CN111062448B - 设备类型的识别模型训练方法、设备类型识别方法和装置 - Google Patents
设备类型的识别模型训练方法、设备类型识别方法和装置 Download PDFInfo
- Publication number
- CN111062448B CN111062448B CN201911362152.5A CN201911362152A CN111062448B CN 111062448 B CN111062448 B CN 111062448B CN 201911362152 A CN201911362152 A CN 201911362152A CN 111062448 B CN111062448 B CN 111062448B
- Authority
- CN
- China
- Prior art keywords
- image data
- equipment
- type
- model
- lstm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000013598 vector Substances 0.000 claims abstract description 92
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 description 88
- 238000012545 processing Methods 0.000 description 12
- 238000013461 design Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种设备类型的识别模型训练方法、设备类型识别方法和装置，所述方法包括：获取不同类型的设备的样本图像；对所述样本图像中的设备进行标记，得到标记后的样本图像；将所述标记后的样本图像输入至设备类型的识别模型中的FCN模型中进行训练，得到训练好的FCN模型；将所述样本图像输入到所述训练好的FCN模型中进行设备图像提取，得到所述样本图像中的设备图像数据；利用所述设备图像数据对所述设备类型的识别模型中的LSTM‑CNN模型中进行训练，得到训练好的LSTM‑CNN模型，其中，所述训练好的LSTM‑CNN模型，用于确定输入的设备图像数据的特征向量，继而能够利用训练好的设备类型的识别模型实现对对设备类型的准确识别。
Description
技术领域
本申请涉及图像处理技术领域，具体而言，涉及一种设备类型的识别模型训练方法、设备类型识别方法和装置。
背景技术
随着电网规模的不断扩大，配电网采用的电气二次设备可能属于不同的不同类型，配电网中的二次设备种类繁多，然而，在实际应用中，由于二次设备的使用时间过长等因素，势必会导致二次设备类型信息缺失，因此，无法依靠人工来准确的识别二次设备的类型。在这种情况下，势必会给电网设备的运行状态监视评估带来较大的困难。
申请内容
鉴于此，本申请实施例的目的在于提供一种设备类型的识别模型训练方法、设备类型识别方法和装置，以实现对对设备类型的准确识别。
第一方面，本申请实施例提供一种设备类型的识别模型训练方法，所述方法包括：获取不同类型的设备的样本图像；对所述样本图像中的设备进行标记，得到标记后的样本图像；将所述标记后的样本图像输入至设备类型的识别模型中的FCN模型中进行训练，得到训练好的FCN模型；将所述样本图像输入到所述训练好的FCN模型中进行设备图像提取，得到所述样本图像中的设备图像数据；利用所述设备图像数据对所述设备类型的识别模型中的LSTM-CNN模型中进行训练，得到训练好的LSTM-CNN模型；其中，所述训练好的LSTM-CNN模型，用于确定输入的设备图像数据的特征向量。
在上述实现过程中，通过对不同类型的设备的样本图像中的设备进行标记，并利用标记后的图像数据来训练设备类型的识别模型中的FCN模型，以使训练好的FCN模型能够准确的从待识别的图像和样本图像中提取出设备的图像数据，利用所述样本图像中提取出的设备的图像数据对所述设备类型的识别模型中的LSTM-CNN模型进行训练，以使训练好的LSTM-CNN模型能够确定出和待识别设备的图像对应的特征向量，继而在需要进行设备类型识别时，能够根据所述待识别的设备的特征向量和预先获取到的各种类型的设备的图像的特征向量，快速准确的确定出所述待识别的设备的类型。
基于第一方面，在一种可能的设计中，利用所述设备图像数据对所述设备类型的识别模型中的LSTM-CNN模型中进行训练包括：针对所述设备图像数据中的每种类型的设备的多张第一设备图像数据，将所述多张第一设备图像数据划分为M组设备图像数据；其中，每组设备图像数据中包括N张设备图像的图像数据；M为大于等于2的正整数；N为大于等于2，且小于等于所述LSTM-CNN模型中LSTM单元的数量的正整数；不同组设备图像数据的数量N可以不同，也可以相同；针对该种类型的设备的M组设备图像数据，从所述M组设备图像数据中任意选取一组设备图像数据作为该种类型设备的参考数据；利用每种类型的设备的每组设备图像数据和与该种类型的设备对应的参考数据训练所述LSTM-CNN模型中的模型参数，得到所述训练好的LSTM-CNN模型。
在上述实现过程中，通过将每种类型的设备的多张第一设备图像数据划分多组设备图像数据，继而利用每种类型的每组设备图像数据和与该种类型的设备对应的参考数据来训练所述LSTM-CNN模型中的模型参数，通过将样本图像分为若干组，分组来训练所述LSTM-CNN模型中的模型参数，与现有技术中利用每一个样本进行一次参数更新相比，模型参数的更新方向比较稳定，与现有技术中利用全部数据集来进行每次模型参数的更新，计算开销也相对较小。
基于第一方面，在一种可能的设计中，利用每种类型的设备的每组设备图像数据和与该种类型的设备对应的参考数据训练所述LSTM-CNN模型中的模型参数，包括：针对每组设备图像数据，确定出该组设备图像数据中包括的设备图像的数量与所述LSTM-CNN模型中LSTM单元的数量的差值；在所述差值不为零时，将该组设备图像数据的后面添加元素零，得到一组处理后的设备图像数据；其中，所述元素零的个数为所述差值与该组图像数据中的一张设备图像数据的数据量的积；利用每种类型的设备的每组处理后的设备图像数据和与该种类型的设备对应的参考数据训练所述LSTM-CNN模型中的模型参数。
在上述实现过程中，针对每组设备图像数据，在该组设备图像数据中包括的设备图像数量少于所述LSTM-CNN模型中LSTM单元的数量时，通过补零的方式对该组设备图像数据进行处理，以使处理后的图像数据的数据量与所述LSTM-CNN模型中LSTM单元的数量匹配，以对所述LSTM-CNN模型中的每个LSTM单元的模型参数进行训练，以使训练好的LSTM-CNN模型能够更准确的识别出设备的类型。
基于第一方面，在一种可能的设计中，利用所述设备图像数据对所述设备类型的识别模型中的LSTM-CNN模型中进行训练，得到训练好的LSTM-CNN模型，包括：利用所述设备图像数据和梯度下降算法对所述LSTM-CNN模型进行训练，得到所述训练好的LSTM-CNN模型。
在上述实现过程中，利用梯度下降算法对所述训练好的LSTM-CNN模型，对模型参数的初始值的选取要求不高，计算量不大。
第二方面，本申请实施例提供一种设备类型识别方法，所述方法包括：获取待识别的图像数据；将所述待识别的图像数据输入到利用如第一方面所述的方法训练好的设备类型的识别模型中的FCN模型中，得到所述待识别的图像数据中的待识别的设备的图像数据；将所述待识别的设备的图像数据输入到所述训练好的设备类型的识别模型中的LSTM-CNN模型中，得到与所述待识别的设备的图像数据对应的第一特征向量；从预先确定的多种类型的设备的特征向量中确定出与所述第一特征向量匹配的特征向量；确定所述匹配的特征向量对应的设备类型为所述待识别设备的类型。
在上述实现过程中，将所述待识别的图像数据输入到训练好的设备类型的识别模型中，得到与待识别的设备的图像数据对应的第一特征向量，继而通过将所述第一特征向量与预先确定的多种类型的设备的特征向量进行匹配，确定所述匹配的特征向量对应的设备类型为所述待识别设备的类型，继而实现对设备类型的准确识别。
基于第二方面，在一种可能的设计中，确定所述多种类型的设备的特征向量的步骤包括：针对所述多种类型的设备的每种类型的设备，获取该种类型的设备的图像数据；将该种类型的设备的图像数据输入到利用如第一方面所述的方法训练好的设备类型的识别模型中，得到与该种类型设备的图像数据对应的特征向量；其中，所述对应的特征向量为该种类型的设备的特征向量。
由于设备类型的识别模型可能会不断更新，在模型更新后，利用更新后的模型确定出的设备图像的特征向量也可能会发生变化，因此，在上述实现过程中，通过上述方式，针对每种类型的设备，通过将该种类型的设备的图像数据输入到训练好的设备类型的识别模型中，能够得到与该种类型的设备的图像数据更匹配的特征向量。
第三方面，本申请实施例提供一种设备类型的识别模型训练装置，所述装置包括：样本图像获取单元，用于获取不同类型的设备的样本图像；标记单元，用于对所述样本图像中的设备进行标记，得到标记后的样本图像；第一训练单元，用于将所述标记后的样本图像输入至设备类型的识别模型中的FCN模型中进行训练，得到训练好的FCN模型；设备图像提取单元，用于将所述样本图像输入到所述训练好的FCN模型中进行设备图像提取，得到所述样本图像中的设备图像数据；第二训练单元，用于利用所述设备图像数据对所述设备类型的识别模型中的LSTM-CNN模型中进行训练，得到训练好的LSTM-CNN模型；其中，所述训练好的LSTM-CNN模型，用于确定输入的设备图像数据的特征向量。
基于第三方面，在一种可能的设计中，所述第二训练单元，包括：分组单元，用于针对所述设备图像数据中的每种类型的设备的多张第一设备图像数据，将所述多张第一设备图像数据划分为M组设备图像数据；其中，每组设备图像数据中包括N张设备图像的图像数据；M为大于等于2的正整数；N为大于等于2，且小于等于所述LSTM-CNN模型中LSTM单元的数量的正整数；不同组设备图像数据的数量N可以不同，也可以相同；选取单元，用于针对该种类型的设备的M组设备图像数据，从所述M组设备图像数据中任意选取一组设备图像数据作为该种类型设备的参考数据；训练子单元，用于利用每种类型的设备的每组设备图像数据和与该种类型的设备对应的参考数据训练所述LSTM-CNN模型中的模型参数，得到所述训练好的LSTM-CNN模型。
基于第三方面，在一种可能的设计中，所述训练子单元，具体用于针对每组设备图像数据，确定出该组设备图像数据中包括的设备图像的数量N与所述LSTM-CNN模型中LSTM单元的数量的差值；在所述差值不为零时，将该组设备图像数据的后面添加元素零，得到一组处理后的设备图像数据；其中，所述元素零的个数为所述差值与该组图像数据中的一张设备图像数据的数据量的积；以及利用每种类型的设备的每组处理后的设备图像数据和与该种类型的设备对应的参考数据训练所述LSTM-CNN模型中的模型参数。
基于第三方面，在一种可能的设计中，所述第二训练单元，具体用于利用所述设备图像数据和梯度下降算法对所述LSTM-CNN模型进行训练，得到所述训练好的LSTM-CNN模型。
第四方面，本申请实施例提供一种设备类型识别装置，所述装置包括：获取单元，用于获取待识别的图像数据；提取单元，用于将所述待识别的图像数据输入到利用如第一方面所述的训练方法训练好的设备类型的识别模型中的FCN模型中，得到所述待识别的图像数据中的待识别的设备的图像数据；特征向量确定单元，用于将所述待识别的设备的图像数据输入到所述训练好的设备类型的识别模型中的LSTM-CNN模型中，得到与所述待识别的设备的图像数据对应的第一特征向量；匹配单元，用于从预先确定的多种类型的设备的特征向量中确定出与所述第一特征向量匹配的特征向量；类型确定单元，用于确定所述匹配的特征向量对应的设备类型为所述待识别设备的类型。
基于第四方面，在一种可能的设计中，确定所述多种类型的设备的特征向量的步骤包括：针对所述多种类型的设备的每种类型的设备，获取该种类型的设备的图像数据；将该种类型的图像数据输入到利用如第一方面所述的训练方法训练好的设备类型的识别模型中，得到与该种类型设备的图像数据对应的特征向量；其中，所述对应的特征向量为该种类型的设备的特征向量。
第五方面，本申请实施例提供一种电子设备，包括处理器以及与所述处理器连接的存储器，所述存储器内存储计算机程序，当所述计算机程序被所述处理器执行时，使得所述电子设备执行第一方面或第二方面所述的方法。
第六方面，本申请实施例提供一种存储介质，所述存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行第一方面或第二方面所述的方法。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的设备类型的识别模型训练方法的流程图。
图2为本申请实施例提供的设备类型识别方法的流程图。
图3为本申请实施例提供的设备类型的识别模型训练装置的结构示意图。
图4为本申请实施例提供的设备类型识别装置的结构示意图。
图5为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1为本申请实施例提供的一种设备类型的识别模型训练方法的流程图，所述方法包括：S100、S200、S300、S400以及S500。
S100：获取不同类型的设备的样本图像。
S200：对所述样本图像中的设备进行标记，得到标记后的样本图像。
S300：将所述标记后的样本图像输入至设备类型的识别模型中的FCN模型中进行训练，得到训练好的FCN模型。
S400：将所述样本图像输入到所述训练好的FCN模型中进行设备图像提取，得到所述样本图像中的设备图像数据。
S500：利用所述设备图像数据对所述设备类型的识别模型中的LSTM-CNN模型中进行训练，得到训练好的LSTM-CNN模型；其中，所述训练好的LSTM-CNN模型，用于确定输入的设备图像数据的特征向量。
下面对上述方法进行详细介绍。
其中，在本申请实施例中，所述设备为电网设备，在其他实施例中，所述设备也可以为其他设备。
在实际实施过程中，S100可以按照如下方式实施，针对电网设备，对市场上出现的不同类型的电网设备，针对每种类型的电网设备，可以利用摄像头现场拍摄安装在不同地理区域的电网设备，以得到不同类型的电网设备的红外图像，并将其作为样本图像，也可以从不同厂家处直接获取不同类型的电网设备的红外图像，并将其作为样本图像。其中，每种类型的电网设备的样本图像数量为多张。
其中，一张样本图像中可以包括一个电网设备的图像，也可以包括两个或多个电网设备的图像。一张样本图像中可以包括一种类型的电网设备的图像，也可以包括两种或多种类型的电网设备的图像。
在获取到不同类型的设备的样本图像之后，执行S200。
S200：对所述样本图像中的设备进行标记，得到标记后的样本图像。
在获取到不同类型的样本图像之后，可以将所述样本图像划分为训练集，验证集和测试集，也可以只将所述样本图像划分为训练集和测试集。其中，训练集中包括的样本图像的数量远大于验证集和测试集。
其中，训练集，用于训练模型；验证集，用于在每一次迭代训练完成后，测试一次该模型训练的效果，若训练效果不佳，则更新模型参数。测试集，用于测试模型的检测准确性。
由于每张样本图像中不仅包括电网设备的图像，也包括背景图像，因此，为了能够使得训练好的全卷积网络(Fully Convolutional Network，FCN)模型能够从图像数据中提取出电网设备的图像数据，则需要对训练集中的每张样本图像中的电网设备进行标记，以标记所述电网设备在所述样本图像中所处的位置，继而将电网设备的图像与所述背景图像进行区分，得到标记后的样本图像，其中，在申请实施例中，可以利用不同颜色来对电网设备和背景进行标记，其中，同一种类型的电网设备的颜色标记相同，不同种类型的电网设备的颜色标记可以相同，也可以不同，在其他实施例中，也可以采用其他方式对电网设备和背景进行标记。
在获取到标记后的样本图像之后，执行S300。
S300：将所述标记后的样本图像输入至设备类型的识别模型中的FCN模型中进行训练，得到训练好的FCN模型。
将所述标记后的样本图像输入至所述FCN模型中，所述FCN模型基于所述标记后的图像数据中的标记，确定出电网设备在所述标记后的图像数据中的位置信息，继而基于所述位置信息对所述标记后的图像数据进行图像分割，提取出所述电网设备的图像数据，以对所述FCN模型中的参数进行训练，以使训练好的FCN模型能够从包括电网设备和背景的图像数据中提出只包括电网设备的图像数据。
其中，训练所述FCN模型的具体实施方式为本领域熟知技术，因此，在此不再赘述。
在获取到了所述训练好的FCN模型之后，执行S400。
S400：将所述样本图像输入到所述训练好的FCN模型中进行设备图像提取，得到所述样本图像中的设备图像数据。
针对所述样本图像中的每张样本图像，将该张样本图像输入到所述训练好的FCN模型中，所述训练好的FCN模型对该张样本图像进行图像分割，提出该张样本图像中的电网设备的图像数据。可以理解的是，电网设备的图像数据包括每个像素点的值和像素点的位置。
在获取到了所述样本图像中的设备图像数据之后，执行S500。
S500：利用所述设备图像数据对所述设备类型的识别模型中的LSTM-CNN模型中进行训练，得到训练好的LSTM-CNN模型。
作为一种实施方式，S500包括步骤：A1、A2和A3。
A1：针对所述设备图像数据中的每种类型的设备的多张第一设备图像数据，将所述多张第一设备图像数据划分为M组设备图像数据；每组设备图像数据中包括N张设备图像的图像数据；其中，M为大于等于2的正整数；N为大于等于2，且小于等于所述长期短记忆模型-卷积神经网络(Long-Short Term Memory-Convolutional Neural Networks，LSTM-CNN)模型中LSTM单元的数量的正整数；不同组设备图像数据的数量N可以不同，也可以相同。
在获取到了所述设备图像数据之后，针对每种类型的多张第一设备图像数据，根据所述LSTM-CNN模型中LSTM单元的数量将所述多张第一设备图像数据进行分组，得到M组设备图像数据，以使每组设备图像数据中包括N张设备图像的图像数据，其中，M为大于等于2的正整数，N为大于等于2，且小于等于所述LSTM-CNN模型中LSTM单元的数量的正整数。其中，不同组设备图像数据的N可以相同，也可以不同。
在获取到了该种类型的M组设备图像数据之后，执行A2。
A2：针对该种类型的设备的M组设备图像数据，从所述M组设备图像数据中任意选取一组设备图像数据作为该种类型设备的参考数据。
A3：利用每种类型的设备的每组设备图像数据和与该种类型的设备对应的参考数据训练所述LSTM-CNN模型中的模型参数，得到所述训练好的LSTM-CNN模型。
针对每种类型的每组设备图像数据，针对该组设备图像数据中的每张设备图像的图像数据，基于该张图像数据中的各个像素点在该张图像中的位置，将该张图像中的像素点进行编号，得到数据w，该元素在数据w中的位置为所述编号，其中，每个像素点的位置与编号是一一对应，针对同一类型的每张设备图像，均采用同样的方式进行编号，继而得到由该组设备图像数据对应的全部w构成的数据y。其中，由于像素点的位置与编号是一一对应，继而根据矩阵中的元素的值和元素的编号就能得到每张电网设备的图像。
在确定出每组设备图像数据对应的数据y之后，将y输入到所述LSTM-CNN模型中的Embedding层进行向量化，将数据y中的每张图像的图像数据转换成一个向量。
在将y中的每张图像的图像数据转换成一个向量之后，将第i张图像对应的向量输入到所述LSTM-CNN模型中的第s个LSTM单元中进行处理，得到第i个处理结果，继而将所述第i个处理结果和所述第i+1张图像对应的向量输入到与所述第s个LSTM单元输出端连接的第s+1个LSTM单元，其中，i＝1,2,…,N。s＝1,2,…,S。其中，S为所述LSTM-CNN模型中的LSTM单元的数量。
将每个LSTM单元的输出结果输入到所述LSTM-CNN模型中的第一DropOut层进行处理，将所述第一DropOut层输出的处理结果输入到所述LSTM-CNN模型中的Conv卷积层进行卷积处理之后，利用ReLU激活函数将卷积层输出的结果进行处理之后，将利用ReLU激活函数处理之后的数据输入到所述LSTM-CNN模型中的第二DropOut层处理之后，将所述第二DropOut层输出的结果输入到所述LSTM-CNN模型中的SoftMax层处理后得到数据y’。
将所述数据y’和所述数据y输入到损失函数中，得到损失值Cost(y',y)。其中，所述损失函数为：Cost(y',y)＝-ylog(y')+(1-y)log(1-y')。
在所述损失值大于预设损失值时，对所述LSTM-CNN模型中的当前模型参数进行更新，得到更新后的LSTM-CNN模型。
将下一组图像数据对应的数据y输入到所述更新后的LSTM-CNN模型中，输出新的数据y’，利用新的数据y’和与所述下一组图像数据对应的参考数据确定出新的损失值，在所述新的损失值大于所述预设损失值时，对所述更新后的LSTM-CNN模型中的参数进行再次更新，得到再次更新后的LSTM-CNN模型，直到损失值小于等于预设值时，结束模型的参数的更新，或者直到模型中的参数的更新次数达到预设更新次数时，结束模型的参数更新，将最后一次获取到的模型参数作为LSTM-CNN模型的参数，得到训练好的LSTM-CNN模型。
作为一种实施方式，A3包括步骤：A31、A32和A33。
A31：针对每组设备图像数据，确定出该组设备图像数据中包括的设备图像的数量N与所述LSTM-CNN模型中LSTM单元的数量L的差值。
A32：在所述差值不为零时，将该组设备图像数据的后面添加元素零，得到一组处理后的设备图像数据；其中，所述元素零的个数为所述差值与该组图像数据中的一张设备图像数据量的积。
在所述差值不为零时，表征该组设备图像数据中包括的设备图像的数量N小于所述LSTM-CNN模型中LSTM单元的数量L，确定出所述一组图像数据中的任意一张图像的像素点的数量和所述差值的积，继而在该组设备图像数据对应的数据y之后添加个数与所述积相等的元素零，得到一组处理后的设备图像数据。
其中，所述处理后的设备图像数据为步骤A3中的设备图像数据。
在其他实施例中，也可以采用其他方式训练所述设备类型的识别模型。
作为一种实施方式，S500包括：利用所述设备图像数据和梯度下降算法对所述LSTM-CNN模型进行训练，得到所述训练好的LSTM-CNN模型。
在利用所述设备图像数据对所述LSTM-CNN模型进行训练时，利用所述梯度下降算法对所述LSTM-CNN模型中的参数进行更新，得到所述训练好的LSTM-CNN模型。
其中，在本申请实施例中，所述梯度下降算法为Adam梯度下降算法，在其他实施例中，所述梯度下降算法也可以为其他算法。
在所述类型识别模型训练好之后，即可使用该模型对待识别图像中的设备类型进行识别，请参照图2，图2为本申请实施例提供的一种设备类型识别方法的流程示意图，所述方法包括步骤：S10、S20、S30、S40以及S50。
S10：获取待识别的图像数据。
S20：将所述待识别的图像数据输入到利用如上述实施例所述的训练方法训练好的设备类型的识别模型中的FCN模型中，得到所述待识别的图像数据中的待识别的设备的图像数据。
S30：将所述待识别的设备的图像数据输入到所述训练好的设备类型的识别模型中的LSTM-CNN模型中，得到与所述待识别的设备的图像数据对应的第一特征向量。
将所述待识别的设备的图像数据输入到所述训练好的设备类型的识别模型中的LSTM-CNN模型中，所述LSTM-CNN模型对所述待识别的设备的图像数据进行特征提取，得到表征所述待识别的设备的图像数据的类型的第一特征向量。
S40：从预先确定的多种类型的设备的特征向量中确定出与所述第一特征向量匹配的特征向量。
确定所述第一特征向量与所述预先确定的多种类型的设备的特征向量中的每个特征向量的相似度，将与相似度值最大的特征向量作为所述匹配的特征向量。
其中，确定所述多种类型的设备的特征向量的步骤包括：B1和B2。
B1：针对所述多种类型的设备的每种类型的设备，获取该种类型的设备的图像数据。
B2：将该种类型的图像数据输入到利用如上述实施例任一项所述的训练方法训练好的设备类型的识别模型中，得到与该种类型设备的图像数据对应的特征向量；其中，所述对应的特征向量为该种类型的设备的特征向量。
将该种类型的图像数据中的任意一张设备图像的图像数据输入到利用如上述实施例任一项所述的训练方法训练好的设备类型的识别模型中，得到与该张设备图像的图像数据对应的第一特征向量，其中，所述对应的第一特征向量为所述对应的特征向量。
作为一种实施方式，将该种类型的图像数据中的多张设备图像的图像数据分别输入到训练好的设备类型的识别模型中，得到多个第一特征向量；确定所述多个第一特征向量的均值为所述对应的特征向量。
作为一种实施方式，可以在利用各种类型的设备的样本图像训练好所述类型识别模型时获取所述多种类型的设备的特征向量。
S50：确定所述匹配的特征向量对应的设备类型为所述待识别设备的类型。
从预先确定的特征向量与设备类型的对应关系中，查找出与所述匹配的特征向量对应的设备类型，确定所述对应的设备类型为所述待识别设备的类型。
请参照图3，图3为本申请实施例提供的一种设备类型的识别模型训练装置，所述装置包括：
样本图像获取单元410，用于获取不同类型的设备的样本图像。
标记单元420，用于对所述样本图像中的设备进行标记，得到标记后的样本图像。
第一训练单元430，用于将所述标记后的样本图像输入至设备类型的识别模型中的FCN模型中进行训练，得到训练好的FCN模型。
设备图像提取单元440，用于将所述样本图像输入到所述训练好的FCN模型中进行设备图像提取，得到所述样本图像中的设备图像数据。
第二训练单元450，用于利用所述设备图像数据对所述设备类型的识别模型中的LSTM-CNN模型中进行训练，得到训练好的LSTM-CNN模型；其中，所述训练好的LSTM-CNN模型，用于确定与所述设备图像数据对应的特征向量。
作为一种实施方式，所述第二训练单元450，包括：分组单元，用于针对所述设备图像数据中的每种类型的设备的多张第一设备图像数据，将所述多张第一设备图像数据划分为M组设备图像数据；其中，每组设备图像数据中包括N张设备图像的图像数据；M为大于等于2的正整数；N为大于等于2，且小于等于所述LSTM-CNN模型中LSTM单元的数量的正整数；选取单元，用于针对该种类型的设备的M组设备图像数据，从所述M组设备图像数据中任意选取一组设备图像数据作为该种类型设备的参考数据；训练子单元，用于利用每种类型的设备的每组设备图像数据和与该种类型的设备对应的参考数据训练所述LSTM-CNN模型中的模型参数，得到所述训练好的LSTM-CNN模型。
作为一种实施方式，所述训练子单元，具体用于针对每组设备图像数据，确定出该组设备图像数据中包括的设备图像的数量N与所述LSTM-CNN模型中LSTM单元的数量的差值；在所述差值不为零时，将该组设备图像数据的后面添加元素零，得到一组处理后的设备图像数据；其中，所述元素零的个数为所述差值与该组图像数据中的一张设备图像数据量的积；以及利用每种类型的设备的每组处理后的设备图像数据和与该种类型的设备对应的参考数据训练所述LSTM-CNN模型中的模型参数。
作为一种实施方式，所述第二训练单元450，具体用于利用所述设备图像数据和梯度下降算法对所述LSTM-CNN模型进行训练，得到所述训练好的LSTM-CNN模型。
请参照图4，图4为本申请实施例提供的一种设备类型识别装置，所述装置包括：
获取单元510，用于获取待识别的图像数据。
提取单元520，用于将所述待识别的图像数据输入到利用如第一方面所述的训练方法训练好的设备类型的识别模型中的FCN模型中，得到所述待识别的图像数据中的待识别的设备的图像数据。
特征向量确定单元530，用于将所述待识别的设备的图像数据输入到所述训练好的设备类型的识别模型中的LSTM-CNN模型中，得到与所述待识别的设备的图像数据对应的第一特征向量。
匹配单元540，用于从预先确定的多种类型的设备的特征向量中确定出与所述第一特征向量匹配的特征向量；
类型确定单元550，用于确定所述匹配的特征向量对应的设备类型为所述待识别设备的类型。
作为一种实施方式，确定所述多种类型的设备的特征向量的步骤包括：针对所述多种类型的设备的每种类型的设备，获取该种类型的设备的图像数据；将该种类型的图像数据输入到利用如第一方面所述的训练方法训练好的设备类型的识别模型中，得到与该种类型设备的图像数据对应的特征向量；其中，所述对应的特征向量为该种类型的设备的特征向量。
本实施例对的各功能单元实现各自功能的过程，请参见上述图1-图2所示实施例中描述的内容，此处不再赘述。
请参照图5，本申请实施例提供一种电子设备100，所述电子设备100可以为个人电脑(personal computer，PC)、平板电脑、智能手机、个人数字助理(personal digitalassistant，PDA)等。
电子设备100可以包括：存储器102、处理器101和通信总线，通信总线用于实现这些组件的连接通信。
存储器102用于存储本申请实施例提供的不同类型的设备的样本图像，FCN模型，LSTM-CNN模型，设备类型的识别模型训练方法，设备类型识别方法和装置对应的计算程序指令等各种数据，其中，存储器102可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。
处理器101用于获取不同类型的设备的样本图像；对所述样本图像中的设备进行标记，得到标记后的样本图像；将所述标记后的样本图像输入至设备类型的识别模型中的FCN模型中进行训练，得到训练好的FCN模型；将所述样本图像输入到所述训练好的FCN模型中进行设备图像提取，得到所述样本图像中的设备图像数据；利用所述设备图像数据对所述设备类型的识别模型中的LSTM-CNN模型中进行训练，得到训练好的LSTM-CNN模型；其中，所述训练好的LSTM-CNN模型，用于确定与所述设备图像数据对应的特征向量。
其中，处理器101可能是一种集成电路芯片，具有信号的处理能力。上述的处理器101可以是通用处理器101，包括中央处理器101(Central Processing Unit，CPU)、网络处理器101(Network Processor，NP)等；还可以是数字信号处理器101(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器101可以是微处理器101或者该处理器101也可以是任何常规的处理器101等。
此外，本申请实施例还提供了一种存储介质，在该存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行本申请任一项实施方式所提供的方法。
综上所述，本申请各实施例提出的设备类型的识别模型训练方法、设备类型识别方法和装置，通过对不同类型的设备的样本图像中的设备进行标记，并利用标记后的图像数据来训练设备类型的识别模型中的FCN模型，以使训练好的FCN模型能够准确的从待识别的图像和样本图像中提取出设备的图像数据，利用所述样本图像中提取出的设备的图像数据来训对所述设备类型的识别模型中的LSTM-CNN模型进行训练，以使训练好的LSTM-CNN模型能够确定出与每种类型的设备的图像对应的特征向量和待识别设备的图像对应的特征向量，继而能够根据所述待识别的设备的特征向量和各种类型的设备的图像的特征向量，准确的确定出所述待识别的设备的类型。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (8)
1.一种设备类型的识别模型训练方法，其特征在于，所述方法包括：
获取不同类型的设备的样本图像；
对所述样本图像中的设备进行标记，得到标记后的样本图像；
将所述标记后的样本图像输入至设备类型的识别模型中的FCN模型中进行训练，得到训练好的FCN模型；
将所述样本图像输入到所述训练好的FCN模型中进行设备图像提取，得到所述样本图像中的设备图像数据；
利用所述设备图像数据对所述设备类型的识别模型中的LSTM-CNN模型进行训练，得到训练好的LSTM-CNN模型；其中，所述训练好的LSTM-CNN模型，用于确定输入的设备图像数据的特征向量；
利用所述设备图像数据对所述设备类型的识别模型中的LSTM-CNN模型进行训练，包括：
针对所述设备图像数据中的每种类型的设备的多张第一设备图像数据，将所述多张第一设备图像数据划分为M组设备图像数据；其中，每组设备图像数据中包括N张设备图像数据；M为大于等于2的正整数；N为大于等于2，且小于等于所述LSTM-CNN模型中LSTM单元的数量的正整数；
针对该种类型的设备的M组设备图像数据，从所述M组设备图像数据中任意选取一组设备图像数据作为该种类型设备的参考数据；
利用每种类型的设备的每组设备图像数据和与该种类型的设备对应的参考数据训练所述LSTM-CNN模型中的模型参数，得到所述训练好的LSTM-CNN模型；
所述利用每种类型的设备的每组设备图像数据和与该种类型的设备对应的参考数据训练所述LSTM-CNN模型中的模型参数，包括：
针对每组设备图像数据，确定出该组设备图像数据中包括的设备图像的数量N与所述LSTM-CNN模型中LSTM单元的数量的差值；
在所述差值不为零时，将该组设备图像数据的后面添加元素零，得到一组处理后的设备图像数据；其中，所述元素零的个数为所述差值与该组图像数据中的一张设备图像数据的数据量的积；
利用每种类型的设备的每组处理后的设备图像数据和与该种类型的设备对应的参考数据训练所述LSTM-CNN模型中的模型参数。
2.根据权利要求1所述的方法，其特征在于，利用所述设备图像数据对所述设备类型的识别模型中的LSTM-CNN模型中进行训练，得到训练好的LSTM-CNN模型，包括：
利用所述设备图像数据和梯度下降算法对所述LSTM-CNN模型进行训练，得到所述训练好的LSTM-CNN模型。
3.一种设备类型识别方法，其特征在于，所述方法包括：
获取待识别的图像数据；
将所述待识别的图像数据输入到利用如权利要求1-2任一权项所述的训练方法训练好的设备类型的识别模型中的FCN模型中，得到所述待识别的图像数据中的待识别的设备的图像数据；
将所述待识别的设备的图像数据输入到所述训练好的设备类型的识别模型中的LSTM-CNN模型中，得到与所述待识别的设备的图像数据对应的第一特征向量；
从预先确定的多种类型的设备的特征向量中确定出与所述第一特征向量匹配的特征向量；
确定所述匹配的特征向量对应的设备类型为所述待识别设备的类型。
4.根据权利要求3所述的方法，其特征在于，确定所述多种类型的设备的特征向量的步骤包括：
针对所述多种类型的设备的每种类型的设备，获取该种类型的设备的图像数据；
将该种类型的图像数据输入到利用如权利要求1-3任一项所述的训练方法训练好的设备类型的识别模型中，得到与该种类型设备的图像数据对应的特征向量；其中，所述对应的特征向量为该种类型的设备的特征向量。
5.一种设备类型的识别模型训练装置，其特征在于，所述装置包括：
样本图像获取单元，用于获取不同类型的设备的样本图像；
标记单元，用于对所述样本图像中的设备进行标记，得到标记后的样本图像；
第一训练单元，用于将所述标记后的样本图像输入至设备类型的识别模型中的FCN模型中进行训练，得到训练好的FCN模型；
设备图像提取单元，用于将所述样本图像输入到所述训练好的FCN模型中进行设备图像提取，得到所述样本图像中的设备图像数据；
第二训练单元，用于利用所述设备图像数据对所述设备类型的识别模型中的LSTM-CNN模型中进行训练，得到训练好的LSTM-CNN模型；其中，所述训练好的LSTM-CNN模型，用于确定与所述设备图像数据对应的特征向量；
第二训练单元具体用于：
针对所述设备图像数据中的每种类型的设备的多张第一设备图像数据，将所述多张第一设备图像数据划分为M组设备图像数据；其中，每组设备图像数据中包括N张设备图像数据；M为大于等于2的正整数；N为大于等于2，且小于等于所述LSTM-CNN模型中LSTM单元的数量的正整数；
针对该种类型的设备的M组设备图像数据，从所述M组设备图像数据中任意选取一组设备图像数据作为该种类型设备的参考数据；
利用每种类型的设备的每组设备图像数据和与该种类型的设备对应的参考数据训练所述LSTM-CNN模型中的模型参数，得到所述训练好的LSTM-CNN模型；
第二训练单元具体用于：
针对每组设备图像数据，确定出该组设备图像数据中包括的设备图像的数量N与所述LSTM-CNN模型中LSTM单元的数量的差值；
在所述差值不为零时，将该组设备图像数据的后面添加元素零，得到一组处理后的设备图像数据；其中，所述元素零的个数为所述差值与该组图像数据中的一张设备图像数据的数据量的积；
利用每种类型的设备的每组处理后的设备图像数据和与该种类型的设备对应的参考数据训练所述LSTM-CNN模型中的模型参数。
6.一种设备类型识别装置，其特征在于，所述装置包括：
获取单元，用于获取待识别的图像数据；
提取单元，用于将所述待识别的图像数据输入到利用如权利要求1-2任一权项所述的训练方法训练好的设备类型的识别模型中的FCN模型中，得到所述待识别的图像数据中的待识别的设备的图像数据；
特征向量确定单元，用于将所述待识别的设备的图像数据输入到所述训练好的设备类型的识别模型中的LSTM-CNN模型中，得到与所述待识别的设备的图像数据对应的第一特征向量；
匹配单元，用于从预先确定的多种类型的设备的特征向量中确定出与所述第一特征向量匹配的特征向量；
类型确定单元，用于确定所述匹配的特征向量对应的设备类型为所述待识别设备的类型。
7.一种电子设备，其特征在于，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序指令，所述计算机程序指令被所述处理器读取并运行时，执行如权利要求1-4中任一项所述的方法。
8.一种存储介质，其特征在于，所述存储介质上存储有计算机程序指令，所述计算机程序指令被计算机读取并运行时，执行如权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911362152.5A CN111062448B (zh) | 2019-12-24 | 2019-12-24 | 设备类型的识别模型训练方法、设备类型识别方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911362152.5A CN111062448B (zh) | 2019-12-24 | 2019-12-24 | 设备类型的识别模型训练方法、设备类型识别方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111062448A CN111062448A (zh) | 2020-04-24 |
| CN111062448B true CN111062448B (zh) | 2024-05-28 |
Family
ID=70303683
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911362152.5A Active CN111062448B (zh) | 2019-12-24 | 2019-12-24 | 设备类型的识别模型训练方法、设备类型识别方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111062448B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113792795A (zh) * | 2021-09-15 | 2021-12-14 | 南方电网数字电网研究院有限公司 | 基于网关设备的变电站设备识别方法、装置和网关设备 |
| CN113901247A (zh) * | 2021-10-09 | 2022-01-07 | 上海脉衍人工智能科技有限公司 | 一种光学图像目标检测的方法及计算设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334878A (zh) * | 2018-02-07 | 2018-07-27 | 北京影谱科技股份有限公司 | 视频图像检测方法和装置 |
| CN109410194A (zh) * | 2018-10-19 | 2019-03-01 | 山东省计算中心（国家超级计算济南中心） | 一种基于深度学习的食管癌病理图像处理方法 |
| CN109902646A (zh) * | 2019-03-08 | 2019-06-18 | 中南大学 | 一种基于长短时记忆网络的步态识别方法 |
| CN110321870A (zh) * | 2019-07-11 | 2019-10-11 | 西北民族大学 | 一种基于lstm的掌静脉识别方法 |
| CN110378408A (zh) * | 2019-07-12 | 2019-10-25 | 台州宏创电力集团有限公司 | 基于迁移学习和神经网络的电力设备图像识别方法和装置 |
| CN110443322A (zh) * | 2019-08-16 | 2019-11-12 | 北京知道创宇信息技术股份有限公司 | 图像处理方法、装置、服务器及可读存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10762637B2 (en) * | 2017-10-27 | 2020-09-01 | Siemens Healthcare Gmbh | Vascular segmentation using fully convolutional and recurrent neural networks |
-
2019
- 2019-12-24 CN CN201911362152.5A patent/CN111062448B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334878A (zh) * | 2018-02-07 | 2018-07-27 | 北京影谱科技股份有限公司 | 视频图像检测方法和装置 |
| CN109410194A (zh) * | 2018-10-19 | 2019-03-01 | 山东省计算中心（国家超级计算济南中心） | 一种基于深度学习的食管癌病理图像处理方法 |
| CN109902646A (zh) * | 2019-03-08 | 2019-06-18 | 中南大学 | 一种基于长短时记忆网络的步态识别方法 |
| CN110321870A (zh) * | 2019-07-11 | 2019-10-11 | 西北民族大学 | 一种基于lstm的掌静脉识别方法 |
| CN110378408A (zh) * | 2019-07-12 | 2019-10-25 | 台州宏创电力集团有限公司 | 基于迁移学习和神经网络的电力设备图像识别方法和装置 |
| CN110443322A (zh) * | 2019-08-16 | 2019-11-12 | 北京知道创宇信息技术股份有限公司 | 图像处理方法、装置、服务器及可读存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| Efficient power component identification with long short-term memory and deep neural network;Jingsheng Lei等;EURASIP Journal on Image and Video Processing;20181107;第1-14页 * |
| 基于深度学习的汽车电子线束图字符识别方法设计与实现;孙迪;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑;20191215;第3-4章 * |
| 基于深度学习的高效电力部件识别;欧家祥等;电力大数据;20180930;第1-8页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111062448A (zh) | 2020-04-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108182433B (zh) | 一种表计读数识别方法及系统 | |
| CN107944450B (zh) | 一种车牌识别方法及装置 | |
| CN111131314B (zh) | 网络行为的检测方法、装置、计算机设备和存储介质 | |
| CN111062448B (zh) | 设备类型的识别模型训练方法、设备类型识别方法和装置 | |
| CN108875727B (zh) | 图文标识的检测方法及装置、存储介质、处理器 | |
| CN109740606A (zh) | 一种图像识别方法及装置 | |
| CN112258507B (zh) | 互联网数据中心的目标对象检测方法、装置和电子设备 | |
| CN111814740B (zh) | 指针仪表读数的识别方法、装置、计算机设备和存储介质 | |
| CN112819073A (zh) | 分类网络训练、图像分类方法、装置和电子设备 | |
| CN113705462A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
| CN114266881A (zh) | 一种基于改进型语义分割网络的指针式仪表自动读数方法 | |
| CN114612897A (zh) | 一种智能果蔬称重打票方法、装置、电子设备及存储介质 | |
| CN111931721B (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
| CN113569070A (zh) | 图像检测方法和装置、电子设备、存储介质 | |
| CN116563841B (zh) | 配电网设备标识牌的检测方法、检测装置和电子设备 | |
| CN107077617B (zh) | 指纹提取方法及装置 | |
| CN111626313B (zh) | 一种特征提取模型训练方法、图像处理方法及装置 | |
| CN112113638A (zh) | 水表功能自检装置及方法 | |
| CN111291712A (zh) | 基于插值的cn和胶囊网络的森林火灾识别方法及装置 | |
| CN114970490A (zh) | 一种文本标注数据的质检方法、装置、电子设备以及存储介质 | |
| CN111368823B (zh) | 一种指针式仪表读数识别方法及装置 | |
| CN111538914B (zh) | 地址信息的处理方法和装置 | |
| CN115393838A (zh) | 指针式仪表读数识别方法、装置、电子设备及存储介质 | |
| CN114741697A (zh) | 恶意代码分类方法、装置、电子设备和介质 | |
| CN114898473A (zh) | 手写签名比对方法、装置及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |