CN113204957B - 缺陷信息处理方法、装置、设备及存储介质 - Google Patents
缺陷信息处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113204957B CN113204957B CN202110314268.2A CN202110314268A CN113204957B CN 113204957 B CN113204957 B CN 113204957B CN 202110314268 A CN202110314268 A CN 202110314268A CN 113204957 B CN113204957 B CN 113204957B
- Authority
- CN
- China
- Prior art keywords
- defect information
- result
- matching
- semantic recognition
- standard
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 571
- 230000010365 information processing Effects 0.000 title claims abstract description 45
- 238000003672 processing method Methods 0.000 title claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 80
- 230000005540 biological transmission Effects 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000004590 computer program Methods 0.000 claims description 23
- 230000008030 elimination Effects 0.000 claims description 16
- 238000003379 elimination reaction Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000003058 natural language processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000209128 Bambusa Species 0.000 description 1
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/232—Orthographic correction, e.g. spell checking or vowelisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/253—Grammatical analysis; Style critique
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种缺陷信息处理方法、装置、设备及存储介质,所述方法包括:获取用户输入的输电线路初始缺陷信息;对初始缺陷信息进行语义识别,得到语义识别结果;根据预设神经网络模型及缺陷信息数据库,对语义识别结果进行缺陷信息重构得到目标缺陷信息;缺陷信息数据库中存储了输电线路的标准缺陷信息。本申请实施例提供的技术方案可以提高对用户输入的缺陷信息进行识别的准确性。
Description
技术领域
本申请涉及电力技术领域,特别是涉及一种缺陷信息处理方法、装置、设备及存储介质。
背景技术
输电线路是电力系统的重要基础设施,随着电力工业的快速发展,电网规模也在相应扩大,其结构非常庞大和复杂。输电线路检测是保证输电线路及相关设备安全可靠运行的有效途径,而检测输电线路的缺陷是输电线路检测中的主要任务,输电线路缺陷通常分为线路本体缺陷、附属设施缺陷和外部隐患缺陷三类。
在检测到输电线路的缺陷后,需要对输电线路缺陷进行准确的描述,现场作业人员才能够根据描述的缺陷,及时进行缺陷核实、分析、消除等操作。现有的输电线路缺陷描述方法,通常是在已有的缺陷库中查询对应的缺陷描述语言。
但是,现有的缺陷库中的缺陷信息不完整,导致经常出现对用户输入的缺陷信息进行识别所得到的识别结果不准确的问题。
发明内容
基于此,本申请实施例提供了一种缺陷信息处理方法、装置、设备及存储介质,可以提高对用户输入的缺陷信息进行识别的准确性。
第一方面,提供了一种缺陷信息处理方法,该方法包括:
获取用户输入的输电线路初始缺陷信息;对初始缺陷信息进行语义识别,得到语义识别结果;根据预设神经网络模型及缺陷信息数据库,对语义识别结果进行缺陷信息重构得到目标缺陷信息;缺陷信息数据库中存储了输电线路的标准缺陷信息。
在其中一个实施例中,根据预设神经网络模型及缺陷信息数据库,对语义识别结果进行缺陷信息重构得到目标缺陷信息,包括:
将语义识别结果与缺陷信息数据库中的标准缺陷信息进行匹配,得到匹配结果;根据匹配结果,通过预设神经网络模型对语义识别结果进行缺陷信息重构得到目标缺陷信息。
在其中一个实施例中,将语义识别结果与缺陷信息数据库中的标准缺陷信息进行匹配,得到匹配结果,包括:
根据语义识别结果,判断语义识别结果与缺陷信息数据库中的标准缺陷信息之间的相似度是否符合预设条件;若是,则从缺陷信息数据库中获取第一标准缺陷信息作为第一匹配结果;第一标准缺陷信息与语义识别结果之间的相似度符合预设条件;若否,则生成匹配失败的结果,并将匹配失败的结果作为第二匹配结果。
在其中一个实施例中,根据匹配结果,通过预设神经网络模型对语义识别结果进行缺陷信息重构得到目标缺陷信息,包括:
若匹配结果为第一匹配结果,则从第一标准缺陷信息中获取用户确定的第二标准缺陷信息;根据第二标准缺陷信息,对语义识别结果进行缺陷信息重构得到目标缺陷信息。
在其中一个实施例中,根据匹配结果,通过预设神经网络模型对语义识别结果进行缺陷信息重构得到目标缺陷信息,包括:
若匹配结果为第二匹配结果,则根据预设神经网络模型以及语义识别结果中的关键字段,对语义识别结果进行缺陷信息重构得到中间缺陷信息;从中间缺陷信息中获取用户确定的缺陷信息,作为目标缺陷信息。
在其中一个实施例中,上述方法还包括:
基于初始缺陷信息及目标缺陷信息,对预设神经网络模型的预设模型参数进行校正,得到目标模型参数;基于目标模型参数生成校正后的预设神经网络模型。
在其中一个实施例中,上述方法还包括:
从目标缺陷信息中获取同一设备的相同缺陷信息;对同一设备的相同缺陷信息进行去重处理,得到去重后的目标缺陷信息。
第二方面,提供了一种缺陷信息处理装置,该装置包括:
获取模块,用于获取用户输入的输电线路初始缺陷信息;
语义识别模块,用于对初始缺陷信息进行语义识别,得到语义识别结果;
重构模块,用于根据预设神经网络模型及缺陷信息数据库,对语义识别结果进行缺陷信息重构得到目标缺陷信息;缺陷信息数据库中存储了输电线路的标准缺陷信息。
第三方面,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时实现上述第一方面任一实施例中的方法步骤。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述第一方面任一实施例中的方法步骤。
上述缺陷信息处理方法、装置、设备及存储介质,通过获取用户输入的输电线路初始缺陷信息;对初始缺陷信息进行语义识别,得到语义识别结果;根据预设神经网络模型及缺陷信息数据库,对语义识别结果进行缺陷信息重构得到目标缺陷信息。在本申请实施例提供的技术方案中,通过预设神经网络模型及缺陷信息数据库,可以对未识别到的用户输入的缺陷信息进行缺陷信息重构,从而提高对用户输入的缺陷信息进行识别的准确性。
附图说明
图1为本申请实施例提供的一种计算机设备的框图;
图2为本申请实施例提供的一种缺陷信息处理方法的流程图;
图3为本申请实施例提供的一种缺陷信息处理方法的流程图;
图4为本申请实施例提供的一种缺陷信息处理方法的流程图;
图5为本申请实施例提供的一种缺陷信息处理方法的流程图;
图6为本申请实施例提供的一种缺陷信息处理方法的流程图;
图7为本申请实施例提供的一种缺陷信息处理方法的流程图;
图8为本申请实施例提供的一种缺陷信息处理方法的流程图;
图9为本申请实施例提供的一种缺陷信息处理方法的流程图;
图10为本申请实施例提供的一种缺陷信息处理装置的框图;
图11为本申请实施例提供的一种缺陷信息处理装置的框图;
图12为本申请实施例提供的一种缺陷信息处理装置的框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
本申请提供的缺陷信息处理方法可以应用于计算机设备中,计算机设备可以是服务器,也可以是终端,其中,服务器可以为一台服务器也可以为由多台服务器组成的服务器集群,本申请实施例对此不作具体限定,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
以计算机设备是服务器为例,图1示出了一种服务器的框图,如图1所示,服务器可以包括通过系统总线连接的处理器和存储器。其中,该服务器的处理器用于提供计算和控制能力。该服务器的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序以及数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现一种缺陷信息处理方法。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的服务器的限定,可选地服务器可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
需要说明的是,本申请实施例的执行主体可以是计算机设备,也可以是缺陷信息处理装置,下述方法实施例中就以计算机设备为执行主体进行说明。
在一个实施例中,如图2所示,其示出了本申请实施例提供的一种缺陷信息处理方法的流程图,该方法可以包括以下步骤:
步骤220、获取用户输入的输电线路初始缺陷信息。
其中,输电线路缺陷按照缺陷内容通常可以分为线路本体缺陷、附属设施缺陷和外部隐患缺陷三类,本体缺陷是指组成线路本体的构件、附件、零部件,包括基础、杆塔、导地线、绝缘子、金具、接地装置等本身的缺陷;附属设施缺陷是指附加在线路本体上的各类标志牌、警告牌及各种技术监测设备出现的缺陷;外部隐患缺陷是指外部环境变化对线路安全运行构成某种潜在性威胁的情况,例如,在线路保护区内新建房屋、植树竹、堆物、取土、施工车辆作业等对线路造成的影响。输电线路缺陷按照缺陷重要性通常可以分为一般缺陷、重大缺陷和紧急缺陷三类,一般缺陷是指线路虽有缺陷,但在一定期间对线路的正常运行影响不大,此类缺陷应列入年、季度检修计划中加以消除;重大缺陷是指缺陷对线路运行有严重威胁,短期内线路尚可维持运行,此类缺陷应在短时间内消除,消除前须加强监视;紧急缺陷是指缺陷已危及到输电线路的安全运行,随时可能导致线路事故的发生,此类缺陷必须尽快消除,或临时采取可以确保安全的技术措施进行处理,随后彻底消除的缺陷。
目前,输电线路已经逐步开始采用有人机、无人机等手段进行拍照巡视,从而得到大量的巡视照片,用户拿到巡视照片后筛选出产生缺陷的输电线路照片,根据输电线路照片中的缺陷内容,可以在输电线路缺陷识别系统上输入输电线路缺陷信息作为初始缺陷信息,用户在输入输电线路缺陷信息时,可以通过预设的下拉框进行缺陷信息字段的选择,也可以直接输入完整的描述缺陷信息的语句。
步骤240、对初始缺陷信息进行语义识别,得到语义识别结果。
其中,可以通过自然语言处理(Natural Language Processing,NLP)技术对初始缺陷信息进行语义识别,NLP技术可以包括词法分析、句法分析等方式,其中,词法分析还可以包括分词、词性标注、实体识别、拼写检查、关键词提取等;句法分析是确定句子的句法结构或者句子中词汇之间的依存关系,句法分析可以包括句法结构分析、依存关系分析、深层文法句法分析等,其中,句法结构分析用于识别出句子中的短语结构以及短语之间的层次句法关系;依存关系分析用于识别句子中词汇与词汇之间的相互依存关系;深层文法句法分析用于对句子进行深层的句法以及语义分析。
通过NLP技术对初始缺陷信息进行语义识别时,可以将输入的初始缺陷信息按照主语、谓语、助语等信息进行分类标注,从而得到语义识别结果。在识别的过程中,优选地,可以采用三层神经网络模型,分别包括输入层、隐藏层和输出层,从而可以考虑到网络前一时刻的输出对当前输出的影响,将隐藏层内部的节点也连接起来,即当前时刻一个节点的输入除了上一层的输出外,还包括上一时刻隐藏层的输出。例如,在语义识别处理过程中,上下文关系非常重要,一个句子中前后词并不独立,不同的组合会有不同的意义,比如“优秀”这个词,如果前面是“不”,则语义就会完全相反。
步骤260、根据预设神经网络模型及缺陷信息数据库,对语义识别结果进行缺陷信息重构得到目标缺陷信息;缺陷信息数据库中存储了输电线路的标准缺陷信息。
其中,预设神经网络模型是学习缺陷信息后已训练好的网络模型。通过预设神经网络模型可以根据用户输入的初始缺陷信息输出对应的标准缺陷信息,预设神经网络模型可以为循环神经网络模型、卷积神经网络模型,还可以是其他神经网络模型。缺陷信息数据库中存储了输电线路的标准缺陷信息,标准缺陷信息是一种规范化、标准化的缺陷描述方式,标准缺陷信息中可以包括缺陷序号、输电线名称、输电线位置、缺陷内容、缺陷等级等。将用户输入的初始缺陷信息输入至预设神经网络模型,根据预设神经网络模型及缺陷信息数据库,可以对语义识别结果进行缺陷信息重构,从而可以输出对应的标准缺陷信息,即目标缺陷信息。在对语义识别结果进行缺陷信息重构时,可以直接利用缺陷信息数据库中的标准缺陷信息对语义识别结果进行缺陷信息重构,也可以对缺陷信息数据库中的标准缺陷信息进行特征提取、重新组合等处理后,再对语义识别结果进行缺陷信息重构,也可以是采用预设网络模型自动补充完善用户输入的初始缺陷信息,从而实现对语义识别结果进行缺陷信息重构,还可以是其他缺陷信息重构的方式,本实施例对此不作具体限定。
本实施例中,通过获取用户输入的输电线路初始缺陷信息;对初始缺陷信息进行语义识别,得到语义识别结果;根据预设神经网络模型及缺陷信息数据库,对语义识别结果进行缺陷信息重构得到目标缺陷信息。通过预设神经网络模型及缺陷信息数据库,可以对未识别到的用户输入的缺陷信息进行缺陷信息重构,从而提高对用户输入的缺陷信息进行识别的准确性。
在一个实施例中,如图3所示,其示出了本申请实施例提供的一种缺陷信息处理方法的流程图,具体涉及的是确定目标缺陷信息的过程,该方法可以包括以下步骤:
步骤320、将语义识别结果与缺陷信息数据库中的标准缺陷信息进行匹配,得到匹配结果。
其中,语义识别结果可以包括对初始缺陷信息进行分类标注后的主语、谓语、助语等字段,将语义识别结果与缺陷信息数据库中的标准缺陷信息进行匹配时,可以通过将语义识别结果中的所有字段信息与标准缺陷信息进行匹配,也可以从语义识别结果中筛选出一个或多个关键字段,将关键字段与标准缺陷信息进行匹配,从而得到匹配结果。
步骤340、根据匹配结果,通过预设神经网络模型对语义识别结果进行缺陷信息重构得到目标缺陷信息。
其中,在实际应用过程中,用户输入的输电线路初始缺陷信息对应的缺陷类型是多样化的,并且不同的用户由于表述方式的差异使得输入的输电线路初始缺陷信息也是不同的,以及缺陷信息数据库中的标准缺陷信息的类型也是有限的,因而在将语义识别结果与缺陷信息数据库中的标准缺陷信息进行匹配时,就会得到不同的匹配结果,匹配结果可以对应匹配成功和匹配失败两种结果,可以通过不同的匹配结果对应的重构方式,通过预设神经网络模型对语义识别结果进行缺陷信息重构得到目标缺陷信息。例如,若预设神经网络模型为循环神经网络模型,循环神经网络模型会记忆之前的信息,并利用之前的信息影响后面的输出。即,循环神经网络模型的隐藏层之间的结点是有连接的,将输入层输出的缺陷信息重构结果与上一时刻隐藏层输出缺陷信息重构结果都作为当前时刻节点的输入,从而实现对语义识别结果进行缺陷信息重构得到目标缺陷信息;若预设神经网络模型为卷积神经网络模型,卷积神经网络模型具有多层结构,可以对缺陷信息进行多层次的分层学习,并自动进行特征提取,从而对语义识别结果进行缺陷信息重构得到目标缺陷信息。
本实施例中,通过将语义识别结果与缺陷信息数据库中的标准缺陷信息进行匹配,得到匹配结果;根据匹配结果,通过预设神经网络模型对语义识别结果进行缺陷信息重构得到目标缺陷信息。由于可以根据不同的匹配结果对语义识别结果进行缺陷信息重构,提高了对缺陷信息进行重构的效率,并且也能够对缺陷信息重构的更加准确。
在一个实施例中,如图4所示,其示出了本申请实施例提供的一种缺陷信息处理方法的流程图,具体涉及的是确定匹配结果的过程,该方法可以包括以下步骤:
步骤420、根据语义识别结果,判断语义识别结果与缺陷信息数据库中的标准缺陷信息之间的相似度是否符合预设条件。
其中,相似度可以用来描述语义识别结果与缺陷信息数据库中的标准缺陷信息之间的差异大小,相似度可以通过语义识别结果与标准缺陷信息之间词的交集与并集的比值来确定,也可以通过其他方式来确定相似度,预设条件可以是预设的相似度阈值,也可以是预设的相似度的范围值,可以通过判断语义识别结果与缺陷信息数据库中的标准缺陷信息之间的相似度是否符合预设条件,来确定匹配结果。
步骤440、若是,则从缺陷信息数据库中获取第一标准缺陷信息作为第一匹配结果;第一标准缺陷信息与语义识别结果之间的相似度符合预设条件。
其中,第一标准缺陷信息与语义识别结果之间的相似度符合预设条件,就将该第一标准缺陷信息作为第一匹配结果,即匹配成功,缺陷信息数据库中获取到的第一标准缺陷信息可以包含一条标准缺陷信息,也可以包含多条标准缺陷信息。例如,预设条件为相似度值在90%到100%之间,若第一标准缺陷信息与语义识别结果之间的相似度为95%,即为该第一标准缺陷信息与语义识别结果之间的相似度符合预设条件,即将该第一标准缺陷信息作为第一匹配结果,其中,相似度值在90%到100%之间的第一标准缺陷信息也可以有多条。
步骤460、若否,则生成匹配失败的结果,并将匹配失败的结果作为第二匹配结果。
其中,第一标准缺陷信息与语义识别结果之间的相似度不符合预设条件,则第二匹配结果为匹配失败。例如,预设条件为相似度值在90%到100%之间,若第一标准缺陷信息与语义识别结果之间的相似度为70%,即为该第一标准缺陷信息与语义识别结果之间的相似度不符合预设条件,即匹配失败,则将该将匹配失败的结果作为第二匹配结果。
本实施例中,通过根据语义识别结果,判断语义识别结果与缺陷信息数据库中的标准缺陷信息之间的相似度是否符合预设条件;若是,则从缺陷信息数据库中获取第一标准缺陷信息作为第一匹配结果;若否,则生成匹配失败的结果,并将匹配失败的结果作为第二匹配结果。通过预设条件与相似度之间的关系来确定匹配结果,确定方式简单易操作,使得确定匹配结果的效率高。
在一个实施例中,如图5所示,其示出了本申请实施例提供的一种缺陷信息处理方法的流程图,具体涉及的是根据第一匹配结果确定目标缺陷信息的过程,该方法可以包括以下步骤:
步骤520、若匹配结果为第一匹配结果,则从第一标准缺陷信息中获取用户确定的第二标准缺陷信息。
其中,若匹配结果为第一匹配结果,第一匹配结果为从缺陷信息数据库中获取到的第一标准缺陷信息,由于符合预设条件的第一标准缺陷信息包括至少一条标准缺陷信息,因而需要从第一标准缺陷信息中获取用户确定的第二标准缺陷信息,用户可以通过与自身输入的初始缺陷信息进行再次比较后,选择出一条标准缺陷信息作为第二标准缺陷信息;也可以根据实际需求选择出一条标准缺陷信息作为第二标准缺陷信息;还可以直接选择相似度最高的标准缺陷信息作为第二标准缺陷信息,本实施例对此不作具体限定。
步骤540、根据第二标准缺陷信息,对语义识别结果进行缺陷信息重构得到目标缺陷信息。
其中,可以直接将第二标准缺陷信息作为目标缺陷信息,以实现对语义识别结果进行缺陷信息重构,还可以通过对第二标准缺陷信息特征提取、重新组合等处理后,根据处理后的结果对语义识别结果进行缺陷信息重构得到目标缺陷信息。
本实施例中,若匹配结果为第一匹配结果,则从第一标准缺陷信息中获取用户确定的第二标准缺陷信息;根据第二标准缺陷信息,对语义识别结果进行缺陷信息重构得到目标缺陷信息。通过直接根据第二标准缺陷信息对语义识别结果进行缺陷信息重构,从而得到目标缺陷信号,能够更加高效的进行缺陷信息的重构,并且由于第二标准缺陷信息本身也属于标准缺陷库中的标准缺陷信息,也提高了对缺陷信息进行重构的准确性。
在一个实施例中,如图6所示,其示出了本申请实施例提供的一种缺陷信息处理方法的流程图,具体涉及的是根据第二匹配结果确定目标缺陷信息的过程,该方法可以包括以下步骤:
步骤620、若匹配结果为第二匹配结果,则根据预设神经网络模型以及语义识别结果中的关键字段,对语义识别结果进行缺陷信息重构得到中间缺陷信息。
其中,若匹配结果为第二匹配结果,第二匹配结果为匹配失败的结果,则需要根据预设神经网络模型以及语义识别结果中的关键字段,对语义识别结果进行缺陷信息重构。预设神经网络模型已学习了缺陷信息的语义结构,可以根据语义识别结果中的关键字段,加入与该关键字段相关的新的特征,再进行组合处理后实现对语义识别结果进行缺陷信息重构,从而得到重构后的缺陷信息作为中间缺陷信息。
步骤640、从中间缺陷信息中获取用户确定的缺陷信息,作为目标缺陷信息。
其中,中间缺陷信息可以输出给用户,用户可以对该中间缺陷信息进行审核处理,并在审核处理时,可以根据自身输入的初始缺陷信息进行再次比较审核,也可以根据实际需求进行审核。审核时可以直接将中间缺陷信息确定为目标缺陷信息,也可以对中间缺陷信息进行修改后确定为目标缺陷信息。
本实施例中,若匹配结果为第二匹配结果,则根据预设神经网络模型以及语义识别结果中的关键字段,对语义识别结果进行缺陷信息重构得到中间缺陷信息;从中间缺陷信息中获取用户确定的缺陷信息,作为目标缺陷信息。通过预设神经网络模型以及关键字段对语义识别结果进行重构,从而得到目标缺陷信息,保证在无法在匹配失败的情况下也能得到一个标准缺陷信息,提高了缺陷信息识别的效率。
在一个实施例中,如图7所示,其示出了本申请实施例提供的一种缺陷信息处理方法的流程图,具体涉及的是预设神经网络模型进行更新的过程,该方法可以包括以下步骤:
步骤720、基于初始缺陷信息及目标缺陷信息,对预设神经网络模型的预设模型参数进行校正,得到目标模型参数。
步骤740、基于目标模型参数生成校正后的预设神经网络模型。
其中,预设神经网络模型是训练好的网络模型,预设神经网络模型的生成过程可以是:首先获取缺陷信息训练集以及初始缺陷信息数据库,其中,缺陷信息训练集可以是用户任意输入的多个初始缺陷信息,初始缺陷信息数据库可以是根据电力行业现行技术标准及已有的缺陷信息数据,再对已有的缺陷信息数据进行数据加工处理后得到的,初始缺陷信息数据库可以采用结构化的存储方式;接着通过初始神经网络模型对缺陷信息训练集中的缺陷信息进行识别,得到缺陷信息识别结果,其中,初始神经网络模型为模型参数初始化后未经过修正的网络模型;再基于缺陷信息识别结果以及初始缺陷信息数据库中的初始缺陷信息,对初始神经网络模型的参数进行校正,从而得到预设模型参数;最后根据预设模型参数生成预设神经网络模型。
在得到目标缺陷信息后,目标缺陷信息也可以用来对预设神经网络模型进行训练,因而,可以基于初始缺陷信息及目标缺陷信息,再对预设神经网络模型的预设模型参数进行校正,从而得到目标模型参数,再基于目标模型参数生成校正后的预设神经网络模型,从而可以根据校正后的预设神经网络模型对用户输入的初始缺陷信息进行识别。
本实施例中,基于初始缺陷信息及目标缺陷信息,对预设神经网络模型的预设模型参数进行校正,得到目标模型参数;基于目标模型参数生成校正后的预设神经网络模型。由于通过将重构后的目标缺陷信息输入至预设神经网络模型中对模型反复训练,进一步提高了对用户输入的缺陷信息进行识别的准确性与快速性。
在一个实施例中,如图8所示,其示出了本申请实施例提供的一种缺陷信息处理方法的流程图,具体涉及的是对目标缺陷信息进行去重的过程,该方法可以包括以下步骤:
步骤820、从目标缺陷信息中获取同一设备的相同缺陷信息。
其中,在得到的目标缺陷信息中,由于用户多次输入初始缺陷信息,会出现同一设备对应多个相同的目标缺陷信息的情况,实际应用中需要对多个相同的目标缺陷信息进行处理,因而要先从目标缺陷信息中获取到同一设备的相同缺陷信息,可以通过筛选比对的方式获取到同一设备的相同缺陷信息。
步骤840、对同一设备的相同缺陷信息进行去重处理,得到去重后的目标缺陷信息。
其中,在获取到同一设备的相同缺陷信息后,可以对相同缺陷信息进行去重处理,得到去重后的目标缺陷信息。去重处理可以是将同一设备的相同缺陷信息进行标记,例如可以是用相同颜色进行颜色标记,去重处理还可以是将同一设备的相同缺陷信息进行标记后,将相同缺陷信息整合为一条缺陷信息,得到去重后的目标缺陷信息,去重后的目标缺陷信息还可以再次输出给用户审核,由用户审核是否出现遗漏去重的情况。
本实施例中,通过从目标缺陷信息中获取同一设备的相同缺陷信息;对同一设备的相同缺陷信息进行去重处理,得到去重后的目标缺陷信息。从而提高该目标缺陷信息的可用性,也避免了后续对缺陷信息进行统计分析时的资源浪费,以及避免了作业人员根据该目标缺陷信息进行作业时的资源浪费,并且,由于不断的扩展完善缺陷信息库,通过标准的缺陷信息能够辅助作业人员准确判断缺陷涉及的具体设备及位置,有利于作业人员开展缺陷核实,进而提高缺陷的分析效果。
在一个实施例中,如图9所示,其示出了本申请实施例提供的一种缺陷信息处理方法的流程图,该方法可以包括以下步骤:
步骤901、获取用户输入的输电线路初始缺陷信息。
步骤902、对初始缺陷信息进行语义识别,得到语义识别结果。
步骤903、根据语义识别结果,判断语义识别结果与缺陷信息数据库中的标准缺陷信息之间的相似度是否符合预设条件。
步骤904、若是,则从缺陷信息数据库中获取第一标准缺陷信息作为第一匹配结果。
步骤905、若否,则生成匹配失败的结果,并将匹配失败的结果作为第二匹配结果。
步骤906、若匹配结果为第一匹配结果,则从第一标准缺陷信息中获取用户确定的第二标准缺陷信息;根据第二标准缺陷信息,对语义识别结果进行缺陷信息重构得到目标缺陷信息。
步骤907、若匹配结果为第二匹配结果,则根据预设神经网络模型以及语义识别结果中的关键字段,对语义识别结果进行缺陷信息重构得到中间缺陷信息;从中间缺陷信息中获取用户确定的缺陷信息,作为目标缺陷信息。
步骤908、基于初始缺陷信息及目标缺陷信息,对预设神经网络模型的预设模型参数进行校正,得到目标模型参数。
步骤909、基于目标模型参数生成校正后的预设神经网络模型,并返回执行步骤902。
步骤910、从目标缺陷信息中获取同一设备的相同缺陷信息。
步骤911、对同一设备的相同缺陷信息进行去重处理,得到去重后的目标缺陷信息。
本实施例提供的缺陷信息处理方法中各步骤,其实现原理和技术效果与前面各缺陷信息处理方法实施例中类似,在此不再赘述。图9实施例中各步骤的实现方式只是一种举例,对各实现方式不作限定,各步骤的顺序在实际应用中可进行调整,只要可以实现各步骤的目的即可。
在本申请实施例提供的技术方案中,通过预设神经网络模型及缺陷信息数据库,可以对未识别到的用户输入的缺陷信息进行缺陷信息重构,从而提高对用户输入的缺陷信息进行识别的准确性。
应该理解的是,虽然图2-9的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-9中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
请参考图10,其示出了本申请实施例提供的一种缺陷信息处理装置1000的框图。如图10所示,该缺陷信息处理装置1000可以包括:第一获取模块1002、语义识别模块1004和重构模块1006,其中:
第一获取模块1002,用于获取用户输入的输电线路初始缺陷信息;
语义识别模块1004,用于对初始缺陷信息进行语义识别,得到语义识别结果;
重构模块1006,用于根据预设神经网络模型及缺陷信息数据库,对语义识别结果进行缺陷信息重构得到目标缺陷信息;缺陷信息数据库中存储了输电线路的标准缺陷信息。
在一个实施例中,上述重构模块1006包括匹配单元和重构单元,匹配单元用于将语义识别结果与缺陷信息数据库中的标准缺陷信息进行匹配,得到匹配结果;重构单元用于根据匹配结果,通过预设神经网络模型对语义识别结果进行缺陷信息重构得到目标缺陷信息。
在一个实施例中,上述匹配单元具体用于根据语义识别结果,判断语义识别结果与缺陷信息数据库中的标准缺陷信息之间的相似度是否符合预设条件;若是,则从缺陷信息数据库中获取第一标准缺陷信息作为第一匹配结果;第一标准缺陷信息与语义识别结果之间的相似度符合预设条件;若否,则生成匹配失败的结果,并将匹配失败的结果作为第二匹配结果。
在一个实施例中,上述重构单元具体用于若匹配结果为第一匹配结果,则从第一标准缺陷信息中获取用户确定的第二标准缺陷信息;根据第二标准缺陷信息,对语义识别结果进行缺陷信息重构得到目标缺陷信息。
在一个实施例中,上述重构单元还用于若匹配结果为第二匹配结果,则根据预设神经网络模型以及语义识别结果中的关键字段,对语义识别结果进行缺陷信息重构得到中间缺陷信息;从中间缺陷信息中获取用户确定的缺陷信息,作为目标缺陷信息。
在一个实施例中,请参考图11,其示出了本申请实施例提供的一种缺陷信息处理装置1000的框图。如图11所示,上述缺陷信息处理装置1000还包括校正模块1008和生成模块1010,其中:
校正模块1008,用于基于初始缺陷信息及目标缺陷信息,对预设神经网络模型的预设模型参数进行校正,得到目标模型参数;
生成模块1010,用于基于目标模型参数生成校正后的预设神经网络模型。
在一个实施例中,请参考图12,其示出了本申请实施例提供的一种缺陷信息处理装置1000的框图。如图12所示,上述缺陷信息处理装置1000还包括第二获取模块1012和去重模块1014,其中:
第二获取模块1012,用于从目标缺陷信息中获取同一设备的相同缺陷信息;
去重模块1014,用于对同一设备的相同缺陷信息进行去重处理,得到去重后的目标缺陷信息。
关于缺陷信息处理装置的具体限定可以参见上文中对于缺陷信息处理方法的限定,在此不再赘述。上述缺陷信息处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块的操作。
在本申请的一个实施例中,提供了一种计算机设备,该计算机设备包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取用户输入的输电线路初始缺陷信息;对初始缺陷信息进行语义识别,得到语义识别结果;根据预设神经网络模型及缺陷信息数据库,对语义识别结果进行缺陷信息重构得到目标缺陷信息;缺陷信息数据库中存储了输电线路的标准缺陷信息。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
将语义识别结果与缺陷信息数据库中的标准缺陷信息进行匹配,得到匹配结果;根据匹配结果,通过预设神经网络模型对语义识别结果进行缺陷信息重构得到目标缺陷信息。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据语义识别结果,判断语义识别结果与缺陷信息数据库中的标准缺陷信息之间的相似度是否符合预设条件;若是,则从缺陷信息数据库中获取第一标准缺陷信息作为第一匹配结果;第一标准缺陷信息与语义识别结果之间的相似度符合预设条件;若否,则生成匹配失败的结果,并将匹配失败的结果作为第二匹配结果。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
若匹配结果为第一匹配结果,则从第一标准缺陷信息中获取用户确定的第二标准缺陷信息;根据第二标准缺陷信息,对语义识别结果进行缺陷信息重构得到目标缺陷信息。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
若匹配结果为第二匹配结果,则根据预设神经网络模型以及语义识别结果中的关键字段,对语义识别结果进行缺陷信息重构得到中间缺陷信息;从中间缺陷信息中获取用户确定的缺陷信息,作为目标缺陷信息。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于初始缺陷信息及目标缺陷信息,对预设神经网络模型的预设模型参数进行校正,得到目标模型参数;基于目标模型参数生成校正后的预设神经网络模型。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
从目标缺陷信息中获取同一设备的相同缺陷信息;对同一设备的相同缺陷信息进行去重处理,得到去重后的目标缺陷信息。
本申请实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在本申请的一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取用户输入的输电线路初始缺陷信息;对初始缺陷信息进行语义识别,得到语义识别结果;根据预设神经网络模型及缺陷信息数据库,对语义识别结果进行缺陷信息重构得到目标缺陷信息;缺陷信息数据库中存储了输电线路的标准缺陷信息。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将语义识别结果与缺陷信息数据库中的标准缺陷信息进行匹配,得到匹配结果;根据匹配结果,通过预设神经网络模型对语义识别结果进行缺陷信息重构得到目标缺陷信息。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据语义识别结果,判断语义识别结果与缺陷信息数据库中的标准缺陷信息之间的相似度是否符合预设条件;若是,则从缺陷信息数据库中获取第一标准缺陷信息作为第一匹配结果;第一标准缺陷信息与语义识别结果之间的相似度符合预设条件;若否,则生成匹配失败的结果,并将匹配失败的结果作为第二匹配结果。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若匹配结果为第一匹配结果,则从第一标准缺陷信息中获取用户确定的第二标准缺陷信息;根据第二标准缺陷信息,对语义识别结果进行缺陷信息重构得到目标缺陷信息。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若匹配结果为第二匹配结果,则根据预设神经网络模型以及语义识别结果中的关键字段,对语义识别结果进行缺陷信息重构得到中间缺陷信息;从中间缺陷信息中获取用户确定的缺陷信息,作为目标缺陷信息。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于初始缺陷信息及目标缺陷信息,对预设神经网络模型的预设模型参数进行校正,得到目标模型参数;基于目标模型参数生成校正后的预设神经网络模型。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
从目标缺陷信息中获取同一设备的相同缺陷信息;对同一设备的相同缺陷信息进行去重处理,得到去重后的目标缺陷信息。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种缺陷信息处理方法,其特征在于,所述方法包括:
获取用户输入的输电线路初始缺陷信息;
对所述初始缺陷信息进行语义识别,得到语义识别结果;所述语义识别结果包括对所述初始缺陷信息进行分类标注后的主语、谓语和助语;
将所述语义识别结果与缺陷信息数据库中的标准缺陷信息进行匹配,得到匹配结果;所述缺陷信息数据库中存储了输电线路的标准缺陷信息;
根据所述匹配结果,通过预设神经网络模型对所述语义识别结果进行缺陷信息重构得到目标缺陷信息;
所述将所述语义识别结果与缺陷信息数据库中的标准缺陷信息进行匹配,得到匹配结果,包括:
根据所述语义识别结果,判断所述语义识别结果与所述缺陷信息数据库中的所述标准缺陷信息之间的相似度是否符合预设条件;
若是,则从所述缺陷信息数据库中获取第一标准缺陷信息作为第一匹配结果;所述第一标准缺陷信息与所述语义识别结果之间的相似度符合预设条件;
若否,则生成匹配失败的结果,并将所述匹配失败的结果作为第二匹配结果;
所述根据所述匹配结果,通过预设神经网络模型对所述语义识别结果进行缺陷信息重构得到目标缺陷信息,包括:
若所述匹配结果为所述第一匹配结果,则从所述第一标准缺陷信息中获取用户确定的第二标准缺陷信息;
根据所述第二标准缺陷信息,对所述语义识别结果进行缺陷信息重构得到所述目标缺陷信息;
所述根据所述匹配结果,通过预设神经网络模型对所述语义识别结果进行缺陷信息重构得到目标缺陷信息,包括:
若所述匹配结果为所述第二匹配结果,则根据所述预设神经网络模型以及所述语义识别结果中的关键字段,对所述语义识别结果进行缺陷信息重构得到中间缺陷信息;
从所述中间缺陷信息中获取用户确定的缺陷信息,作为所述目标缺陷信息。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述初始缺陷信息及所述目标缺陷信息,对所述预设神经网络模型的预设模型参数进行校正,得到目标模型参数;
基于所述目标模型参数生成校正后的预设神经网络模型。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
从所述目标缺陷信息中获取同一设备的相同缺陷信息;
对所述同一设备的相同缺陷信息进行去重处理,得到去重后的目标缺陷信息。
4.一种缺陷信息处理装置,其特征在于,所述装置包括:
获取模块,用于获取用户输入的输电线路初始缺陷信息;
语义识别模块,用于对所述初始缺陷信息进行语义识别,得到语义识别结果;所述语义识别结果包括对所述初始缺陷信息进行分类标注后的主语、谓语和助语;
匹配模块,用于将所述语义识别结果与缺陷信息数据库中的标准缺陷信息进行匹配,得到匹配结果;所述缺陷信息数据库中存储了输电线路的标准缺陷信息;
重构模块,用于根据所述匹配结果,通过预设神经网络模型对所述语义识别结果进行缺陷信息重构得到目标缺陷信息;
所述匹配模块包括匹配单元,所述匹配单元具体用于根据所述语义识别结果,判断所述语义识别结果与所述缺陷信息数据库中的所述标准缺陷信息之间的相似度是否符合预设条件;若是,则从所述缺陷信息数据库中获取第一标准缺陷信息作为第一匹配结果;所述第一标准缺陷信息与所述语义识别结果之间的相似度符合预设条件;若否,则生成匹配失败的结果,并将所述匹配失败的结果作为第二匹配结果;
所述重构模块包括重构单元,所述重构单元具体用于若所述匹配结果为所述第一匹配结果,则从所述第一标准缺陷信息中获取所述用户确定的第二标准缺陷信息;根据所述第二标准缺陷信息,对所述语义识别结果进行缺陷信息重构得到所述目标缺陷信息;若所述匹配结果为所述第二匹配结果,则根据所述预设神经网络模型以及所述语义识别结果中的关键字段,对所述语义识别结果进行缺陷信息重构得到中间缺陷信息;从所述中间缺陷信息中获取所述用户确定的缺陷信息,作为所述目标缺陷信息。
5.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至3任一项所述的方法的步骤。
6.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110314268.2A CN113204957B (zh) | 2021-03-24 | 2021-03-24 | 缺陷信息处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110314268.2A CN113204957B (zh) | 2021-03-24 | 2021-03-24 | 缺陷信息处理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113204957A CN113204957A (zh) | 2021-08-03 |
CN113204957B true CN113204957B (zh) | 2023-06-16 |
Family
ID=77025579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110314268.2A Active CN113204957B (zh) | 2021-03-24 | 2021-03-24 | 缺陷信息处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113204957B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110413732A (zh) * | 2019-07-16 | 2019-11-05 | 扬州大学 | 面向软件缺陷知识的知识搜索方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657232A (zh) * | 2018-11-16 | 2019-04-19 | 北京九狐时代智能科技有限公司 | 一种意图识别方法 |
CN109726265A (zh) * | 2018-12-13 | 2019-05-07 | 深圳壹账通智能科技有限公司 | 辅助聊天的信息处理方法、设备及计算机可读存储介质 |
CN109977228B (zh) * | 2019-03-21 | 2021-01-12 | 浙江大学 | 电网设备缺陷文本的信息辨识方法 |
CN110263330B (zh) * | 2019-05-22 | 2024-06-25 | 腾讯科技(深圳)有限公司 | 问题语句的改写方法、装置、设备和存储介质 |
-
2021
- 2021-03-24 CN CN202110314268.2A patent/CN113204957B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110413732A (zh) * | 2019-07-16 | 2019-11-05 | 扬州大学 | 面向软件缺陷知识的知识搜索方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113204957A (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021042503A1 (zh) | 信息分类抽取方法、装置、计算机设备和存储介质 | |
CN109697162B (zh) | 一种基于开源代码库的软件缺陷自动检测方法 | |
CN112699665B (zh) | 一种安全报告文本的三元组抽取方法、装置及电子设备 | |
CN106570180A (zh) | 基于人工智能的语音搜索方法及装置 | |
CN116611449A (zh) | 异常日志解析方法、装置、设备及介质 | |
CN114491018A (zh) | 敏感信息检测模型的构建方法、敏感信息检测方法及装置 | |
CN118013963B (zh) | 敏感词的识别和替换方法及其装置 | |
CN116611071A (zh) | 一种基于多模态的函数级漏洞检测的方法 | |
CN111258905A (zh) | 缺陷定位方法、装置和电子设备及计算机可读存储介质 | |
CN111126056A (zh) | 一种识别触发词的方法及装置 | |
CN114580346A (zh) | 结合rpa和ai的信息生成方法、装置、电子设备及存储介质 | |
CN113778852A (zh) | 一种基于正则表达式的代码分析方法 | |
CN109344385B (zh) | 自然语言处理方法、装置、计算机设备和存储介质 | |
CN113204957B (zh) | 缺陷信息处理方法、装置、设备及存储介质 | |
CN116560890A (zh) | 一种结合词法和语法信息的自动程序修复方法 | |
CN109993190B (zh) | 一种本体匹配方法、装置和计算机存储介质 | |
CN113553052B (zh) | 使用Attention编码表示自动识别与安全相关的代码提交的方法 | |
US11366742B2 (en) | Automated identification of lines of code related to errors field | |
CN113515627B (zh) | 文档检测方法、装置、设备及存储介质 | |
CN114896269A (zh) | 结构化查询语句检测方法、装置、电子设备及存储介质 | |
CN113127635A (zh) | 数据处理方法、装置及系统,存储介质和电子设备 | |
Kimura et al. | Treatment of legal sentences including itemized and referential expressions–towards translation into logical forms | |
US20240289262A1 (en) | Automatic testing with feature tags trained by machine learning for updates in version control systems | |
CN117807603B (zh) | 软件供应链审计方法、系统及计算机可读存储介质 | |
CN118227850B (zh) | 一种试题查重方法及系统 |
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 |