且服务质量要求高。目前的工程验证方法，不仅人力物力花费巨大，且质量是否达标全靠人工判断，主观性大。

发明内容

为了解决上述问题，本发明实施例提供一种工程验证分析方法及装置。

第一方面，本发明实施例提供一种工程验证分析方法，包括：将待验证工程图片输入至训练好的神经网络模型，输出与所述待验证工程图片对应的质量类型标签，所述神经网络模型为基于样本工程图片以及预先确定的样本工程图片质量类型标签进行训练后得到；根据所述神经网络模型输出的质量类型标签，获取所述待验证工程图片对应的验证结果。

第二方面，本发明实施例提供一种工程验证分析装置，包括：输入模块，用于将待验证工程图片输入至训练好的神经网络模型，输出与所述待验证工程图片对应的质量类型标签，所述神经网络模型为基于样本工程图片以及预先确定的样本工程图片质量类型标签进行训练后得到；处理模块，用于根据所述神经网络模型输出的质量类型标签，获取所述待验证工程图片对应的验证结果。

第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本发明第一方面工程验证分析方法的步骤。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明第一方面工程验证分析方法的步骤。

本发明实施例提供的工程验证分析方法，由于神经网络模型为基于样本工程图片以及预先确定的样本工程图片质量类型标签进行训练后得到，从而神经网络模型能够将样本工程图片的特征数据与标签类型进行关联学习。将待验证工程图片输入至训练好的神经网络模型，能够输出与所述待验证工程图片对应的质量类型标签，从而使工程验证分析过程更加高效，质量识别结果更为准确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明工程验证分析方法实施例流程图；

图2为本发明工程验证分析方法另一实施例流程图；

图3为本发明工程验证分析装置实施例结构示意图；

图4为本发明实施例提供的一种电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前的工程验证方法，通过人工主观验证，不仅花费巨大的人力物力，而且质量是否达标全靠人工判断，主观性大。为解决这一问题，本发明实施例提供一种工程验证分析方法。该方法可应用于上述4G业务和宽带业务在通信网络的安装和维护的工程验证场景，也可以用于其它类似场景，例如后续发展的5G业务通信网络的安装与维护。本发明实施例对应用场景不作具体限定。另外，该方法对应的执行主体可以为执行该方法的计算机，也可以为独立设置的工程验证分析装置，本发明实施例对此也不作具体限定。为了便于说明，本发明实施例以执行主体为执行该方法的计算机为例，对本发明实施例提供的工程验证分析方法进行阐述。

图1为本发明工程验证分析方法实施例流程图，如图1所示，本发明实施例提供一种工程验证分析方法，包括：

101，将待验证工程图片输入至训练好的神经网络模型，输出与待验证工程图片对应的质量类型标签，神经网络模型为基于样本工程图片以及预先确定的样本工程图片质量类型标签进行训练后得到。

在101中，待验证工程图片是本方法的识别对象，可以是一线装维人员针对每张装维工单(安装、维修的订单)的工程验收图片，验收图片可以有多张。样本工程图片是预先已经获知其质量类型以及将对应的已知质量类型作为标签的大量样本库中的工程验收图片。例如，历史经人工验证的装维工单对应的工程验收图片，经过一定的验证，其人工验证得到的质量类型与真实质量类型确实一致，将此类工程验收图片作为样本工程图片。建立的神经网络模型通过大量的此类样本工程图片进行训练，能够得到训练好的神经网络，对于后续输入的待验证工程图片能够快速准确得到相应的质量类型标签。质量类型标签可根据需求进行定义，例如为合格、不合格，或为优秀、良好及不合格。

对于输入的样本工程图片，神经网络模型对每一样本工程图片提取特征数据，通过神经网络模型不断对其时特征数据的学习，从而能够对具有相应特征数据的待验证工程图片和对应的质量类型进行关联，进而准确判断出待验证工程图片的质量类型。

102，根据神经网络模型输出的质量类型标签，获取待验证工程图片对应的验证结果。

神经网络模型的输出结果为质量类型标签，根据该标签可获得待验证工程图片的质量类型，根据质量类型进一步获取验证结果。例如结果为合格、不合格。

本发明实施例提供的工程验证分析方法，由于神经网络模型为基于样本工程图片以及预先确定的样本工程图片质量类型标签进行训练后得到，从而神经网络模型能够将样本工程图片的特征数据与标签类型进行关联学习。将待验证工程图片输入至训练好的神经网络模型，能够输出与待验证工程图片对应的质量类型标签，从而使工程验证分析过程更加高效，质量识别结果更为准确。

基于上述实施例的内容，作为一种可选实施例，上述神经网络模型可包括卷积神经网络(Convolutional Neural Networks,简称CNN)，CNN是一类包含卷积计算且具有深度结构的前馈神经网络。

基于上述实施例的内容，作为一种可选实施例，若获取的待验证工程图片对应的验证结果为不合格，则在待验证工程图片对应的装维工程整改后，将整改后的待验证工程图片输入至神经网络模型，输出与整改后的待验证工程图片对应的质量类型标签。

通过训练好的神经网络模型对待验证工程图片进行验证，若获取的待验证工程图片对应的验证结果为不合格，则需对相应的装维工程进行整改。整改完成后，获取该装维工程整改完工后的工程图片。将整改完工后的工程图片作为整改后的待验证图片输入神经网络模型进行验证，获取对应的质量类型标签，根据对应的质量类型标签获取验证结果，如合格或不合格，若不合格，则再次整改。

本实施例提供的工程验证分析方法，在获取的待验证工程图片对应的验证结果为不合格情况下，整改后再次输入神经网络模型进行训练，使验证过程更完善。

基于上述实施例的内容，作为一种可选实施例，神经网络模型包括:LeNet网络模型、AlexNet网络模型或Inception V3网络模型。

在上述神经网络模型中采用卷积视图神经网络来识别待验证工程图片，卷积视图神经网络的卷积层、池化层、全连接层可以进行任意组合，通过任意组合可以得到无限多种神经网络模型。从几种经典的神经网络模型中选择一个作为神经网络模型的基础模型，并在此基本上进行开发和训练得到能够满足本方法中图像识别需求的模型，包括从LeNet网络模型、AlexNet网络模型或Inception V3网络模型中选取。

基于上述实施例的内容，作为一种可选实施例，将待验证工程图片输入至训练好的神经网络模型之前，采用Tensorflow对样本工程图片预处理后，输入至神经网络模型进行训练。

Tensorflow是一个基于数据流编程(dataflow programming)的符号数学系统，被广泛应用于各类机器学习算法的编程实现。在深度学习时，对于数据量较小的情况下，可选择直接将数据加载进内存，然后再分批处理输入网络进行训练。如果数据量较大的情况下，由于此方法太耗内存将不适用。因此，使用Tensorflow内定标准格式——TFRecords，此方式对图像文件比较友好，可统一将多种图像格式输入为同一种格式，方便神经网络进行学习和训练。

Tensorflow中的计算可以表示为一个有向图(directed graph)，或称计算图(computation graph)，其中每一个运算操作将作为一个节点(node)，节点与节点之间的连接成为边(edge)，而在计算图的边中流动(flow)的数据被称为张量(tensor)，所以形象的看整个操作就好像数据(tensor)在计算图(computation graphy)中沿着边(edge)流过(flow)一个个节点(node)。

计算图中的每个节点可以有任意多个输入和任意多个输出，每个节点描述了一种运算操作(operation,简称op)，节点可以算作运算操作的实例(instance)。计算图描述了数据的计算流程，它也负责维护和更新状态，用户可以对计算图的分支进行条件控制或循环操作。

本实施例提供的工程验证分析方法，通过采用Tensorflow对样本工程图片预处理后，输入至神经网络模型进行训练，解决了数据量较大的情况下，内存消耗过大的问题。

基于上述实施例的内容，作为一种可选实施例，将待验证工程图片输入至训练好的神经网络模型之前，还包括：对样本工程图片进行数据增强后，输入至神经网络模型进行训练，数据增强包括，图像大小调整、图像裁剪、图像翻转、亮度随机调、对比度随机调整、饱和度随机调整、色调随机调整中的任意一种或多种。

即对样本工程图片进行数据增强处理后用于训练，在进行深度学习时，如果数据量不够很难达到训练目标。此时可以通过一些图像处理方法增加数据量，从而提高深度学习的准确率。常用图像增强方法如下：图像大小调整、图像裁剪、图像翻转、亮度随机调、对比度随机调整、饱和度随机调整、色调随机调整。

本实施例提供的工程验证分析方法，通过对样本工程图片进行数据增强后，输入至神经网络模型进行训练，提升了模型的训练效果。

基于上述实施例的内容，作为一种可选实施例，将待验证工程图片输入至训练好的神经网络模型之前，还包括：采用优化方法对模型训练过程进行优化，优化方法包括，学习速率设置、正则化、滑动平均处理中的任意一种或多种。

为了达到更好的训练效果，采用包括学习速率设置、正则化、滑动平均处理等方法对训练过程进行优化。

在训练神经网络时，需要设置学习率(learning rate)控制参数的更新速度，学习速率设置过小，会极大降低收敛速度，增加训练时间；学习率太大，可能导致参数在最优解两侧来回振荡。

正则化，是在训练数据不够多时，或者过度训练时，常常会导致过拟合，此时向原始模型引入额外信息，以便防止过拟合和提高模型泛化性能的一类方法的统称。如果一个假设在训练数据上能够获得比其他假设更好的拟合。但是在训练数据外的数据集上却不能很好地拟合数据，此时认为这个假设出现了过拟合的现象。出现这种现象的主要原因是训练数据中存在噪音或者训练数据太少，解决的办法是通过正则化增加噪声，避免过拟合现象。

滑动平均模型是一种简单平滑预测技术，它的基本思想是：根据时间序列资料、逐项推移，依次计算包含一定项数的序时平均值，以反映长期趋势的方法。因此，当时间序列的数值由于受周期变动和随机波动的影响，起伏较大，不易显示出事件的发展趋势时，使用移动平均法可以消除这些因素的影响，显示出事件的发展方向与趋势(即趋势线)，然后依趋势线分析预测序列的长期趋势。

本实施例提供的工程验证分析方法，采用优化方法对模型训练过程进行优化，从而达到更好的训练效果。

基于上述实施例的内容，作为一种可选实施例，上述神经网络模型包括Softmax层。

多分类的问题中，经过层层的推导，每个节点的输出都是不一定的。若需要得到一个概率分布，就需要用到Softmax层。其相当于对每个输出节点的大小作为置信度做一个归一化的操作，然后使得每一个最终输出节点的值都在0到1之间，这样就等于输出了一个概率分布。可以理解为不同的输出类别的一个概率分布。在多分类问题中，一般都会用Softmax作为最后的处理层，得到一个概率分布情况。类似的，在二分类中我们通常使用Sigmoid函数。

本实施例提供的工程验证分析方法，由于神经网络模型包括Softmax层，从而输出结果更为直观。

图2为本发明工程验证分析方法另一实施例流程图，如图2所示，将装维人员完工后的装维工单归档后，输入神经网络模型进行验证分析获取对应的质量等级，若合格则将此装维工单进行归档；若不合格则对相应的工艺问题进行确认，将装维整改内容下发到一线工程施工人员进行整改，同时可通报地市相关负责人。工程施工人员在整改完成后，将完工的图片进行归档，经过地市确认后，形成统一的装维工单归档。将整改后的工程图片作为待验证图片，输入神经网络模型进行验证分析，后续步骤与上述对应部分相同。

装维工单的日工程验证的质检量能够达到万张工单以上，一张工单平均质检耗时约3分钟，通过智能质检功能的引进，日质检工作量3万分钟以上。而二级质检和三级质检时，发现因验证时由于主观因素导致的问题率高达12％。

通过上述各实施例得到的验证分析方法，引入神经网络进行工程验证，不仅日均节约3万分钟以上的工时，引入后，质量可控，不再出现主观因素导致的质量问题。

图3为本发明工程验证分析装置实施例结构示意图，如图3所示，该工程验证分析装置包括：输入模块301和处理模块302。其中，输入模块301用于将待验证工程图片输入至训练好的神经网络模型，输出与待验证工程图片对应的质量类型标签，神经网络模型为基于样本工程图片以及预先确定的样本工程图片质量类型标签进行训练后得到；处理模块302用于根据神经网络模型输出的质量类型标签，获取待验证工程图片对应的验证结果。

待验证工程图片是本方法的识别对象，可以是一线装维人员针对每张装维工单(安装、维修的订单)的工程验收图片，验收图片可以有多张。样本工程图片是预先已经获知其质量类型以及将对应的已知质量类型作为标签的大量样本库中的工程验收图片。例如，历史经人工验证的装维工单对应的工程验收图片，经过一定的验证，其人工验证得到的质量类型与真实质量类型确实一致，将此类工程验收图片作为样本工程图片。建立的神经网络模型通过大量的此类样本工程图片进行训练，能够得到训练好的神经网络，对于后续通过输入模块301输入的待验证工程图片能够快速准确得到相应的质量类型标签并输出给处理模块302。质量类型标签可根据需求进行定义，例如为合格、不合格，或为优秀、良好及不合格。

对于输入的样本工程图片，神经网络模型对每一样本工程图片提取特征数据，通过神经网络模型不断对其时特征数据的学习，从而能够对具有相应特征数据的待验证工程图片和对应的质量类型进行关联，进而准确判断出待验证工程图片的质量类型。

神经网络模型的输出结果为质量类型标签，处理模块302根据该标签可获得待验证工程图片的质量类型，根据质量类型进一步获取验证结果。例如结果为合格、不合格。

本发明实施例提供的装置实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。

本发明实施例提供的工程验证分析装置，由于神经网络模型为基于样本工程图片以及预先确定的样本工程图片质量类型标签进行训练后得到，从而神经网络模型能够将样本工程图片的特征数据与标签类型进行关联学习。将待验证工程图片输入至训练好的神经网络模型，能够输出与待验证工程图片对应的质量类型标签，从而使工程验证分析过程更加高效，质量识别结果更为准确。

以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

图4为本发明实施例提供的一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和总线404，其中，处理器401，通信接口402，存储器403通过总线404完成相互间的通信。通信接口402可以用于电子设备的信息传输。处理器401可以调用存储器403中的逻辑指令，以执行包括如下的方法：将待验证工程图片输入至训练好的神经网络模型，输出与待验证工程图片对应的质量类型标签，神经网络模型为基于样本工程图片以及预先确定的样本工程图片质量类型标签进行训练后得到；根据神经网络模型输出的质量类型标签，获取待验证工程图片对应的验证结果。

此外，上述的存储器403中的逻辑指令可以通过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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明上述各方法实施例的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种工程验证分析方法，其特征在于，包括：

将待验证工程图片输入至训练好的神经网络模型，输出与所述待验证工程图片对应的质量类型标签，所述神经网络模型为基于样本工程图片以及预先确定的样本工程图片质量类型标签进行训练后得到；

根据所述神经网络模型输出的质量类型标签，获取所述待验证工程图片对应的验证结果。

2.根据权利要求1所述的方法，其特征在于，若获取的待验证工程图片对应的验证结果为不合格，则在待验证工程图片对应的装维工程整改后，将整改后的待验证工程图片输入至所述神经网络模型，输出与所述整改后的待验证工程图片对应的质量类型标签。

3.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括:

LeNet网络模型、AlexNet网络模型或Inception V3网络模型。

4.根据权利要求1所述的方法，其特征在于，所述将待验证工程图片输入至训练好的神经网络模型之前，还包括：

采用Tensorflow对所述样本工程图片预处理后，输入至神经网络模型进行训练。

5.根据权利要求1所述的方法，其特征在于，所述将待验证工程图片输入至训练好的神经网络模型之前，还包括：

对所述样本工程图片进行数据增强后，输入至神经网络模型进行训练，所述数据增强包括，图像大小调整、图像裁剪、图像翻转、亮度随机调、对比度随机调整、饱和度随机调整、色调随机调整中的任意一种或多种。

6.根据权利要求1所述的方法，其特征在于，所述将待验证工程图片输入至训练好的神经网络模型之前，还包括：

采用优化方法对模型训练过程进行优化，所述优化方法包括，学习速率设置、正则化、滑动平均处理中的任意一种或多种。

7.根据权利要求1-6任一项所述的方法，其特征在于，所述神经网络模型包括Softmax层。

8.一种工程验证分析装置，其特征在于，包括：

输入模块，用于将待验证工程图片输入至训练好的神经网络模型，输出与所述待验证工程图片对应的质量类型标签，所述神经网络模型为基于样本工程图片以及预先确定的样本工程图片质量类型标签进行训练后得到；

处理模块，用于根据所述神经网络模型输出的质量类型标签，获取所述待验证工程图片对应的验证结果。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述工程验证分析方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述工程验证分析方法的步骤。