CN112307891A - 一种基于深度学习进行图像识别的方法及装置 - Google Patents

一种基于深度学习进行图像识别的方法及装置 Download PDF

Info

Publication number
CN112307891A
CN112307891A CN202011017976.1A CN202011017976A CN112307891A CN 112307891 A CN112307891 A CN 112307891A CN 202011017976 A CN202011017976 A CN 202011017976A CN 112307891 A CN112307891 A CN 112307891A
Authority
CN
China
Prior art keywords
image recognition
recognition model
neural network
convolutional neural
positive
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.)
Pending
Application number
CN202011017976.1A
Other languages
English (en)
Inventor
金淼
张军
赖国书
郭志伟
黄天富
孟战勇
雷民
陈习文
陈卓
卢冰
汪泉
王斯琪
王旭
聂高宁
周玮
付济良
齐聪
郭子娟
余雪芹
刘俊
郭鹏
朱赤丹
吴志武
王春光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Fujian Electric Power Co Ltd
Marketing Service Center of State Grid Fujian Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Fujian Electric Power Co Ltd
Marketing Service Center of State Grid Fujian Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, State Grid Fujian Electric Power Co Ltd, Marketing Service Center of State Grid Fujian Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011017976.1A priority Critical patent/CN112307891A/zh
Publication of CN112307891A publication Critical patent/CN112307891A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Multimedia (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Human Computer Interaction (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于深度学习进行图像识别的方法及装置。其中，该方法，包括：构建卷积神经网络对图像识别模型进行训练；用训练样本对所述图像识别模型进行测试，并且对识别错误的负样本进行提取并重新训练，直到所述负样本的比值小于预定阈值，确定更新后的图像识别模型；以及利用所述更新后的图像识别模型对目标对象进行图像识别，当图像识别结果显示目标对象存在异常状态时，在电力现场进行语音警告。

Description

一种基于深度学习进行图像识别的方法及装置
技术领域
本申请涉及人工智能领域，特别是涉及一种基于深度学习进行图像识别的方法及装置。
背景技术
中国的电力行业经过几十年的不断发展,已经形成了巨大的规模。由行业的工作性质决定，电力行业的安全防护主要针对电弧伤害、电压击伤、高空坠落、机械打击等危险。为了防范风险，保护电力作业人员安全，在工作过程中采取必要的监管措施是很重要的。因此电力行业急需针对性的对电力作业人员在现场工作的图像进行识别以保障电力作业人员安全，目前还没有相关技术。
针对上述的现有技术中存在的电力行业急需针对性的对电力作业人员在现场工作的图像进行识别以保障电力作业人员安全，目前还没有相关技术的技术问题，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基于深度学习进行图像识别的方法及装置，以至少解决现有技术中存在的电力行业急需针对性的对电力作业人员在现场工作的图像进行识别以保障电力作业人员安全，目前还没有相关技术的技术问题。
根据本公开实施例的一个方面，提供了一种基于深度学习进行图像识别的方法，包括：构建卷积神经网络对图像识别模型进行训练；用训练样本对图像识别检测模型进行测试，并且对正样本进行提取并重新训练，确定更新后的图像识别模型；以及利用更新后的图像识别模型对目标对象进行图像识别，当图像识别结果显示目标对象存在异常状态时，在电力现场进行语音警告。
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，还提供了一种基于深度学习进行图像识别的装置，包括：训练模块，用于构建卷积神经网络对图像识别模型进行训练；测试模块，用于用训练样本对图像识别检测模型进行测试，并且对正样本进行提取并重新训练，确定更新后的图像识别模型；以及警告模块，用于利用更新后的图像识别模型对目标对象进行图像识别，当图像识别结果显示目标对象存在异常状态时，在电力现场进行语音警告。
根据本公开实施例的另一个方面，还提供了一种基于深度学习进行图像识别的装置，包括：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：构建卷积神经网络对图像识别模型进行训练；用训练样本对图像识别检测模型进行测试，并且对正样本进行提取并重新训练，确定更新后的图像识别模型；以及利用更新后的图像识别模型对目标对象进行图像识别，当图像识别结果显示目标对象存在异常状态时，在电力现场进行语音警告。
在本公开实施例中，提供了一种基于深度学习进行图像识别的方法。利用了卷积神经网络和样本挖掘的方法进行图像识别检测，检测异常并及时告警可以有效的避免安全事故的发生，为工人的生命安全提供保障。进而解决了现有技术中的电力行业急需针对性的对电力作业人员在现场工作的图像进行识别以保障电力作业人员安全，目前还没有相关技术的技术问题。
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所述的方法的计算设备的硬件结构框图；
图2是根据本公开实施例1的第一个方面所述的一种基于深度学习进行图像识别的方法的流程示意图；
图3是根据本公开实施例1的第一个方面所述的工作区域的实时画面的示意图；
图4是根据本公开实施例1的第一个方面所述的工作区域的实时画面的示意图；
图5是根据本公开实施例1的第一个方面所述的作业人员服装识别错误的的示意图；
图6是根据本公开实施例1的第一个方面所述的作业人员服装识别正确的的示意图；
图7是根据本公开实施例1的第一个方面所述的作业人员服装识别正确的的示意图；
图8是根据本公开实施例2所述的一种基于深度学习进行图像识别的装置的示意图；以及
图9是根据本公开实施例3所述的一种基于深度学习进行图像识别的装置的示意图。
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，还提供了一种基于深度学习进行图像识别的方法实施例，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服务器或者类似的计算设备中执行。图1示出了一种用于实现一种基于深度学习进行图像识别的方法的计算设备的硬件结构框图。如图1所示，计算设备可以包括一个或多个处理器(处理器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、以及用于通信功能的传输装置。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，计算设备还可包括比图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一种基于深度学习进行图像识别的方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器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一种基于深度学习进行图像识别的方法。存储器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，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算设备。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设备的通信供应商提供的无线网络。在一个实例中，传输装置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设备中的部件的类型。
根据本实施例的第一个方面，提供了一种基于深度学习进行图像识别的方法。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：构建卷积神经网络对图像识别模型进行训练；
S204：用训练样本对图像识别检测模型进行测试，并且对正样本进行提取并重新训练，确定更新后的图像识别模型；以及
S206：利用更新后的图像识别模型对目标对象进行图像识别，当图像识别结果显示目标对象存在异常状态时，在电力现场进行语音警告。
在本实施例中，本实施例以电力作业安全领域对工人着装异常检测。参考图3和图4所示，获取工作区域的实时画面，例如，获取工人工作的画面。构建卷积神经网络对图像识别模型进行训练。用训练样本对图像识别检测模型进行测试，并且对正样本进行提取并重新训练，确定更新后的图像识别模型。例如，利用图像识别模型检测正样本和负样本，正样本为作人人员穿着正确工作服的样本，所述负样本为作业人员未穿着正确的工作服的样本。进一步地，对识别错误的正样本进行提取并重新训练，确定更新后的图像识别模型。利用更新后的图像识别模型对目标对象进行图像识别，当图像识别结果显示目标对象存在异常状态时，在电力现场进行语音警告。
从而，提供了一种基于深度学习进行图像识别的方法。利用了卷积神经网络和样本挖掘的方法进行图像识别检测，检测异常并及时告警可以有效的避免安全事故的发生，为工人的生命安全提供保障。进而解决了现有技术中的电力行业急需针对性的对电力作业人员在现场工作的图像进行识别以保障电力作业人员安全，目前还没有相关技术的技术问题。
可选地，构建卷积神经网络对图像识别模型进行训练，包括：获取工作区域实时画面的特征图，提取特征图的卷积神经网络；正负样本包括正样本和负样本，正样本为作人人员穿着正确工作服的样本，负样本为作业人员未穿着正确的工作服的样本；以及将特征图与所述图像识别模型的训练网络结合，经过卷积池化后，得到最终的识别模型。
具体地，获取工作区域实时画面的特征图，提取特征图的卷积神经网络；根据特征图，确定正负样本，其中正负样本包括正样本和负样本，正样本为作人人员穿着正确工作服的样本，所述负样本为作业人员未穿着正确的工作服的样本。特征图提取的卷积神经网络采用13个卷积层，3个池化层，个全连接层，通过这个结构进行特征图提取。正负样本选择的网络，在特征图的基础上，进过3*3的卷积后，加入候选框，通过对候选框和原有输入图像上正确服装标注区域的计算，通过阈值0.7、0.3来确定正负样本。识别错误样本的挖掘，是将模型初步识别为错误的正样本，进行标注处理，使得模型训练网络可以更好地学习其特征。
归一化操作指在由上层网络确定出的正负样本基础上，对下一层的输入做一个池化操作，使得正负样本以规定的尺寸进入模型训练网络，这里选择ROIPooling池化层。
可选地，提取特征图的卷积神经网络，包括：用于采用13个卷积层，3个池化层的结构提取特征图的卷积神经网络。识别模型采用13个卷积层，13个层池化层模型训练的卷积神经网络。
可选地，根据特征图，确定正负样本，包括：对特征图的特征值进行3*3的卷积操作；在特征图上加入候选框，将服装区域框出；以及通过预先设置的阈值，根据加入候选框的特征图，确定识别模型的正负样本。
具体地，对特征图的特征值进行3*3的卷积操作；在特征图上加入候选框，将服装区域框出。参考图5所示，候选框(即矩形框)中为作业人员服装识别错误的特征图，实际应用中错误的候选框标记为红色或者其他提醒颜色。参考图6和7所示，候选框(即矩形框)中为作业人员服装识别正确的特征图，实际应用中错误的候选框标记为绿色或者其他安全颜色。通过预先设置的阈值，根据加入候选框的特征图，确定正负样本。
此外，参考图1所示，根据本实施例的第二个方面，提供了一种存储介质。所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行以上任意一项所述的方法。
从而根据本实施例，提供了一种基于深度学习进行图像识别的方法。利用了卷积神经网络和样本挖掘的方法进行图像识别检测，检测异常并及时告警可以有效的避免安全事故的发生，为工人的生命安全提供保障。进而解决了现有技术中的电力行业急需针对性的对电力作业人员在现场工作的图像进行识别以保障电力作业人员安全，目前还没有相关技术的技术问题。
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8示出了根据本实施例所述的一种基于深度学习进行图像识别的装置800，该装置800与根据实施例1的第一个方面所述的方法相对应。参考图8所示，该装置800包括：训练模块810，用于构建卷积神经网络对图像识别模型进行训练；测试模块820，用于用训练样本对图像识别检测模型进行测试，并且对识别错误的负样本进行提取并重新训练，直到负样本小于预定阈值，确定更新后的图像识别模型；以及警告模块830，用于利用更新后的图像识别模型对目标对象进行图像识别，当图像识别结果显示目标对象存在异常状态时，在电力现场进行语音警告。
可选地，训练模块810，包括：提取子模块，用于获取工作区域实时画面的特征图，提取特征图的卷积神经网络；确定子模块，用于根据特征图，确定正负样本，其中正负样本包括正样本和负样本，正样本为作人人员穿着正确工作服的样本，所述负样本为作业人员未穿着正确的工作服的样本；以及结合子模块，用于将特征图与图像识别模型的训练网络结合，经过卷积池化后，得到最终的识别模型。
可选地，提取子模块，包括：采用单元，用于采用13个卷积层，3个池化层的结构提取特征图的卷积神经网络；识别模型采用13个卷积层，13个层池化层模型训练的卷积神经网络。
可选地，确定子模块，包括：卷积单元，用于对特征图的特征值进行3*3的卷积操作；框出单元，用于在特征图上加入候选框，将服装区域框出；以及确定单元，用于通过预先设置的阈值，根据加入候选框的特征图，确定正负样本。
从而根据本实施例，通过一种基于深度学习进行图像识别的装置800。利用了卷积神经网络和样本挖掘的方法进行图像识别检测，检测异常并及时告警可以有效的避免安全事故的发生，为工人的生命安全提供保障。进而解决了现有技术中的电力行业急需针对性的对电力作业人员在现场工作的图像进行识别以保障电力作业人员安全，目前还没有相关技术的技术问题。
实施例3
图9示出了根据本实施例所述的基于深度学习进行图像识别的装置900，该装置900与根据实施例1的第一个方面所述的方法相对应。参考图9所示，该装置900包括：处理器910；以及存储器920，与处理器910连接，用于为处理器910提供处理以下处理步骤的指令：构建卷积神经网络对图像识别模型进行训练；用训练样本对图像识别检测模型进行测试，并且对识别错误的正样本进行提取并重新训练，确定更新后的图像识别模型；以及利用更新后的图像识别模型对目标对象进行图像识别，当图像识别结果显示目标对象存在异常状态时，在电力现场进行语音警告。
可选地，构建卷积神经网络对图像识别模型进行训练，包括：获取工作区域实时画面的特征图，提取特征图的卷积神经网络；根据特征图，确定正负样本，其中正负样本包括正样本和负样本，正样本为作人人员穿着正确工作服的样本，所述负样本为作业人员未穿着正确的工作服的样本以及结合子模块，用于将特征图与图像识别模型的训练网络结合，经过卷积池化后，得到最终的识别模型。
可选地，提取特征图的卷积神经网络，包括：用于采用13个卷积层，3个池化层的结构提取特征图的卷积神经网络；识别模型采用13个卷积层，13个层池化层模型训练的卷积神经网络。
可选地，根据特征图，确定正负样本，包括：对特征图的特征值进行3*3的卷积操作；在特征图上加入候选框，将服装区域框出；以及通过预先设置的阈值，根据加入候选框的特征图，确定正负样本。
从而根据本实施例，通过一种基于深度学习进行图像识别的装置900。利用了卷积神经网络和样本挖掘的方法进行图像识别检测，检测异常并及时告警可以有效的避免安全事故的发生，为工人的生命安全提供保障。进而解决了现有技术中的电力行业急需针对性的对电力作业人员在现场工作的图像进行识别以保障电力作业人员安全，目前还没有相关技术的技术问题。
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，Random Access 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)

1.一种基于深度学习进行图像识别的方法，其特征在于，包括：
构建卷积神经网络对图像识别模型进行训练；
用训练样本对所述图像识别模型进行测试，并且对正样本进行提取并重新训练，确定更新后的图像识别模型；以及
利用所述更新后的图像识别模型对目标对象进行图像识别，当图像识别结果显示目标对象存在异常状态时，在电力现场进行语音警告。
2.根据权利要求1所述的方法，其特征在于，构建卷积神经网络对图像识别模型进行训练，包括：
获取工作区域实时画面的特征图，提取所述特征图的卷积神经网络；
所述正负样本包括正样本和负样本，所述正样本为作人人员穿着正确工作服的样本，所述负样本为作业人员未穿着正确的工作服的样本；以及
将所述特征图与所述图像识别模型的训练网络结合，经过卷积池化后，得到最终的识别模型。
3.根据权利要求2所述的方法，其特征在于，提取特征图的卷积神经网络，包括：
采用13个卷积层，3个池化层的结构提取特征图的卷积神经网络，并且所述识别模型采用13个卷积层，13个池化层模型训练的卷积神经网络。
4.根据权利要求2所述的方法，其特征在于，根据所述特征图，确定正负样本，包括：
对所述特征图的特征值进行3*3的卷积操作；
在所述特征图上加入候选框，将服装区域框出；以及
通过预先设置的阈值，根据加入候选框的特征图，确定所述识别模型的正负样本。
5.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行权利要求1至4中任意一项所述的方法。
6.一种基于深度学习进行图像识别的装置，其特征在于，包括：
训练模块，用于构建卷积神经网络对图像识别模型进行训练；
测试模块，用于用训练样本对所述图像识别检测模型进行测试，并且对正样本进行提取并重新训练，确定更新后的图像识别模型；以及
警告模块，用于利用所述更新后的图像识别模型对目标对象进行图像识别，当图像识别结果显示目标对象存在异常状态时，在电力现场进行语音警告。
7.根据权利要求6所述的装置，其特征在于，训练模块，包括：
提取子模块，用于获取工作区域实时画面的特征图，提取所述特征图的卷积神经网络；
确定子模块，其中所述正负样本包括正样本和负样本，所述正样本为作人人员穿着正确工作服的样本，所述负样本为作业人员未穿着正确的工作服的样本；以及
结合子模块，用于将所述特征图与所述图像识别模型的训练网络结合，经过卷积池化后，得到最终的识别模型。
8.根据权利要求7所述的装置，其特征在于，提取子模块，包括：
采用单元，用于采用13个卷积层，3个池化层的结构提取特征图的卷积神经网络，并且所述识别模型采用13个卷积层，13个层池化层模型训练的卷积神经网络。
9.根据权利要求7所述的装置，其特征在于，确定子模块，包括：
卷积单元，用于对所述特征图的特征值进行3*3的卷积操作；
框出单元，用于在所述特征图上加入候选框，将服装区域框出；以及
确定单元，用于通过预先设置的阈值，根据加入候选框的特征图，确定所述识别模型的正负样本。
10.一种基于深度学习进行图像识别的装置，其特征在于，包括：
处理器；以及
存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：
构建卷积神经网络对图像识别模型进行训练；
用训练样本对所述图像识别检测模型进行测试，并且对正样本进行提取并重新训练，确定更新后的图像识别模型；以及
利用所述更新后的图像识别模型对目标对象进行图像识别，当图像识别结果显示目标对象存在异常状态时，在电力现场进行语音警告。
CN202011017976.1A 2020-09-24 2020-09-24 一种基于深度学习进行图像识别的方法及装置 Pending CN112307891A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011017976.1A CN112307891A (zh) 2020-09-24 2020-09-24 一种基于深度学习进行图像识别的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011017976.1A CN112307891A (zh) 2020-09-24 2020-09-24 一种基于深度学习进行图像识别的方法及装置

Publications (1)

Publication Number Publication Date
CN112307891A true CN112307891A (zh) 2021-02-02

Family

ID=74489118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011017976.1A Pending CN112307891A (zh) 2020-09-24 2020-09-24 一种基于深度学习进行图像识别的方法及装置

Country Status (1)

Country Link
CN (1) CN112307891A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113297913A (zh) * 2021-04-26 2021-08-24 云南电网有限责任公司信息中心 一种配网现场作业人员穿衣规范的识别方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113297913A (zh) * 2021-04-26 2021-08-24 云南电网有限责任公司信息中心 一种配网现场作业人员穿衣规范的识别方法

Similar Documents

Publication Publication Date Title
CN110879995A (zh) 目标物品检测方法及装置、存储介质及电子装置
CN107844742A (zh) 人脸图像眼镜去除方法、装置及存储介质
CN109344864A (zh) 用于密集物体的图像处理方法及装置
CN108235303A (zh) 识别共享流量用户的方法、装置、设备及介质
CN107909569A (zh) 一种花屏检测方法、花屏检测装置及电子设备
CN112307891A (zh) 一种基于深度学习进行图像识别的方法及装置
CN111540020A (zh) 目标行为的确定方法及装置、存储介质、电子装置
CN113486739B (zh) 螺钉检测方法、装置、电子设备和存储介质
CN107704884A (zh) 图像标签处理方法、图像标签处理装置及电子终端
CN112749150B (zh) 一种错误标注数据的识别方法、装置和介质
CN109583453B (zh) 图像的识别方法和装置、数据的识别方法、终端
CN114970761A (zh) 模型训练方法及装置、系统
CN115641607A (zh) 电力施工现场作业人员穿戴行为检测方法、装置、设备及存储介质
CN114550143A (zh) 无人车行驶中的场景识别方法及装置
CN111582286B (zh) 印刷电路板同质化确定方法和装置
CN113870175A (zh) 缺陷的检测方法、装置、系统、存储介质以及处理器
CN111899187A (zh) 场景信息的处理方法、装置、存储介质及电子装置
CN114943868B (zh) 图像处理方法、装置、存储介质及处理器
CN105512626A (zh) 一种识别数码管所显示数字的方法
CN113836982A (zh) 图像处理方法、装置、存储介质及计算机设备
CN110888573A (zh) 对控件进行标识的方法、装置以及存储介质
CN111723796A (zh) 基于机器视觉的配电柜停送电状态识别方法及装置
CN112949606B (zh) 工服穿戴状态检测方法、装置、存储介质及电子装置
CN113723153A (zh) 图像处理方法及装置
CN115761607B (zh) 一种目标识别方法、装置、终端设备及可读存储介质

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