CN112733785A - 基于层深度和感受野的信息化设备的稳定性检测方法 - Google Patents
基于层深度和感受野的信息化设备的稳定性检测方法 Download PDFInfo
- Publication number
- CN112733785A CN112733785A CN202110075002.7A CN202110075002A CN112733785A CN 112733785 A CN112733785 A CN 112733785A CN 202110075002 A CN202110075002 A CN 202110075002A CN 112733785 A CN112733785 A CN 112733785A
- Authority
- CN
- China
- Prior art keywords
- feature map
- stability
- neural network
- classification
- feature
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Abstract
本申请涉及智慧安全领域下的智能状态监控,其具体地公开了一种基于层深度和感受野的信息化设备的稳定性检测方法,其基于深度学习的计算机视觉的方法,对图像进行分析和识别来判断托架的稳定性。具体地,通过使用具有更大卷积核的第二卷积神经网络进一步提取第一特征图的特征基础上的更深层和更大感受野的图像特征,并将权值向量在样本维度上对第一特征图进行加权后通过分类器进行分类,通过这样的方式,提高图像分类的精度。
Description
技术领域
本发明涉及智慧安全领域下的智能状态监控,且更为具体地,涉及一种基于层深度和感受野的信息化设备的稳定性检测方法、基于层深度和感受野的信息化设备的稳定性检测系统和电子设备。
背景技术
随着现代社会的信息化水平的提高,越来越多的信息化设备在野外使用。例如,在河道附近使用包括显示屏的信息化设备,以便提供人们可能关心的信息。为了安装和拆卸的方便,在河道附近使用信息化设备时一般会使用托架,即将信息化设备放到托架的上方,并由托架对信息化设备进行支撑。然而,河道附近的托架摆放的地面通常并不平整,且受土壤条件的影响,土壤容易发生变形,这就导致托架摆放在地面上时会产生稳定性的问题,同时也影响信息化设备的稳定性。
因此,期待一种用于判断信息化设备的稳定性的技术方案。
目前,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为信息化设备的稳定性检测提供了新的解决思路和方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于层深度和感受野的信息化设备的稳定性检测方法、基于层深度和感受野的信息化设备的稳定性检测系统和电子设备,其基于深度学习的计算机视觉的方法,对图像进行分析和识别来判断托架的稳定性。具体地,通过使用具有更大卷积核的第二卷积神经网络进一步提取第一特征图的特征基础上的更深层和更大感受野的图像特征,并将权值向量在样本维度上对第一特征图进行加权后通过分类器进行分类,通过这样的方式,提高图像分类的精度。
根据本申请的一个方面,提供了一种基于层深度和感受野的信息化设备的稳定性检测方法,其包括:
通过放置于托架上的信息化设备的图像采集设备采集用于安装所述托架的支撑面的多张图像;
将所述多张图像通过第一卷积神经网络,以获得第一特征图;
将所述第一特征图通过第二卷积神经网络,以获得第二特征图,其中,所述第二卷积神经网络的第二卷积核大于所述第一卷积神经网络的第一卷积核;
将所述第二特征图在样本维度的每个特征矩阵分别通过一个或多个全连接层,以获得由多个特征值组成的权值向量;
基于所述权值向量在样本维度上对所述第一特征图的各个特征矩阵进行加权,以获得分类特征图;以及
将所述分类特征图通过分类器,以获得分类结果,所述分类结果用于表示放置在托架上的信息化设备的稳定性是否符合预设要求。
在上述基于层深度和感受野的信息化设备的稳定性检测方法中,通过放置于托架上的信息化设备的图像采集设备采集用于安装所述托架的支撑面的多张图像,包括:通过所述图像采集设备采集所述支撑面的预设数量的图像;以及,以预设时间间隔从所述预设数量的图像中筛选出所述多张图像。
在上述基于层深度和感受野的信息化设备的稳定性检测方法中,将所述第二特征图在样本维度的每个特征矩阵分别通过一个或多个全连接层,以获得由多个特征值组成的权值向量,包括:对所述多个特征值进行归一化处理;以及,将归一化处理后的所述多个特征值按样本维度进行排列,以获得所述权值向量。
在上述基于层深度和感受野的信息化设备的稳定性检测方法中,所述第一卷积神经网络和所述第二卷积神经网络除卷积核外具有相同的网络结构。
在上述基于层深度和感受野的信息化设备的稳定性检测方法中,所述第一卷积神经网络和所述第二卷积神经网络为深度残差网络。
在上述基于层深度和感受野的信息化设备的稳定性检测方法中,将所述分类特征图通过分类器,以获得分类结果,包括:将所述分类特征图通过一个或多个全连接层,以获得分类特征向量;将所述分类特征向量输入Softmax分类函数,以获得所述放置在托架上的信息化设备的稳定性符合预设要求的第一概率,以及,所述放置在托架上的信息化设备的稳定性不符合预设要求的第二概率;以及,基于所述第一概率和所述第二概率,获得所述分类结果。
根据本申请的另一方面,提供了一种基于层深度和感受野的信息化设备的稳定性检测系统,其包括:
图像获取单元,用于通过放置于托架上的信息化设备的图像采集设备采集用于安装所述托架的支撑面的多张图像;
第一特征图生成单元,用于将所述图像获取单元获得的所述多张图像通过第一卷积神经网络,以获得第一特征图;
第二特征图生成单元,用于将所述第一特征图生成单元获得的所述第一特征图通过第二卷积神经网络,以获得第二特征图,其中,所述第二卷积神经网络的第二卷积核大于所述第一卷积神经网络的第一卷积核;
权值向量生成单元,用于将所述第二特征图生成单元获得的所述第二特征图在样本维度的每个特征矩阵分别通过一个或多个全连接层,以获得由多个特征值组成的权值向量;
分类特征图生成单元,用于基于所述权值向量生成单元获得的所述权值向量在样本维度上对所述第一特征图的各个特征矩阵进行加权,以获得分类特征图;以及
分类结果生成单元,用于将所述分类特征图生成单元获得的所述分类特征图通过分类器,以获得分类结果,所述分类结果用于表示放置在托架上的信息化设备的稳定性是否符合预设要求。
在上述基于层深度和感受野的信息化设备的稳定性检测系统中,所述图像获取单元,包括:图像采集子单元,用于通过所述图像采集设备采集所述支撑面的预设数量的图像;以及,图像筛选子单元,用于以预设时间间隔从所述图像采集子单元获得的所述预设数量的图像中筛选出所述多张图像。
在上述基于层深度和感受野的信息化设备的稳定性检测系统中,所述权值向量生成单元,包括:归一化处理子单元,用于对所述多个特征值进行归一化处理;以及,排列子单元,用于将所述归一化处理子单元获得的所述归一化处理后的多个特征值按样本维度进行排列,以获得所述权值向量。
在上述基于层深度和感受野的信息化设备的稳定性检测系统中,所述第一卷积神经网络和所述第二卷积神经网络除卷积核外具有相同的网络结构。
在上述基于层深度和感受野的信息化设备的稳定性检测系统中,所述第一卷积神经网络和所述第二卷积神经网络为深度残差网络。
在上述基于层深度和感受野的信息化设备的稳定性检测系统中,所述分类结果生成单元,包括:分类特征向量生成子单元,用于将所述分类特征图通过一个或多个全连接层,以获得分类特征向量;概率值生成子单元,用于将所述分类特征向量生成子单元获得的所述分类特征向量输入Softmax分类函数,以获得所述放置在托架上的信息化设备的稳定性符合预设要求的第一概率,以及,所述放置在托架上的信息化设备的稳定性不符合预设要求的第二概率;以及,分类子单元,用于基于所述概率值生成子单元获得的所述第一概率和所述第二概率,获得所述分类结果。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在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在被所述处理器运行时使得所述处理器执行如上所述的基于层深度和感受野的信息化设备的稳定性检测方法。
根据本申请的再又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于层深度和感受野的信息化设备的稳定性检测方法。
与现有技术相比,本申请提供的基于层深度和感受野的信息化设备的稳定性检测方法、基于层深度和感受野的信息化设备的稳定性检测系统和电子设备,其基于深度学习的计算机视觉的方法,对图像进行分析和识别来判断托架的稳定性。具体地,通过使用具有更大卷积核的第二卷积神经网络进一步提取第一特征图的特征基础上的更深层和更大感受野的图像特征,并将权值向量在样本维度上对第一特征图进行加权后通过分类器进行分类,通过这样的方式,提高图像分类的精度。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的基于层深度和感受野的信息化设备的稳定性检测方法的应用场景图;
图2图示了根据本申请实施例的基于层深度和感受野的信息化设备的稳定性检测方法的流程图;
图3图示了根据本申请实施例的基于层深度和感受野的信息化设备的稳定性检测方法的系统架构示意图;
图4图示了根据本申请实施例的基于层深度和感受野的信息化设备的稳定性检测方法中,通过放置于托架上的信息化设备的图像采集设备采集用于安装所述托架的支撑面的多张图像的流程图;
图5图示了根据本申请实施例的基于层深度和感受野的信息化设备的稳定性检测方法中,将所述第二特征图在样本维度的每个特征矩阵分别通过一个或多个全连接层,以获得由多个特征值组成的权值向量的流程图;
图6图示了根据本申请实施例的基于层深度和感受野的信息化设备的稳定性检测方法中,将所述分类特征图通过分类器,以获得分类结果的流程图;
图7图示了根据本申请实施例的基于层深度和感受野的信息化设备的稳定性检测系统的框图。
图8图示了根据本申请实施例的基于层深度和感受野的信息化设备的稳定性检测系统中图像获取单元的框图。
图9图示了根据本申请实施例的基于层深度和感受野的信息化设备的稳定性检测系统中权值向量生成单元的框图。
图10图示了根据本申请实施例的基于层深度和感受野的信息化设备的稳定性检测系统中分类结果生成单元的框图。
图11图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,随着现代社会的信息化水平的提高,越来越多的信息化设备在野外使用。例如,在河道附近使用包括显示屏的信息化设备,以便提供人们可能关心的信息。为了安装和拆卸的方便,在河道附近使用信息化设备时一般会使用托架,即将信息化设备放到托架的上方,并由托架对信息化设备进行支撑。然而,河道附近的托架摆放的地面通常并不平整,且受土壤条件的影响,土壤容易发生变形,这就导致托架摆放在地面上时会产生稳定性的问题,同时也影响信息化设备的稳定性。
由于目前的信息化设备通常都包括图像采集设备,基于此,本申请的发明人期望通过基于深度学习的计算机视觉的方法,来获取图像采集设备所采集的图像,并通过对图像进行分析和识别来判断托架的稳定性。
在实践过程中,本申请的发明人考虑到图像采集设备所获取的图像是以所述信息化设备为本体采集到的图像,因此,当将该图像通过卷积神经网络以获得特征图之后,所获得的特征图与信息化设备的视野对应。实际上,如果能够获得与相对于信息化设备的视野更宽的视野对应的图像特征,则可以进一步以信息化设备和托架为整体,来获取更丰富的图像特征。因此,一方面为了获得更大的感受野,另一方面也是进一步提取浅层图像特征基础上的更深层的图像特征,在本申请的方案中,进一步使用具有更大卷积核的另一卷积神经网络。
具体地,在本申请的方案中,首先获得放置在托架上的信息化设备的图像采集设备所采集的预定时间间隔的多个图像,然后将所述多个图像输入第一卷积神经网络以获得第一特征图。接下来,将所述第一特征图输入第二卷积神经网络以获得第二特征图,所述第二卷积神经网络的卷积核大于所述第一卷积神经网络的卷积核。然后,为了在第一特征图的基础上利用更深层和更大感受野的图像特征信息,将所述第二特征图在样本维度上的每个特征矩阵通过全连接层转换为特征值,也就是,通过生成器生成一个与第二特征图对应的权值向量,该权值向量的位数为输入第一卷积神经网络的多个图像的数目。然后,以该权值向量在样本维度上对所述第一特征图进行加权,从而使得该第一特征图能够在对应于样本的时间维度上包括更深层和更大感受野的信息。
这样,将所述第一特征图通过分类器进行分类之后,就可以获得表示放置在托架上的信息化设备的稳定性的分类结果。
基于此,本申请提出了一种基于层深度和感受野的信息化设备的稳定性检测方法,其包括:通过放置于托架上的信息化设备的图像采集设备采集用于安装所述托架的支撑面的多张图像;将所述多张图像通过第一卷积神经网络,以获得第一特征图;将所述第一特征图通过第二卷积神经网络,以获得第二特征图,其中,所述第二卷积神经网络的第二卷积核大于所述第一卷积神经网络的第一卷积核;将所述第二特征图在样本维度的每个特征矩阵分别通过一个或多个全连接层,以获得由多个特征值组成的权值向量;基于所述权值向量在样本维度上对所述第一特征图的各个特征矩阵进行加权,以获得分类特征图;以及,将所述分类特征图通过分类器,以获得分类结果,所述分类结果用于表示放置在托架上的信息化设备的稳定性是否符合预设要求。
图1图示了根据本申请实施例的基于层深度和感受野的信息化设备的稳定性检测方法的应用场景图。
如图1所示,在该应用场景中,通过放置于托架上的信息化设备的图像采集设备(例如,如图1中所示意的D)采集用于安装所述托架的支撑面的多张图像;然后,将所述多张图像输入至部署有基于层深度和感受野的信息化设备的稳定性检测算法的服务器中(例如,如图1中所示意的S),其中,所述服务器能够基于层深度和感受野的信息化设备的稳定性检测算法对所述多张图像进行处理,以生成所述放置在托架上的信息化设备的稳定性是否符合预设要求的检测结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了基于层深度和感受野的信息化设备的稳定性检测方法的流程图。如图2所示,根据本申请实施例的基于层深度和感受野的信息化设备的稳定性检测方法,包括:S110,通过放置于托架上的信息化设备的图像采集设备采集用于安装所述托架的支撑面的多张图像;S120,将所述多张图像通过第一卷积神经网络,以获得第一特征图;S130,将所述第一特征图通过第二卷积神经网络,以获得第二特征图,其中,所述第二卷积神经网络的第二卷积核大于所述第一卷积神经网络的第一卷积核;S140,将所述第二特征图在样本维度的每个特征矩阵分别通过一个或多个全连接层,以获得由多个特征值组成的权值向量;S150,基于所述权值向量在样本维度上对所述第一特征图的各个特征矩阵进行加权,以获得分类特征图;以及,S160,将所述分类特征图通过分类器,以获得分类结果,所述分类结果用于表示放置在托架上的信息化设备的稳定性是否符合预设要求。
图3图示了根据本申请实施例的基于层深度和感受野的信息化设备的稳定性检测方法的架构示意图。如图3所示,在所述基于层深度和感受野的信息化设备的稳定性检测方法的网络架构中,首先,将放置于托架上的信息化设备的图像采集设备采集的安装所述托架的支撑面的多张图像(例如,如图3中所示意的IN)输入第一卷积神经网络(例如,如图3中所示意的CNN1)以获得第一特征图(例如,如图3中所示意的F1);接着,将所述第一特征图通过第二卷积神经网络(例如,如图3中所示意的CNN2),以获得第二特征图(例如,如图3中所示意的F2),其中,所述第二卷积神经网络的第二卷积核大于所述第一卷积神经网络的第一卷积核;接着,将所述第二特征图在样本维度的每个特征矩阵分别通过一个或多个全连接层(例如,如图3中所示意的Fcl),以获得由多个特征值组成的权值向量(例如,如图3中所示意的V1);接着,基于所述权值向量在样本维度上对所述第一特征图的各个特征矩阵进行加权,以获得分类特征图(例如,如图3中所示意的Fc);然后,将所述分类特征图通过分类器(例如,如图3中所示意的分类器),以获得分类结果,所述分类结果用于表示放置在托架上的信息化设备的稳定性是否符合预设要求。
在步骤S110中,通过放置于托架上的信息化设备的图像采集设备采集用于安装所述托架的支撑面的多张图像。如前所述,使用信息化设备时一般会使用托架,即将信息化设备放到托架的上方,并由托架对信息化设备进行支撑。然而,托架摆放的地面不平整会导致托架摆放在地面上时产生稳定性的问题,同时也影响信息化设备的稳定性。由于目前的信息化设备通常都包括图像采集设备,基于此,本申请的发明人期望通过基于深度学习的计算机视觉的方法,也就是,通过放置于托架上的信息化设备的图像采集设备采集用于安装所述托架的支撑面的多张图像,并通过对图像进行分析和识别来判断托架的稳定性。
具体地,在本申请实施例中,通过放置于托架上的信息化设备的图像采集设备采集用于安装所述托架的支撑面的多张图像的过程,包括:首先,通过所述图像采集设备采集所述支撑面的预设数量的图像。然后,以预设时间间隔从所述预设数量的图像中筛选出所述多张图像,也就是,从所述预设数量的图像中筛选预定时间间隔的多个图像。在本申请实施例中,所述预设时间间隔值不宜过大,否则相邻两帧不能很好地反映出支撑面的变化的时序关系;当然,所述预设时间间隔值也不宜过小,因为会浪费计算资源。
图4图示了根据本申请实施例的基于层深度和感受野的信息化设备的稳定性检测方法中,通过放置于托架上的信息化设备的图像采集设备采集用于安装所述托架的支撑面的多张图像的流程图。如图4所示,通过放置于托架上的信息化设备的图像采集设备采集用于安装所述托架的支撑面的多张图像,包括:S210,通过所述图像采集设备采集所述支撑面的预设数量的图像;以及,S220,以预设时间间隔从所述预设数量的图像中筛选出所述多张图像。
在步骤S120中,将所述多张图像通过第一卷积神经网络,以获得第一特征图。也就是,以第一卷积神经网络提取出所述多张图像中的各高维特征。
特别地,在本申请实施例中,所述第一卷积神经网络可采用深度残差神经网络,例如,ResNet 50。本领域普通技术人员应知晓,相较于传统的卷积神经网络,深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构,其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构,通过残差网络结构可以把网络层弄得更深,并且,不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想,其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例,使某一层的输出可以直接跨过几层作为后面某一层的输入,其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。
在步骤S130中,将所述第一特征图通过第二卷积神经网络,以获得第二特征图,其中,所述第二卷积神经网络的第二卷积核大于所述第一卷积神经网络的第一卷积核。也就是,以第二卷积神经网络提取出所述第一特征图中的更高维特征,具体地,在本申请实施例中,所述第二卷积神经网络可采用深度残差神经网络,例如,ResNet 50。
应可以理解,本申请的发明人考虑到图像采集设备所获取的图像是以所述信息化设备为本体采集到的图像,因此,当将该图像通过卷积神经网络以获得特征图之后,所获得的特征图与信息化设备的视野对应。实际上,如果能够获得与相对于信息化设备的视野更宽的视野对应的图像特征,则可以进一步以信息化设备和托架为整体,来获取更丰富的图像特征。因此,一方面为了获得更大的感受野,另一方面也是进一步提取浅层图像特征基础上的更深层的图像特征,在本申请的方案中,进一步使用具有更大卷积核的另一卷积神经网络,即,第二卷积神经网络。
特别地,在本申请实施例中,所述第一卷积神经网络和所述第二卷积神经网络除卷积核外具有相同的网络结构。也就是,第一卷积神经网络与第二卷积神经网络部分权值共享,以减小训练过程中的计算量,有利于避免梯度消失。同时,具有相同网络结构的第一、第二卷积神经网络输出的第一特征图与第二特征图具有相同的尺度,利于后续计算。
在步骤S140中,将所述第二特征图在样本维度的每个特征矩阵分别通过一个或多个全连接层,以获得由多个特征值组成的权值向量。也就是,将所述第二特征图在样本维度上的每个特征矩阵通过全连接层转换为特征值,也就是,通过生成器生成一个与第二特征图对应的权值向量,该权值向量的位数为输入第一卷积神经网络的多个图像的数目。
具体地,在本申请实施例中,将所述第二特征图在样本维度的每个特征矩阵分别通过一个或多个全连接层,以获得由多个特征值组成的权值向量的过程,包括:首先,对所述多个特征值进行归一化处理,具体地,可以使用线性函数归一化将各项参数映射到[0,1]的范围内,或者,采用零均值归一化将参数映射到均值为0,标准差为1的分布上,当然,还可以采用其他归一化处理手段进行归一化处理,对此,并不为本申请所局限。然后,将归一化处理后的所述多个特征值按样本维度进行排列,以获得所述权值向量,应可以理解,所述多个特征值由所述第二特征图在样本维度的每个特征矩阵分别通过一个或多个全连接层获得,将所述特征值按样本维度进行排列,获得的权值向量与所述第二特征图的样本维度一一对应。
图5图示了根据本申请实施例的基于层深度和感受野的信息化设备的稳定性检测方法中,将所述第二特征图在样本维度的每个特征矩阵分别通过一个或多个全连接层,以获得由多个特征值组成的权值向量的流程图。如图5所示,将所述第二特征图在样本维度的每个特征矩阵分别通过一个或多个全连接层,以获得由多个特征值组成的权值向量,包括:S310,对所述多个特征值进行归一化处理;以及,S320,将归一化处理后的所述多个特征值按样本维度进行排列,以获得所述权值向量。
在步骤S150中,基于所述权值向量在样本维度上对所述第一特征图的各个特征矩阵进行加权,以获得分类特征图。也就是,以权值向量中的各个特征值作为第一特征图在样本维度上相对应的各个特征矩阵的加权系数,进行加权。这样,使得该第一特征图能够在对应于样本的时间维度上包括更深层和更大感受野的信息。
在步骤S160中,将所述分类特征图通过分类器,以获得分类结果,所述分类结果用于表示放置在托架上的信息化设备的稳定性是否符合预设要求。应可以理解,将所述分类特征图通过分类器进行分类之后,就可以获得表示放置在托架上的信息化设备的稳定性的分类结果。
具体地,在本申请实施例中,将所述分类特征图通过分类器,以获得分类结果的过程,包括:首先,将所述分类特征图通过一个或多个全连接层,以获得分类特征向量,也就是,将所述分类特征图通过全连接层,以通过全连接层对所述分类特征图进行编码以充分利用所述分类特征图中每个位置信息,以生成分类特征向量。接着,将所述分类特征向量输入Softmax分类函数,以获得所述放置在托架上的信息化设备的稳定性符合预设要求的第一概率,以及,所述放置在托架上的信息化设备的稳定性不符合预设要求的第二概率。然后,基于所述第一概率和所述第二概率,获得所述分类结果。
图6图示了根据本申请实施例的基于层深度和感受野的信息化设备的稳定性检测方法中,将所述分类特征图通过分类器,以获得分类结果的流程图。如图6所示,将所述分类特征图通过分类器,以获得分类结果,包括:S410,将所述分类特征图通过一个或多个全连接层,以获得分类特征向量;S420,将所述分类特征向量输入Softmax分类函数,以获得所述放置在托架上的信息化设备的稳定性符合预设要求的第一概率,以及,所述放置在托架上的信息化设备的稳定性不符合预设要求的第二概率;以及,S430,基于所述第一概率和所述第二概率,获得所述分类结果。
综上,本申请实施例的基于层深度和感受野的信息化设备的稳定性检测方法被阐明,其基于深度学习的计算机视觉的方法,对图像进行分析和识别来判断托架的稳定性。具体地,通过使用具有更大卷积核的第二卷积神经网络进一步提取第一特征图的特征基础上的更深层和更大感受野的图像特征,并将权值向量在样本维度上对第一特征图进行加权后通过分类器进行分类,通过这样的方式,提高图像分类的精度。
示例性系统
图7图示了根据本申请实施例的基于层深度和感受野的信息化设备的稳定性检测系统的框图。
如图7所示,根据本申请实施例的基于层深度和感受野的信息化设备的稳定性检测系统700,包括:图像获取单元710,用于通过放置于托架上的信息化设备的图像采集设备采集用于安装所述托架的支撑面的多张图像;第一特征图生成单元720,用于将所述图像获取单元710获得的所述多张图像通过第一卷积神经网络,以获得第一特征图;第二特征图生成单元730,用于将所述第一特征图生成单元720获得的所述第一特征图通过第二卷积神经网络,以获得第二特征图,其中,所述第二卷积神经网络的第二卷积核大于所述第一卷积神经网络的第一卷积核;权值向量生成单元740,用于将所述第二特征图生成单元730获得的所述第二特征图在样本维度的每个特征矩阵分别通过一个或多个全连接层,以获得由多个特征值组成的权值向量;分类特征图生成单元750,用于基于所述权值向量生成单元740获得的所述权值向量在样本维度上对所述第一特征图的各个特征矩阵进行加权,以获得分类特征图;以及,分类结果生成单元760,用于将所述分类特征图生成单元750获得的所述分类特征图通过分类器,以获得分类结果,所述分类结果用于表示放置在托架上的信息化设备的稳定性是否符合预设要求。
在一个示例中,在上述基于层深度和感受野的信息化设备的稳定性检测系统700中,如图8所示,所述图像获取单元710,包括:图像采集子单元711,用于通过所述图像采集设备采集所述支撑面的预设数量的图像;以及,图像筛选子单元712,用于以预设时间间隔从所述图像采集子单元711获得的所述预设数量的图像中筛选出所述多张图像。
在一个示例中,在上述基于层深度和感受野的信息化设备的稳定性检测系统700中,如图9所示,所述权值向量生成单元740,包括:归一化处理子单元741,用于对所述多个特征值进行归一化处理;以及,排列子单元742,用于将所述归一化处理子单元741获得的所述归一化处理后的多个特征值按样本维度进行排列,以获得所述权值向量。
在一个示例中,在上述基于层深度和感受野的信息化设备的稳定性检测系统700中,所述第一卷积神经网络和所述第二卷积神经网络除卷积核外具有相同的网络结构。
在一个示例中,在上述基于层深度和感受野的信息化设备的稳定性检测系统700中,所述第一卷积神经网络和所述第二卷积神经网络为深度残差网络。
在一个示例中,在上述基于层深度和感受野的信息化设备的稳定性检测系统700中,如图10所示,所述分类结果生成单元760,包括:分类特征向量生成子单元761,用于将所述分类特征图通过一个或多个全连接层,以获得分类特征向量;概率值生成子单元762,用于将所述分类特征向量生成子单元761获得的所述分类特征向量输入Softmax分类函数,以获得所述放置在托架上的信息化设备的稳定性符合预设要求的第一概率,以及,所述放置在托架上的信息化设备的稳定性不符合预设要求的第二概率;以及,分类子单元763,用于基于所述概率值生成子单元762获得的所述第一概率和所述第二概率,获得所述分类结果。
这里,本领域技术人员可以理解,上述检测系统700中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的基于层深度和感受野的信息化设备的稳定性检测方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的检测系统700可以实现在各种终端设备中,例如用于信息化设备的稳定性检测的服务器等。在一个示例中,根据本申请实施例的检测系统700可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该检测系统700可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该检测系统700同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该检测系统700与该终端设备也可以是分立的设备,并且该检测系统700可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面,参考图11来描述根据本申请实施例的电子设备。
图11图示了根据本申请实施例的电子设备的框图。
如图11所示,电子设备包括10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的基于层深度和感受野的信息化设备的稳定性检测方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如分类特征图、权值向量等各种内容。
在一个示例中,电子设备10还可以包括:输入系统13和输出系统14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入系统13可以包括例如键盘、鼠标等等。
该输出系统14可以向外部输出各种信息,包括分类结果等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图11中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于层深度和感受野的信息化设备的稳定性检测方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的基于层深度和感受野的信息化设备的稳定性检测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于层深度和感受野的信息化设备的稳定性检测方法,其特征在于,包括:
通过放置于托架上的信息化设备的图像采集设备采集用于安装所述托架的支撑面的多张图像;
将所述多张图像通过第一卷积神经网络,以获得第一特征图;
将所述第一特征图通过第二卷积神经网络,以获得第二特征图,其中,所述第二卷积神经网络的第二卷积核大于所述第一卷积神经网络的第一卷积核;
将所述第二特征图在样本维度的每个特征矩阵分别通过一个或多个全连接层,以获得由多个特征值组成的权值向量;
基于所述权值向量在样本维度上对所述第一特征图的各个特征矩阵进行加权,以获得分类特征图;以及
将所述分类特征图通过分类器,以获得分类结果,所述分类结果用于表示放置在托架上的信息化设备的稳定性是否符合预设要求。
2.根据权利要求1所述的基于层深度和感受野的信息化设备的稳定性检测方法,其中,通过放置于托架上的信息化设备的图像采集设备采集用于安装所述托架的支撑面的多张图像,包括:
通过所述图像采集设备采集所述支撑面的预设数量的图像;以及
以预设时间间隔从所述预设数量的图像中筛选出所述多张图像。
3.根据权利要求1所述的基于层深度和感受野的信息化设备的稳定性检测方法,其中,将所述第二特征图在样本维度的每个特征矩阵分别通过一个或多个全连接层,以获得由多个特征值组成的权值向量,包括:
对所述多个特征值进行归一化处理;以及
将归一化处理后的所述多个特征值按样本维度进行排列,以获得所述权值向量。
4.根据权利要求1所述的基于层深度和感受野的信息化设备的稳定性检测方法,其中,所述第一卷积神经网络和所述第二卷积神经网络除卷积核外具有相同的网络结构。
5.根据权利要求1所述的基于层深度和感受野的信息化设备的稳定性检测方法,其中,所述第一卷积神经网络和所述第二卷积神经网络为深度残差网络。
6.根据权利要求1所述的基于层深度和感受野的信息化设备的稳定性检测方法,其中,将所述分类特征图通过分类器,以获得分类结果,包括:
将所述分类特征图通过一个或多个全连接层,以获得分类特征向量;
将所述分类特征向量输入Softmax分类函数,以获得所述放置在托架上的信息化设备的稳定性符合预设要求的第一概率,以及,所述放置在托架上的信息化设备的稳定性不符合预设要求的第二概率;以及
基于所述第一概率和所述第二概率,获得所述分类结果。
7.一种基于层深度和感受野的信息化设备的稳定性检测系统,其特征在于,包括:
图像获取单元,用于通过放置于托架上的信息化设备的图像采集设备采集用于安装所述托架的支撑面的多张图像;
第一特征图生成单元,用于将所述图像获取单元获得的所述多张图像通过第一卷积神经网络,以获得第一特征图;
第二特征图生成单元,用于将所述第一特征图生成单元获得的所述第一特征图通过第二卷积神经网络,以获得第二特征图,其中,所述第二卷积神经网络的第二卷积核大于所述第一卷积神经网络的第一卷积核;
权值向量生成单元,用于将所述第二特征图生成单元获得的所述第二特征图在样本维度的每个特征矩阵分别通过一个或多个全连接层,以获得由多个特征值组成的权值向量;
分类特征图生成单元,用于基于所述权值向量生成单元获得的所述权值向量在样本维度上对所述第一特征图的各个特征矩阵进行加权,以获得分类特征图;以及
分类结果生成单元,用于将所述分类特征图生成单元获得的所述分类特征图通过分类器,以获得分类结果,所述分类结果用于表示放置在托架上的信息化设备的稳定性是否符合预设要求。
8.根据权利要求7所述的基于层深度和感受野的信息化设备的稳定性检测系统,其中,所述图像获取单元,包括:
图像采集子单元,用于通过所述图像采集设备采集所述支撑面的预设数量的图像;以及
图像筛选子单元,用于以预设时间间隔从所述图像采集子单元获得的所述预设数量的图像中筛选出所述多张图像。
9.根据权利要求7所述的基于层深度和感受野的信息化设备的稳定性检测系统,其中,所述权值向量生成单元,包括:
归一化处理子单元,用于对所述多个特征值进行归一化处理;以及
排列子单元,用于将所述归一化处理子单元获得的所述归一化处理后的多个特征值按样本维度进行排列,以获得所述权值向量。
10.一种电子设备,包括:
处理器;以及
存储器,在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在被所述处理器运行时使得所述处理器执行如权利要求1-6中任一项所述的基于层深度和感受野的信息化设备的稳定性检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110075002.7A CN112733785A (zh) | 2021-01-20 | 2021-01-20 | 基于层深度和感受野的信息化设备的稳定性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110075002.7A CN112733785A (zh) | 2021-01-20 | 2021-01-20 | 基于层深度和感受野的信息化设备的稳定性检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112733785A true CN112733785A (zh) | 2021-04-30 |
Family
ID=75592660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110075002.7A Withdrawn CN112733785A (zh) | 2021-01-20 | 2021-01-20 | 基于层深度和感受野的信息化设备的稳定性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733785A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807290A (zh) * | 2021-09-24 | 2021-12-17 | 深圳蓝宝利电子有限公司 | 用于家用电器的感应开关及其工作方法 |
CN113963223A (zh) * | 2021-10-29 | 2022-01-21 | 浙江腾腾电气有限公司 | 基于深度学习的智能稳压器、稳压方法和电子设备 |
CN114782423A (zh) * | 2022-06-17 | 2022-07-22 | 江苏明德电力设备有限公司 | 干式变压器的低压线圈的成型质量检测系统及其检测方法 |
-
2021
- 2021-01-20 CN CN202110075002.7A patent/CN112733785A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807290A (zh) * | 2021-09-24 | 2021-12-17 | 深圳蓝宝利电子有限公司 | 用于家用电器的感应开关及其工作方法 |
CN113807290B (zh) * | 2021-09-24 | 2024-04-09 | 深圳蓝宝利电子有限公司 | 用于家用电器的感应开关及其工作方法 |
CN113963223A (zh) * | 2021-10-29 | 2022-01-21 | 浙江腾腾电气有限公司 | 基于深度学习的智能稳压器、稳压方法和电子设备 |
CN114782423A (zh) * | 2022-06-17 | 2022-07-22 | 江苏明德电力设备有限公司 | 干式变压器的低压线圈的成型质量检测系统及其检测方法 |
CN114782423B (zh) * | 2022-06-17 | 2022-09-13 | 江苏明德电力设备有限公司 | 干式变压器的低压线圈的成型质量检测系统及其检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112733785A (zh) | 基于层深度和感受野的信息化设备的稳定性检测方法 | |
CN107992596B (zh) | 一种文本聚类方法、装置、服务器和存储介质 | |
CN108197652B (zh) | 用于生成信息的方法和装置 | |
CN115471216B (zh) | 智慧实验室管理平台的数据管理方法 | |
CN111368980A (zh) | 状态检测方法、装置、设备及存储介质 | |
CN111818198A (zh) | 域名检测方法、域名检测装置和设备以及介质 | |
CN117077075A (zh) | 用于环境保护的水质监测系统及其方法 | |
CN116910752B (zh) | 一种基于大数据的恶意代码检测方法 | |
CN112489087A (zh) | 用于高层建筑施工的悬吊式作业平台的晃动检测方法 | |
CN116866054A (zh) | 公共信息安全监测系统及其方法 | |
CN113487223A (zh) | 一种基于信息融合的风险评估方法和评估系统 | |
CN113162725A (zh) | 光网络运行方法 | |
CN112465805A (zh) | 用于钢筋冲压折弯的质量检测的神经网络的训练方法 | |
CN113255752A (zh) | 基于特征聚类的固体材料一致性分选方法 | |
CN112541524A (zh) | 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 | |
CN117176433A (zh) | 网络数据的异常行为检测系统及方法 | |
CN116247824A (zh) | 电力设备的控制方法及其系统 | |
CN116858789A (zh) | 食品安全检测系统及其方法 | |
CN111797395A (zh) | 恶意代码可视化及变种检测方法、装置、设备及存储介质 | |
CN114782680A (zh) | 目标检测模型的训练方法及装置、目标检测方法及装置 | |
CN115238815A (zh) | 异常交易数据获取方法、装置、设备、介质和程序产品 | |
CN112308153B (zh) | 一种烟火检测方法和装置 | |
CN114842183A (zh) | 一种基于卷积神经网络的开关状态识别方法和系统 | |
CN114860535A (zh) | 数据评估模型生成方法及装置、异常数据监控方法及装置 | |
CN114241253A (zh) | 违规内容识别的模型训练方法、系统、服务器及存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210430 |
|
WW01 | Invention patent application withdrawn after publication |