CN110334633A - 识别巡检数据并更新识别模型的方法、装置及存储介质 - Google Patents

Abstract

本申请公开了一种识别巡检数据并更新识别模型的方法、装置及存储介质。其中，该方法包括：识别设备接收巡检数据，其中所述巡检数据包括与待巡检对象相关的巡检图像；所述识别设备利用从训练设备获取的识别模型对所述巡检数据进行标注；以及所述训练设备利用标注好的所述巡检数据更新所述识别模型。从而达到了自动化与智能化极高的图像处理闭环系统，基于深度学习的识别模型训练原理，不断滚动迭代巡检数据和识别模型，完成图像识别精度的不断提升。进而解决了现有技术中存在的线下训练和线上识别两个部分相互独立，没有实现标注数据更新增加和模型训练迭代更新的闭环，整个过程没有完整的服务体系的技术问题。

Description

识别巡检数据并更新识别模型的方法、装置及存储介质

技术领域

本申请涉及图像识别领域，特别是涉及一种识别巡检数据并更新识别模型的方法、装置及存储介质。

背景技术

随着无人机及航拍技术的发展和逐步成熟，目前在输电线路、风电场及光伏电场中的巡检都会产生大量的巡检图像，拍摄这些巡检图像的目的是为了查看设备的状态是否异常及周围环境是否存在隐患等，而对于这些巡检图像的处理现在普遍采用人工查看的方式，通过图像内容筛查，勾画出设备出现异常的区域。面对海量巡检图像，这种工作模式耗时耗力且工作效率低，对数据的管理弱，没有对图像智能化识别的模块。

目前对于图像的处理最主流的算法都采用了深度学习技术，深度学习要求大量的标签数据集进行训练学习。而目前巡检图像不存在标记标签，要构建可以用于深度学习训练的标记标签，同样是耗时耗力的，且标注的质量无法保证，在此背景下，提出一种在标注很少样本的情况下，通过智能图像识别自动生成标注标签，并可以完成自主学习训练产生高精度识别模型的云服务平台。

目前的图像识别可以分为线下训练和线上识别两个部分，其中线下训练包括样本的收集，样本标注，模型调参训练等阶段，在线上识别时使用在线下训练的模型结果产生对图像的预测。目前这两个部分相互独立，没有实现标注数据更新增加和模型训练迭代更新的闭环，整个过程没有完整的服务体系。

针对上述的现有技术中存在的线下训练和线上识别两个部分相互独立，没有实现标注数据更新增加和模型训练迭代更新的闭环，整个过程没有完整的服务体系的技术问题，目前尚未提出有效的解决方案。

发明内容

本公开的实施例提供了一种识别巡检数据并更新识别模型的方法、装置及存储介质，以至少解决现有技术中存在的线下训练和线上识别两个部分相互独立，没有实现标注数据更新增加和模型训练迭代更新的闭环，整个过程没有完整的服务体系的技术问题。

根据本公开实施例的一个方面，提供了一种识别巡检数据并更新识别模型的方法，包括：识别设备接收巡检数据，其中巡检数据包括与待巡检对象相关的巡检图像；识别设备利用从训练设备获取的识别模型对巡检数据进行标注；以及训练设备利用标注好的巡检数据更新识别模型。

根据本公开实施例的另一方面，还提供了一种识别巡检数据的方法，包括：识别设备接收巡检数据，其中巡检数据包括与待巡检对象相关的巡检图像；识别设备利用从训练设备获取的识别模型对巡检数据进行标注；以及识别设备将标注好的巡检数据发送至管理设备，由管理设备将标注好的巡检数据发送至训练设备。

根据本公开实施例的另一方面，还提供了一种更新识别模型的方法，包括：训练设备从管理设备接收标注好的巡检数据，其中巡检数据包括与待巡检对象相关的巡检图像；以及训练设备利用标注好的巡检数据更新识别模型。

根据本公开实施例的另一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时由处理器执行以上任意一项所述的方法。

根据本公开实施例的另一个方面，还提供了一种识别巡检数据并更新识别模型的装置，包括：第一接收模块，用于通过识别设备接收巡检数据，其中巡检数据包括与待巡检对象相关的巡检图像；第一标注模块，用于通过识别设备利用从训练设备获取的识别模型对巡检数据进行标注；以及第一更新模块，用于通过训练设备利用标注好的巡检数据更新识别模型。

根据本公开实施例的另一个方面，还提供了一种识别巡检数据的装置，包括：第二接收模块，用于通过识别设备接收巡检数据，其中巡检数据包括与待巡检对象相关的巡检图像；第二标注模块，用于通过识别设备利用从训练设备获取的识别模型对巡检数据进行标注；以及第四发送模块，用于通过识别设备将标注好的巡检数据发送至管理设备，由管理设备将标注好的巡检数据发送至训练设备。

根据本公开实施例的另一个方面，还提供了一种更新识别模型的装置，包括：第三接收模块，用于通过训练设备从管理设备接收标注好的巡检数据，其中巡检数据包括与待巡检对象相关的巡检图像；以及第二更新模块，用于通过训练设备利用标注好的巡检数据更新识别模型。

根据本公开实施例的另一个方面，还提供了一种识别巡检数据并更新识别模型的装置，包括：第一处理器；以及第一存储器，与第一处理器连接，用于为第一处理器提供处理以下处理步骤的指令：识别设备接收巡检数据，其中巡检数据包括与待巡检对象相关的巡检图像；识别设备利用从训练设备获取的识别模型对巡检数据进行标注；以及训练设备利用标注好的巡检数据更新识别模型。

根据本公开实施例的另一个方面，还提供了一种识别巡检数据的装置，包括：第二处理器；以及第二存储器，与第二处理器连接，用于为第二处理器提供处理以下处理步骤的指令：识别设备接收巡检数据，其中巡检数据包括与待巡检对象相关的巡检图像；识别设备利用从训练设备获取的识别模型对巡检数据进行标注；以及识别设备将标注好的巡检数据发送至管理设备，由管理设备将标注好的巡检数据发送至训练设备。

根据本公开实施例的另一个方面，还提供了一种更新识别模型的装置，包括：第三处理器；以及第三存储器，与第三处理器连接，用于为第三处理器提供处理以下处理步骤的指令：训练设备从管理设备接收标注好的巡检数据，其中巡检数据包括与待巡检对象相关的巡检图像；以及训练设备利用标注好的巡检数据更新识别模型。

在本公开实施例中，识别设备可以从训练设备获取识别模型，并利用所获取的识别模型对巡检数据进行标注，然后训练设备利用识别设备标注好的巡检数据对识别模型进行更新迭代，不断提高识别模型的精度。基于此，识别设备还可以从训练设备获取更新后的识别模型，并利用所获取的更新后的识别模型对巡检数据进行标注，然后训练设备再利用标注好的巡检数据对识别模型进行再次更新。从而达到了自动化与智能化极高的图像处理闭环系统，基于深度学习的识别模型训练原理，不断滚动迭代巡检数据和识别模型，完成图像识别精度的不断提升。进而解决了现有技术中存在的线下训练和线上识别两个部分相互独立，没有实现标注数据更新增加和模型训练迭代更新的闭环，整个过程没有完整的服务体系的技术问题。

附图说明

此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：

图1是用于实现根据本公开实施例1所述的方法的计算机终端的硬件结构框图；

图2是根据本公开实施例1的第一个方面所述的识别巡检数据并更新识别模型的方法的流程示意图；

图3是根据本公开实施例1的第二个方面所述的识别巡检数据的方法的流程示意图；

图4是根据本公开实施例1的第三个方面所述的更新识别模型的方法的流程示意图；

图5是根据本公开实施例1所述的管理设备、识别设备(单机版、C/S版)、训练设备以及webservice平台之间的关系的详细示意图；

图6是根据本公开实施例1所述的自学习训练任务的流程图；

图7是根据本公开实施例2的第一个方面所述的识别巡检数据并更新识别模型的装置的示意图；

图8是根据本公开实施例2的第二个方面所述的识别巡检数据的装置的示意图；

图9是根据本公开实施例3的第三个方面所述的更新识别模型的装置的示意图；

图10是根据本公开实施例3的第一个方面所述的识别巡检数据并更新识别模型的装置的示意图；

图11是根据本公开实施例3的第二个方面所述的识别巡检数据的装置的示意图；以及

图12是根据本公开实施例3的第三个方面所述的更新识别模型的装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本公开的技术方案，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本公开保护的范围。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本实施例，提供了一种识别巡检数据并更新识别模型的方法、识别巡检数据的方法以及更新识别模型的方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现识别巡检数据并更新识别模型的方法、识别巡检数据的方法以及更新识别模型的方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本公开实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。

存储器104可用于存储应用软件的软件程序以及模块，如本公开实施例中的识别巡检数据并更新识别模型的方法、识别巡检数据的方法以及更新识别模型的方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的识别巡检数据并更新识别模型的方法、识别巡检数据的方法以及更新识别模型的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。

此处需要说明的是，在一些可选实施例中，上述图1所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。

在上述运行环境下，根据本实施例的第一个方面，提供了一种识别巡检数据并更新识别模型的方法。图2示出了该方法的流程示意图，参考图2所示，该方法包括：

S202：识别设备接收巡检数据，其中巡检数据包括与待巡检对象相关的巡检图像；

S204：识别设备利用从训练设备获取的识别模型对巡检数据进行标注；以及

S206：训练设备利用标注好的巡检数据更新识别模型。

正如前面背景技术中所述的，目前的图像识别可以分为线下训练和线上识别两个部分，其中线下训练包括样本的收集，样本标注，模型调参训练等阶段，在线上识别时使用在线下训练的模型结果产生对图像的预测。目前这两个部分相互独立，没有实现标注数据更新增加和模型训练迭代更新的闭环，整个过程没有完整的服务体系。

针对上述背景技术中存在的问题，结合图2所示，本实施例提供的识别设备接收巡检数据。其中巡检数据包括与待巡检对象相关的巡检图像。例如：识别设备直接从巡检设备处接收巡检数据，也可以从其他设备(例如，负责管理该巡检数据的管理设备)接收巡检数据。然后识别设备利用从训练设备获取的识别模型对巡检数据进行标注。具体地，识别设备在对巡检数据进行标注之前，可以从训练设备获取训练好的识别模型。其中该识别模型为基于深度学习训练的识别模型。此时，识别设备使用所获取的识别模型对巡检数据中包括的巡检图像进行标注。然后，训练设备利用标注好的巡检数据更新识别模型。

从而，通过这种方式，识别设备可以从训练设备获取识别模型，并利用所获取的识别模型对巡检数据进行标注，然后训练设备利用识别设备标注好的巡检数据对识别模型进行更新迭代，不断提高识别模型的精度。基于此，识别设备还可以从训练设备获取更新后的识别模型，并利用所获取的更新后的识别模型对巡检数据进行标注，然后训练设备再利用标注好的巡检数据对识别模型进行再次更新。从而达到了自动化与智能化极高的图像处理闭环系统，基于深度学习的识别模型训练原理，不断滚动迭代巡检数据和识别模型，完成图像识别精度的不断提升。进而解决了现有技术中存在的线下训练和线上识别两个部分相互独立，没有实现标注数据更新增加和模型训练迭代更新的闭环，整个过程没有完整的服务体系的技术问题。

可选地，训练设备利用标注好的巡检数据更新识别模型的操作，包括：训练设备创建与标注好的巡检数据对应的数据集；训练设备将数据集分成训练集以及测试集；训练设备根据训练集训练识别模型；训练设备根据测试集对训练后的识别模型进行评估；以及训练设备根据评估的结果更新识别模型。

具体地，训练设备为具有自学习能力的训练设备，封装有不同的深度学习算法，选择不同的算法会训练不同的模型，训练设备接收到标注好的巡检数据之后，会开启一个自学习任务。然后训练设备创建与标注好的巡检数据对应的数据集，并通过自学习任务将数据集分成训练集和测试集两部分。训练集和测试集是互斥的，其中训练集用来训练识别模型，测试集用来评估所训练的识别模型的优劣。此外，测试集可以随着巡检数据的数据量的不同而更改。最后，训练设备根据评估的结果更新识别模型。例如，在评估的结果不符合标准的情况下，训练设备再次根据训练集训练识别模型，训练反复迭代，直到所训练出的识别模型符合标准。并在训练出的识别模型符合标准的情况下，更新识别模型。从而通过这种方式，将增加数据后训练的识别模型与之前的识别模型对比，确保识别模型精度在提高，然后完成新一轮的识别模型的更新，然后识别设备再利用更新后的识别模型检测新的巡检数据，从而完成巡检数据滚雪球和识别模型精度不断提升的效果。

可选地，还包括：识别设备将标注好的巡检数据发送至管理设备；以及管理设备将标注好的巡检数据发送至训练设备。

具体地，标注好的巡检数据统一录入管理设备，由管理设备对标注好的巡检数据进行统一的管理。然后，管理设备将标注好的巡检数据发送至训练设备，使得训练设备可以根据接收到的标注好的巡检数据进行识别模型的不断更新。

进一步地，原始的巡检数据也统一录入管理设备，由管理设备对原始的巡检数据进行统一的管理。具体地，管理设备对巡检数据中包括的巡检图像进行编码分类，确定巡检图像的状态(待检测，检测，生成标签，修改标签等)。同时，初次使用该管理设备时需要标注少量训练样本，标注样本可以通过识别设备的单机端或C/S端完成。其中，识别设备标注样本采用PASCAL VOC格式，将检测目标的四点标框(标记目标的左上角坐标xmin,ymin,标记目标的右下角坐标xmax,ymax)及目标名称存储在xml文件里，xml的文件名称与图片名称一致。然后识别设备将标注好的巡检数据统一录入管理系统。从而，通过这种方式，通过管理设备对巡检数据和标注好的巡检数据统一管理，避免了数据的混乱。

此外，识别设备的单机端或C/S端完成样本标注后，管理设备将标注好的巡检数据上传到训练设备。并且识别设备的单机端或C/S端都提供将标注好的巡检数据上传到云平台的接口，也包括触发开启与结束自学习任务的接口。

可选地，训练设备创建与标注好的巡检数据对应的数据集的操作，包括：训练设备从管理设备接收标注好的巡检数据；训练设备判定所接收到标注好的巡检数据是否达到预定的阈值；以及训练设备在判定所接收到标注好的巡检数据达到预定的阈值的情况下，创建与标注好的巡检数据对应的数据集。

具体地，训练设备接收外部(例如管理设备)上传的巡检数据或者拷贝数据后，通过创建自学习任务开始训练模型，自学习任务内部设置丰富的调参机制，在一定的巡检数据的数据量的情况下，自主训练挑选出最优的识别模型。同时接收巡检数据自增设定，在巡检数据样本不够丰富的情况下，通过巡检数据来驱动识别模型的训练迭代。此时，训练设备需要判定所接收到标注好的巡检数据是否达到预定的阈值，并在标注好的巡检数据达到预定的阈值的情况下，创建与标注好的巡检数据对应的数据集。通过这种方式，实现了通过数据触发更新训练的数据集，完成程序上的自主流程，从而驱动识别模型的训练迭代。

此外，还可以通过时间触发，更新训练的数据集，完成程序上的自主流程。例如，在预定的周期内训练设备所接收到的巡检数据的数据量十分庞大的情况下，训练设备的工作人员可以设定一定的时间周期，例如每十秒自动更新训练的数据集。从而，通过这种方式，实现了通过时间触发更新训练的数据集，完成程序上的自主流程，从而驱动识别模型的训练迭代。

可选地，还包括：训练设备发布更新后的识别模型。具体地，训练设备会自主挑选最优的识别模型或人工指定的识别模型进行发布。

可选地，训练设备发布更新后的识别模型的操作，包括：训练设备为更新后的识别模型配置访问接口；训练设备将配置有访问接口的更新后的识别模型部署至识别设备的本地端；和/或训练设备将配置有访问接口的更新后的识别模型同步至识别设备的在线端。

具体地，训练设备发布的识别模型会提供访问接口，可以部署到识别设备的本地端，也可以和webservice平台进行识别模型的同步，即同步至识别设备的在线端。然后识别设备的本地端从训练设备获取到识别模型后，可以实现本地的模型识别。webservice平台提供http协议的webapi接口，供识别设备的在线端(C/S版在线端)使用。

可选地，还包括：识别设备从审核人员的终端设备接收审核信息，其中审核信息为审核人员对标注好的巡检数据进行审核产生的信息；识别设备将审核信息发送至训练设备；以及识别设备将审核信息发送至管理设备。

具体地，识别设备为审核人员提供访问的窗口，供审核人员通过该访问窗口对标注好的巡检数据进行审核。此时，识别设备从审核人员的终端设备接收审核信息。其中审核信息为审核人员对标注好的巡检数据进行审核产生的信息。然后识别设备将审核信息发送至训练设备，由训练设备根据该审核信息，对识别模型进行相应的训练。以及识别设备将审核信息发送至管理设备，由管理设备根据审核信息对标注好的巡检数据进行管理。例如：管理设备根据审核信息，对标注好的巡检数据调整或修改标注信息。从而，通过这种方式，不仅可以提高审核人员的审核效率，还使得训练设备可以根据审核信息对识别模型进行相应的训练。

可选地，还包括：训练设备判断训练后的识别模型是否过拟合；和/或训练设备使用梯度下降法优化训练后的识别模型。

具体地，训练设备判断训练后的识别模型是否过拟合，其中训练设备通过early-stop等策略判断识别模型是否过拟合，通过loss损失值的下降情况调整训练参数，进而优化训练后的识别模型。

根据本实施例的第二个方面，提供了一种识别巡检数据的方法。图3示出了该方法的流程示意图，参考图3所示，该方法包括：

S302：识别设备接收巡检数据，其中巡检数据包括与待巡检对象相关的巡检图像；

S304：识别设备利用从训练设备获取的识别模型对巡检数据进行标注；以及

S306：识别设备将标注好的巡检数据发送至管理设备，由管理设备将标注好的巡检数据发送至训练设备。

具体地，识别设备接收巡检数据。其中巡检数据包括与待巡检对象相关的巡检图像。然后识别设备利用从训练设备获取的识别模型对巡检数据进行标注。例如，识别设备在对巡检数据进行标注之前，可以从训练设备获取训练好的识别模型。其中该识别模型为基于深度学习训练的识别模型。此时，识别设备使用所获取的识别模型对巡检数据中包括的巡检图像进行标注。然后识别设备将标注好的巡检数据发送至管理设备，由管理设备将标注好的巡检数据发送至训练设备。使得训练设备可以利用标注好的巡检数据更新识别模型。从而，通过这种方式，识别设备可以从训练设备获取识别模型，并利用所获取的识别模型对巡检数据进行标注，为训练设备提供数据，使得识别设备可以利用标注好的巡检数据对识别模型进行更新迭代，不断提高识别模型的精度。

根据本实施例的第三个方面，提供了一种更新识别模型的方法。图4示出了该方法的流程示意图，参考图4所示，该方法包括：

S402：训练设备从管理设备接收标注好的巡检数据，其中巡检数据包括与待巡检对象相关的巡检图像；以及

S404：训练设备利用标注好的巡检数据更新识别模型。

具体地，训练设备从管理设备接收标注好的巡检数据。其中巡检数据包括与待巡检对象相关的巡检图像。然后，训练设备利用标注好的巡检数据更新识别模型。从而，训练设备利用识别设备标注好的巡检数据对识别模型进行更新迭代，不断提高识别模型的精度。

进一步地，本发明提出识别巡检数据并更新识别模型的方法可以由识别巡检数据并更新识别模型的系统来实现。其中识别巡检数据并更新识别模型的系统包括四部分：管理设备、识别设备(单机版、C/S版)、训练设备以及webservice平台，具体地，这四部分的关系详细可以参照图5所示。并且，该系统可以通过以下步骤来识别巡检数据并更新识别模型：

S601:获取的巡检数据统一录入管理设备，该管理设备对巡检图像进行编码分类，确定图片的状态(待检测，检测，生成标签，修改标签等)。初次使用该管理设备时需要标注少量训练样本，标注样本可以通过识别设备的单机版或C/S版完成。标注样本采用PASCALVOC格式，将检测目标的四点标框(标记目标的左上角坐标xmin,ymin,标记目标的右下角坐标xmax,ymax)及目标名称存储在xml文件里，xml的文件名称与图片名称一致。标注好的标签录入管理设备。

S602：通过识别设备的单机版或C/S版完成样本标注后，上传到训练设备，识别设备的单机版或C/S版都提供将标注标签上传到云平台的接口，也包括触发开启与结束自学习任务的接口。

S603:训练设备接收外部上传的数据或者拷贝数据，通过创建自学习任务开始训练模型，自学习任务内部设置丰富的调参机制，在一定的数据量的情况下，自主训练挑选出最优的模型。同时接收数据自增设定，在数据样本不够丰富的情况下，通过数据来驱动模型的训练迭代。其中，图6示出了自学习训练任务的流程图。具体地，参照图6所示，训练设备封装不同的深度学习算法，选择不同的算法会训练不同的模型，一个自学习任务对应一种模型方法。每个自学习任务会将数据分成训练集和测试集两部分，训练集和测试集是互斥的，其中训练集用来训练模型，测试集用来评判训练模型的优劣，测试集可以随着数据量的不同而更改。创建后的自学习任务会一直训练反复迭代，通过early-stop等策略判断模型是否过拟合，通过loss损失值的下降情况调整训练参数。同时通过数据触发或者时间触发，更新训练的数据集，完成程序上的自主流程。

S604:训练设备会自主挑选最优模型或人工指定模型进行发布，发布的模型会提供访问接口，可以部署到识别设备的单机版，可以和webservice平台模型同步，识别设备的单机版从训练设备获取到模型后，可以实现本地的模型识别。webservice平台提供http协议的webapi接口，供识别设备的C/S版使用。

S605:巡检图像通过识别设备的单机版或C/S版进行图像识别，检测结果可以自动转化为标签结果，同时人工可以在识别设备完成审核，审核结果同步上传到管理设备和识别设备。

S606:通过识别设备上传的数据到训练设备后会触发自学习任务进行数据更新，执行S603-S604阶段任务，增加数据后训练的模型与之前模型对比，确保模型精度在提高，然后完成新一轮的模型更新，执行S605，检测新的巡检图像，执行S605-S603-S604-S605的闭环处理，完成数据滚雪球和模型精度不断提升。

在本实施例中，利用深度学习技术，封装优秀的目标识别算法，设计了一种从巡检图片到检测标签再到训练样本的数据流程化处理方案，搭建了从原始初级训练模型到以数据为驱动更新迭代的模型精度不断提升的闭环系统。通过这个闭环系统可以不断增加数据样本，不断提升模型精度。

此外，目前巡检图像处理以人工处理为主，自动化程度较低，本实施例设计了一套自动化与智能化极高的图像处理闭环系统，基于深度学习模型训练原理，不断滚动迭代数据和模型，完成图像识别精度的不断提升。在本发明中巡检图像智能化处理，整个处理过程自动化，巡检图像和标签文件统一管理，避免了数据混乱，自主训练平台降低了技术门槛，检测端软件可以提高巡检人员的审查效率。

此外，参考图1所示，根据本实施例的第四个方面，提供了一种存储介质104。存储介质104包括存储的程序，其中，在程序运行时由处理器执行以上任意一项所述的方法。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

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根据上述实施例的方法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，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

实施例2

图7示出了根据本实施例的第一个方面所述的识别巡检数据并更新识别模型的装置700，该装置700与根据实施例1的第一个方面所述的方法相对应。参考图7所示，该装置700包括：第一接收模块710，用于通过识别设备接收巡检数据，其中巡检数据包括与待巡检对象相关的巡检图像；第一标注模块720，用于通过识别设备利用从训练设备获取的识别模型对巡检数据进行标注；以及第一更新模块730，用于通过训练设备利用标注好的巡检数据更新识别模型。

可选地，第一更新模块730包括：创建子模块，用于通过训练设备创建与标注好的巡检数据对应的数据集；分成子模块，用于通过训练设备将数据集分成训练集以及测试集；训练子模块，用于通过训练设备根据训练集训练识别模型；评估子模块，用于通过训练设备根据测试集对训练后的识别模型进行评估；以及更新子模块，用于通过训练设备根据评估的结果更新识别模型。

可选地，还包括：第一发送模块，用于通过识别设备将标注好的巡检数据发送至管理设备；以及第二发送模块，用于通过管理设备将标注好的巡检数据发送至训练设备。

可选地，创建子模块，包括：第一接收单元，用于通过训练设备从管理设备接收标注好的巡检数据；第二接收单元，用于通过训练设备判定所接收到标注好的巡检数据是否达到预定的阈值；以及创建单元，用于通过训练设备在判定所接收到标注好的巡检数据达到预定的阈值的情况下，创建与标注好的巡检数据对应的数据集。

可选地，还包括：发布模块，用于通过训练设备发布更新后的识别模型。

可选地，发布模块包括：配置子模块，用于通过训练设备为更新后的识别模型配置访问接口；部署子模块，用于通过训练设备将配置有访问接口的更新后的识别模型部署至识别设备的本地端；和/或同步子模块，用于通过训练设备将配置有访问接口的更新后的识别模型同步至识别设备的在线端。

可选地，还包括：第二接收模块，用于通过识别设备从审核人员的终端设备接收审核信息，其中审核信息为审核人员对标注好的巡检数据进行审核产生的信息；第二发送模块，用于通过识别设备将审核信息发送至训练设备；以及第三发送模块，用于通过识别设备将审核信息发送至管理设备。

可选地，还包括：判断模块，用于通过训练设备判断训练后的识别模型是否过拟合；和/或优化模块，用于通过训练设备使用梯度下降法优化训练后的识别模型。

此外，图8示出了根据本实施例的第二个方面所述的识别巡检数据的装置800，该装置800与根据实施例1的第二个方面所述的方法相对应。参考图8所示，该装置800包括：第二接收模块810，用于通过识别设备接收巡检数据，其中巡检数据包括与待巡检对象相关的巡检图像；第二标注模块820，用于通过识别设备利用从训练设备获取的识别模型对巡检数据进行标注；以及第四发送模块830，用于通过识别设备将标注好的巡检数据发送至管理设备，由管理设备将标注好的巡检数据发送至训练设备。

此外，图9示出了根据本实施例的第三个方面所述的更新识别模型的装置900，该装置900与根据实施例1的第三个方面所述的方法相对应。参考图9所示，该装置900包括：第三接收模块910，用于通过训练设备从管理设备接收标注好的巡检数据，其中巡检数据包括与待巡检对象相关的巡检图像；以及第二更新模块920，用于通过训练设备利用标注好的巡检数据更新识别模型。

从而根据本实施例，识别设备可以从训练设备获取识别模型，并利用所获取的识别模型对巡检数据进行标注，然后训练设备利用识别设备标注好的巡检数据对识别模型进行更新迭代，不断提高识别模型的精度。基于此，识别设备还可以从训练设备获取更新后的识别模型，并利用所获取的更新后的识别模型对巡检数据进行标注，然后训练设备再利用标注好的巡检数据对识别模型进行再次更新。从而达到了自动化与智能化极高的图像处理闭环系统，基于深度学习的识别模型训练原理，不断滚动迭代巡检数据和识别模型，完成图像识别精度的不断提升。进而解决了现有技术中存在的线下训练和线上识别两个部分相互独立，没有实现标注数据更新增加和模型训练迭代更新的闭环，整个过程没有完整的服务体系的技术问题。

实施例3

图10示出了根据本实施例所述的识别巡检数据并更新识别模型的装置1000，该装置1000与根据实施例1的第一个方面所述的方法相对应。参考图10所示，该装置1000包括：第一处理器1010；以及第一存储器1020，与第一处理器1010连接，用于为第一处理器1010提供处理以下处理步骤的指令：识别设备接收巡检数据，其中巡检数据包括与待巡检对象相关的巡检图像；识别设备利用从训练设备获取的识别模型对巡检数据进行标注；以及训练设备利用标注好的巡检数据更新识别模型。

可选地，训练设备利用标注好的巡检数据更新识别模型的操作，包括：训练设备创建与标注好的巡检数据对应的数据集；训练设备将数据集分成训练集以及测试集；训练设备根据训练集训练识别模型；训练设备根据测试集对训练后的识别模型进行评估；以及训练设备根据评估的结果更新识别模型。

可选地，第一存储器1020还用于为第一处理器1010提供处理以下处理步骤的指令：识别设备将标注好的巡检数据发送至管理设备；以及管理设备将标注好的巡检数据发送至训练设备。

可选地，训练设备创建与标注好的巡检数据对应的数据集的操作，包括：训练设备从管理设备接收标注好的巡检数据；训练设备判定所接收到标注好的巡检数据是否达到预定的阈值；以及训练设备在判定所接收到标注好的巡检数据达到预定的阈值的情况下，创建与标注好的巡检数据对应的数据集。

可选地，第一存储器1020还用于为第一处理器1010提供处理以下处理步骤的指令：训练设备发布更新后的识别模型。

可选地，训练设备发布更新后的识别模型的操作，包括：训练设备为更新后的识别模型配置访问接口；训练设备将配置有访问接口的更新后的识别模型部署至识别设备的本地端；和/或训练设备将配置有访问接口的更新后的识别模型同步至识别设备的在线端。

可选地，第一存储器1020还用于为第一处理器1010提供处理以下处理步骤的指令：识别设备从审核人员的终端设备接收审核信息，其中审核信息为审核人员对标注好的巡检数据进行审核产生的信息；识别设备将审核信息发送至训练设备；以及识别设备将审核信息发送至管理设备。

可选地，第一存储器1020还用于为第一处理器1010提供处理以下处理步骤的指令：训练设备判断训练后的识别模型是否过拟合；和/或训练设备使用梯度下降法优化训练后的识别模型。

进一步地，图11示出了根据本实施例的第二个方面所述的识别巡检数据的装置1100，该装置1100与根据实施例1的第二个方面所述的方法相对应。参考图11所示，该装置1100包括：第二处理器1110；以及第二存储器1120，与第二处理器1110连接，用于为第二处理器1110提供处理以下处理步骤的指令：识别设备接收巡检数据，其中巡检数据包括与待巡检对象相关的巡检图像；识别设备利用从训练设备获取的识别模型对巡检数据进行标注；以及识别设备将标注好的巡检数据发送至管理设备，由管理设备将标注好的巡检数据发送至训练设备。

此外，图12示出了根据本实施例的第三个方面所述的更新识别模型的装置1200，该装置1200与根据实施例1的第三个方面所述的方法相对应。参考图12所示，该装置1200包括：第三处理器1210；以及第三存储器1220，与第三处理器1210连接，用于为第三处理器1210提供处理以下处理步骤的指令：训练设备从管理设备接收标注好的巡检数据，其中巡检数据包括与待巡检对象相关的巡检图像；以及训练设备利用标注好的巡检数据更新识别模型。

从而根据本实施例，识别设备可以从训练设备获取识别模型，并利用所获取的识别模型对巡检数据进行标注，然后训练设备利用识别设备标注好的巡检数据对识别模型进行更新迭代，不断提高识别模型的精度。基于此，识别设备还可以从训练设备获取更新后的识别模型，并利用所获取的更新后的识别模型对巡检数据进行标注，然后训练设备再利用标注好的巡检数据对识别模型进行再次更新。从而达到了自动化与智能化极高的图像处理闭环系统，基于深度学习的识别模型训练原理，不断滚动迭代巡检数据和识别模型，完成图像识别精度的不断提升。进而解决了现有技术中存在的线下训练和线上识别两个部分相互独立，没有实现标注数据更新增加和模型训练迭代更新的闭环，整个过程没有完整的服务体系的技术问题。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，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信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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，在本发明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全部或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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种识别巡检数据并更新识别模型的方法，其特征在于，包括：

识别设备接收巡检数据，其中所述巡检数据包括与待巡检对象相关的巡检图像；

所述识别设备利用从训练设备获取的识别模型对所述巡检数据进行标注；以及

所述训练设备利用标注好的所述巡检数据更新所述识别模型。

2.根据权利要求1所述的方法，其特征在于，所述训练设备利用标注好的所述巡检数据更新所述识别模型的操作，包括：

所述训练设备创建与标注好的所述巡检数据对应的数据集；

所述训练设备将所述数据集分成训练集以及测试集；

所述训练设备根据所述训练集训练所述识别模型；

所述训练设备根据所述测试集对训练后的所述识别模型进行评估；以及

所述训练设备根据所述评估的结果更新所述识别模型。

3.根据权利要求2所述的方法，其特征在于，还包括：

所述识别设备将标注好的所述巡检数据发送至管理设备；以及

所述管理设备将标注好的所述巡检数据发送至所述训练设备。

4.根据权利要求3所述的方法，其特征在于，所述训练设备创建与标注好的所述巡检数据对应的数据集的操作，包括：

所述训练设备从所述管理设备接收标注好的所述巡检数据；

所述训练设备判定所接收到标注好的所述巡检数据是否达到预定的阈值；以及

所述训练设备在判定所接收到标注好的所述巡检数据达到预定的阈值的情况下，创建与标注好的所述巡检数据对应的数据集。

5.根据权利要求4所述的方法，其特征在于，还包括：所述训练设备发布更新后的所述识别模型。

6.根据权利要求5所述的方法，其特征在于，所述训练设备发布更新后的所述识别模型的操作，包括：

所述训练设备为更新后的所述识别模型配置访问接口；

所述训练设备将配置有访问接口的更新后的所述识别模型部署至所述识别设备的本地端；和/或

所述训练设备将配置有访问接口的更新后的所述识别模型同步至所述识别设备的在线端。

7.根据权利要求6所述的方法，其特征在于，还包括：

所述识别设备从审核人员的终端设备接收审核信息，其中所述审核信息为所述审核人员对标注好的所述巡检数据进行审核产生的信息；

所述识别设备将所述审核信息发送至所述训练设备；以及

所述识别设备将所述审核信息发送至所述管理设备。

8.根据权利要求6所述的方法，其特征在于，还包括：

所述训练设备判断训练后的所述识别模型是否过拟合；和/或

所述训练设备使用梯度下降法优化训练后的所述识别模型。

9.一种识别巡检数据的方法，其特征在于，包括：

识别设备接收巡检数据，其中所述巡检数据包括与待巡检对象相关的巡检图像；

所述识别设备利用从训练设备获取的识别模型对所述巡检数据进行标注；以及

所述识别设备将标注好的所述巡检数据发送至管理设备，由所述管理设备将标注好的所述巡检数据发送至所述训练设备。

10.一种更新识别模型的方法，其特征在于，包括：

训练设备从管理设备接收标注好的巡检数据，其中所述巡检数据包括与待巡检对象相关的巡检图像；以及

所述训练设备利用标注好的所述巡检数据更新所述识别模型。