CN113408424B - 用品识别方法、装置、电子设备及存储介质 - Google Patents
用品识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113408424B CN113408424B CN202110687602.9A CN202110687602A CN113408424B CN 113408424 B CN113408424 B CN 113408424B CN 202110687602 A CN202110687602 A CN 202110687602A CN 113408424 B CN113408424 B CN 113408424B
- Authority
- CN
- China
- Prior art keywords
- article
- classification
- wearing
- training
- label
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 106
- 230000006870 function Effects 0.000 claims description 34
- 238000011176 pooling Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000001681 protective effect Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009385 viral infection Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06N3/045—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)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像分类技术,揭露了一种用品识别方法,包括:对训练图片集进行用品分类及穿戴级别的标注,得到标注后的样本集,利用所述样本集及预构建的用品分类标签,对预构建的多目标识别模型进行分类训练,完成所述分类训练后,利用所述多目标识别模型,构建多任务学习模型,利用所述样本集、所述预构建的用品分类标签和所述预构建的用品穿戴级别标签,对所述多任务学习模型进行多任务训练,完成所述多任务训练后,利用所述多任务学习模型对待识别图片进行用品分类及用品穿戴级别的识别。本发明还提出一种用品识别装置、电子设备及存储介质。本发明可以解决单任务目标识别模型的泛用性和鲁棒性较低的问题。
Description
技术领域
本发明涉及图像分类技术领域,尤其涉及一种用品识别方法、装置、电子设备及计算机可读存储介质。
背景技术
基于图片或视频影像的目标识别技术在生产、生活中有着广泛的应用,例如,机场安全检测通道的人脸识别、危险用品识别,医院隔离区域对医护人员防护用品的识别。当前目标识别较多是基于深度学习的卷积神经网络,构建单任务训练模型,通过大量样本集对单任务训练模型进行目标识别训练,达到目标识别的效果,但是单任务的目标识别训练存在下述问题:
一方面,不能平衡待识别目标特征差异比较大或比较小的情况,例如,不同待识别目标的检测框大小差异比较大,例如,防护服和医用眼罩。不同待识别目标的检测框大小差异比较小,例如,规范的戴口罩和非规范的戴口罩。另一方面,通过单任务的目标识别训练获取的目标特征,不能直接应用到相关待识别目标的检测中,需要针对所述相关待识别目标构建新的训练模型。例如,对椅子进行单任务目标识别的模型,在对桌子的目标识别的应用中表现效果一般。因此单任务目标识别模型的泛用性和鲁棒性较低。
发明内容
本发明提供一种用品识别方法、装置及计算机可读存储介质,其主要目的在于。
为实现上述目的,本发明提供的一种用品识别方法,包括:
获取训练图片集,根据预构建的用品分类标签及用品穿戴级别标签,对所述训练图片集进行用品分类的标注及用品穿戴级别的标注,得到标注后的图片集;
以所述标注后的图片集为样本集,利用所述样本集及所述用品分类标签,对预构建的多目标识别模型进行分类训练直到所述分类训练的误差值满足第一预设条件;
根据所述用品分类标签及所述多目标识别模型构建多任务学习模型;
利用所述样本集、所述用品分类标签及所述用品穿戴级别标签,对所述多任务学习模型进行多任务训练直到所述多任务训练的误差值满足第二预设条件;
利用所述多任务学习模型对待识别图片进行用品分类及用品穿戴级别的识别,得到所述待识别图片的用品分类及用品的穿戴级别。
可选地,所述所述利用所述样本集及所述用品分类标签,对预构建的多目标识别模型进行分类训练直到所述分类训练的误差值满足第一预设条件,包括:
根据所述用品分类标签,对所述预构建的多目标识别模型进行参数初始化;
利用所述样本集对参数初始化后的所述多目标识别模型进行分类训练,得到所述样本集的分类特征集;
利用预测函数对所述分类特征集进行分类概率计算,得到所述样本集的分类结果;
利用预构建的第一损失函数,判断所述用品分类结果和所述样本集的用品分类真实标签之间的误差值是否满足第一预设条件;
若所述误差值不满足所述第一预设条件,则返回根据所述用品分类标签,对所述预构建的多目标识别模型进行参数初始化的步骤;
若所述误差值满足所述第一预设条件,则退出所述分类训练。
可选地,所述根据所述用品分类标签及所述多目标识别模型构建多任务学习模型,包括:
统计所述用品分类标签的数量;
根据所述用品分类标签的数量,在所述多目标识别模型中添加相同数量的网络分支,得到多任务学习模型。
可选地,所述利用所述样本集、所述用品分类标签及所述用品穿戴级别标签,对所述多任务学习模型进行多任务训练直到所述多任务训练的误差值满足第二预设条件,包括:
利用所述用品分类标签及所述用品穿戴级别标签,对所述多任务学习模型进行参数初始化;
利用所述样本集对参数初始化后的所述多任务学习模型进行多任务训练,得到所述样本集的分类特征集及用品穿戴特征集;
利用预测函数对所述样本集的分类特征集及用品穿戴特征集进行用品分类及穿戴级别概率计算,得到所述样本集的用品分类结果及穿戴级别结果;
利用预构建的第二损失函数,计算所述用品分类结果与所述样本集的用品分类真实标签之间的分类误差值和所述穿戴级别结果与所述样本集的用品穿戴级别真实标签之间的穿戴级别误差值;
判断所述分类误差值及所述穿戴级别误差值是否满足第二预设条件;
若所述分类误差值及所述穿戴级别误差值不满足所述第二预设条件,返回利用所述用品分类标签及所述用品穿戴级别标签,对所述多任务学习模型进行参数初始化的步骤;
若所述分类误差值及所述穿戴级别误差值满足所述第二预设条件,则退出所述多任务训练。
可选地,所述利用所述多任务学习模型对待识别图片进行用品分类及用品穿戴级别的识别,包括:
利用所述多任务学习模型,对待识别图片进行用品分类特征提取及用品穿戴级别特征提取,得到所述待识别图片的用品分类特征及用品穿戴级别特征;
利用预测函数,对所述用品分类特征及用品穿戴级别特征进行用品分类及穿戴级别概率计算,得到所述样本集的用品分类及穿戴级别结果。
可选地,所述得到所述待识别图片的用品分类及用品的穿戴级别之后,还包括:
根据所述用品分类及所述用品的穿戴级别,匹配预构建的预警信息库,得到对应的预警信息;
将所述预警信息同步到预构建的消息发送模块。
可选地,所述对所述训练图片集进行用品分类的标注及用品穿戴级别的标注之前,还包括:
利用预构建的图像去噪模型对所述训练图片集进行去噪处理。
为了解决上述问题,本发明还提供一种用品识别装置,所述装置包括:
图片标注模块,用于获取训练图片集,根据预构建的用品分类标签及用品穿戴级别标签,对所述训练图片集进行用品分类的标注及用品穿戴级别的标注,得到标注后的图片集;
分类训练模块,用于以所述标注后的图片集为样本集,利用所述样本集及所述用品分类标签,对预构建的多目标识别模型进行分类训练直到所述分类训练的误差值满足第一预设条件;
多任务训练模块,用于根据所述用品分类标签及所述多目标识别模型构建多任务学习模型;利用所述样本集、所述用品分类标签及所述用品穿戴级别标签,对所述多任务学习模型进行多任务训练直到所述多任务训练的误差值满足第二预设条件;
用品识别模块,用于利用所述多任务学习模型对待识别图片进行用品分类及用品穿戴级别的识别,得到所述待识别图片的用品分类及用品的穿戴级别。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的用品识别方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的用品识别方法。
本发明实施例根据所述预构建的用品分类标签,并利用所述多目标识别模型,构建多任务学习模型,利用所述样本集、所述用品分类标签及所述预构建的用品穿戴级别标签,对所述多任务学习模型进行多任务训练,完成所述多任务训练后,利用所述多任务学习模型对待识别图片进行用品分类及用品穿戴级别的识别。在所述多目标识别模型的基础上构建所述多任务学习模型,可以有效利用所述多目标识别模型训练得到的用品分类特征及所述用品穿戴级别特征间的关联信息,实现了用品分类识别及用品穿戴级别识别间的迁移学习,有利于提高所述多任务学习模型的精确性,同时采用多任务训练的方式,兼顾了所述样本集中目标特征不同的情况,因此,本发明提供的用品识别方法,可以解决单任务目标识别模型的泛用性和鲁棒性较低的问题。
附图说明
图1为本发明一实施例提供的用品识别方法的流程示意图;
图2为本发明一实施例提供的对训练图片集标注方法的流程示意图;
图3为本发明一实施例提供的分类训练方法的流程示意图;
图4为本发明一实施例提供的多任务训练方法的流程示意图;
图5为本发明一实施例提供的用品识别装置的功能模块图;
图6为本发明一实施例提供的实现所述用品识别方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种用品识别方法。所述用品识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述用品识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
本发明实施例,以医用防护用品的识别为例,说明所述用品识别方法的实施过程。在医院隔离区、病毒研究实验室等安防通道,快速识别医护人员或工作人员的医用防护用品是否佩戴规范,对于安全生产,保护人员免受病毒感染是非常重要的。
参照图1所示,为本发明一实施例提供的用品识别方法的流程示意图。在本实施例中,所述用品识别方法包括:
S1、获取训练图片集,根据预构建的用品分类标签及用品穿戴级别标签,对所述训练图片集进行用品分类的标注及用品穿戴级别的标注,得到标注后的图片集;
本发明实施例中,以医用防护用品为例,所述用品分类标签包括防护口罩、防护服、医用手套、医用帽等,同一用品对应若干种穿戴级别标签,例如,医用口罩对应的穿戴级别标签包括未戴口罩、非安全佩戴、戴口罩、其他遮挡等。在实际应用中,可以针对待识别目标的特性,设置相应的穿戴级别。
详细地,参阅图2所示,所述S1,包括:
S11、利用预构建的图像去噪模型对所述训练图片集进行去噪处理,得到去噪后的训练图片集;
S21、根据所述用品分类标签及用品穿戴级别标签,并利用图像标注工具对所述去噪后的训练图片集进行用品分类的标注及用品穿戴级别的标注,得到所述标注后的图片集。
本发明实施例中,所述图像标注工具可以采用Labelme或yolo_mark等常见的图像标注工具。
S2、以所述标注后的图片集为样本集,利用所述样本集及所述用品分类标签,对预构建的多目标识别模型进行分类训练直到所述分类训练的误差值满足第一预设条件;
本发明实时例中,所述预构建的多目标识别模型是基于深度学习的卷积神经网络模型。所述预构建的多目标识别模型包括按顺序连接的第一卷积层+第一池化层、第二卷积层+第二池化层、第三卷积层+第三池化层,第四卷积层+第四池化层、第五卷积层+第五池化层。
所述第一卷积层的卷积核大小为10×10、步长为1、通道数为32,所述第一池化层大小为2×2、步长为1,所述第二卷积层的卷积核大小为9×9、步长为1、通道数为16,所述第二池化层大小为2×2、步长为1,所述第三卷积层的卷积核大小为7×7、步长为1、通道数为16,所述第三池化层大小为2×2、步长为1,所述第四卷积层的卷积核大小为5×5、步长为1、通道数为8,所述第四池化层大小为2×2、步长为1,所述第五卷积层的卷积核大小为3×3、步长为1、通道数为8,所述第五池化层大小为2×2、步长为1。
在实际应用中可以根据样本数量、用品分类数量及用品穿戴级别数量设置所述预构建的多目标识别模型的卷积层和池化层的数目、卷积核大小、通道数、步长和池化层大小。
通常卷积核具有两个属性,分别为大小和深度,例如7×7的卷积核,7×7是卷积核的大小,是指针对同一张图片,每次进行卷积计算的图片区域大小为7×7,所述卷积核的深度可以理解为卷积核的个数或者通道数,7是卷积核的梯度。
本发明实施例中,所述卷积计算是指提取卷积核定义的区域内的所述样本集的标注特征对应的每一个像素点的像素值,将所述像素点的像素值与所述卷积核定义的对应节点的权重值相乘,得到所述像素点的特征值,通过移动所述卷积核遍历所述图片的所有区域得到一个由特征值组成的特征集,多个卷积核便得到多个特征集。
通常卷积层的后面一般会加入池化层,所述池化层是用来缩小经过卷积计算得到的所述特征图的尺寸,从而减少所述预构建的多目标识别模型的参数,加快卷积计算速度,同时也有防止过拟合的作用。例如,池化层为2×2,表示将所述特征图的尺寸缩小2倍。
详细地,参与图3所示,所述S2,包括:
S21、根据所述用品分类标签,对所述预构建的多目标识别模型进行参数初始化;
S22、利用所述样本集对参数初始化后的所述多目标识别模型进行分类训练,得到所述样本集的分类特征集;
S23、利用预测函数对所述分类特征集进行分类概率计算,得到所述样本集的用品分类结果;
S24、利用预构建的第一损失函数,判断所述用品分类结果和所述样本集的用品分类真实标签之间的误差值是否满足第一预设条件;
若所述误差值不满足所述第一预设条件,返回S21;
若所述误差值满足所述第一预设条件,则执行S25、退出所述分类训练。
本发明实时例中,本发明实施例中,所述预测函数可以采用SOFTMAX函数,所述SOFTMAX函数又称归一化指数函数,通过所述SOFTMAX函数将所述分类特征集做分类概率的转换,取概率最大的分类结果为所述样本集的用品分类结果。
本发明实时例中,本发明实施例中,所述预构建的第一损失函数可以采用如下函数:
其中所述rmse为所述误差值,所述num为所述样本集的图片数量,所述pre为所述用品分类结果,所述grt为所述用品分类真实标签,所述i为所述样品集中的第i张图片。
本发明实施例中,本发明实施例中,所述第一预设条件可以是当所述误差值小于或等于第一预设误差阈值时,退出所述分类训练。
S3、根据所述用品分类标签及所述多目标识别模型,构建多任务学习模型;
本发明实施例中,较佳地,可以根据所述预构建的用品分类的数量,在所述多目标识别模型中添加相同数量的网络分支,得到多任务学习模型。
例如,需要识别的用品包括防护口罩、防护服、医用手套,则在所述目标识别模型中添加3条卷积神经网络分支,其中,第一新卷积层添加在所述第二池化层之后,卷积核大小为9×9,步长为1,通道数与所述第二卷积层相同,第二新卷积层及第三新卷积层按顺序相连,添加在所述第四池化层之后,第二新卷积层及第三新卷积层的卷积核大为7×7,步长均为1,通道数与所述第四卷积层相同,第四新卷积层添加到所述第五池化层之后,卷积核大小为5×5,步长为1,通道数与所述第五卷积层相同。新卷积层的卷积层数量、卷积核大小及步长可根据实际情况设置。
S4、利用所述样本集、所述用品分类标签及所述用品穿戴级别标签,对所述多任务学习模型进行多任务训练直到所述多任务训练的误差值满足第二预设条件;
本发明实施例中,所述第二预设条件可以是当所述多任务训练的误差值达到收敛时,退出所述多任务训练。
详细地,参阅图4所示,所述S4,包括:
S41、利用所述用品分类标签及所述用品穿戴级别标签,对所述多任务学习模型进行参数初始化;
S42、利用所述样本集对参数初始化后的多任务学习模型进行多任务训练,得到所述样本集的分类特征集及用品穿戴特征集;
S43、利用预测函数对所述样本集的分类特征集及用品穿戴特征集进行用品分类及穿戴级别概率计算,得到所述样本集的用品分类结果及穿戴级别结果;
S44、利用预构建的第二损失函数,计算所述用品分类结果与所述样本集的用品分类真实标签之间的分类误差值和所述穿戴级别结果与所述样本集的用品穿戴级别真实标签之间的穿戴级别误差值;
S45、判断所述分类误差值及所述穿戴级别误差值是否满足第二预设条件;
若所述多任务训练的误差值不满足所述第二预设条件,返回S41;
若所述多任务训练的误差值满足所述第二预设条件,则执行S46、退出所述多任务训练。
本发明实施例中,所述预构建的第二损失函数可以采用如下函数:
其中所述num为所述样本集的图片数量,所述final_res为所述用品分类结果或所述用户穿戴级别结果,所述grt为所述用品分类真实标签或所述用品穿戴级别真实标签,所述j为所述样本集中的第j张图片。
在所述多目标识别模型的基础上构建所述多任务学习模型,可以有效利用所述多目标识别模型训练得到的用品分类特征及所述用品穿戴级别特征间的关联信息,实现了用品分类识别及用品穿戴级别识别间的迁移学习,有利于提高所述多任务学习模型的精确性。
S5、利用所述多任务学习模型对待识别图片进行用品分类及用品穿戴级别的识别,得到所述待识别图片的用品分类及用品的穿戴级别。
详细地,所述利用所述多任务学习模型对待识别图片进行用品分类及用品穿戴级别的识别,包括:利用所述多任务学习模型,对待识别图片进行用品分类特征提取及用品穿戴级别特征提取,得到所述待识别图片的用品分类特征及用品穿戴级别特征;利用预测函数,对所述用品分类特征及用品穿戴级别特征进行用品分类及穿戴级别概率计算,得到所述样本集的用品分类及穿戴级别结果。
本发明实施例中,所述得到所述待识别图片的用品分类及用品的穿戴级别之后,还包括:根据所述用品分类及所述用品的穿戴级别,匹配预构建的预警信息库,得到对应的预警信息;将所述预警信息同步到预构建的消息发送模块。
本发明实施例根据所述预构建的用品分类标签,并利用所述多目标识别模型,构建多任务学习模型,利用所述样本集、所述用品分类标签及所述预构建的用品穿戴级别标签,对所述多任务学习模型进行多任务训练,完成所述多任务训练后,利用所述多任务学习模型对待识别图片进行用品分类及用品穿戴级别的识别。在所述多目标识别模型的基础上构建所述多任务学习模型,可以有效利用所述多目标识别模型训练得到的用品分类特征及所述用品穿戴级别特征间的关联信息,实现了用品分类识别及用品穿戴级别识别间的迁移学习,有利于提高所述多任务学习模型的精确性,同时采用多任务训练的方式,兼顾了所述样本集中目标特征不同的情况,因此,本发明提供的用品识别方法,可以解决单任务目标识别模型的泛用性和鲁棒性较低的问题。
如图5所示,是本发明一实施例提供的用品识别装置的功能模块图。
本发明所述用品识别装置100可以安装于电子设备中。根据实现的功能,所述用品识别装置100可以包括图片标注模块101、分类训练模块102、多任务训练模块103及用品识别模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述图片标注模块101,用于获取训练图片集,根据预构建的用品分类标签及用品穿戴级别标签,对所述训练图片集进行用品分类的标注及用品穿戴级别的标注,得到标注后的图片集;
所述分类训练模块102,用于以所述标注后的图片集为样本集,利用所述样本集及所述用品分类标签,对预构建的多目标识别模型进行分类训练直到所述分类训练的误差值满足第一预设条件;
所述多任务训练模块103,用于根据所述用品分类标签及所述多目标识别模型构建多任务学习模型;利用所述样本集、所述用品分类标签及所述用品穿戴级别标签,对所述多任务学习模型进行多任务训练直到所述多任务训练的误差值满足第二预设条件;
所述用品识别模块104,用于利用所述多任务学习模型对待识别图片进行用品分类及用品穿戴级别的识别,得到所述待识别图片的用品分类及用品的穿戴级别。
详细地,本发明实施例中所述用品识别装置100中的各个模块在使用时采用与上述的图1至图4中所述的用品识别方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图6所示,是本发明一实施例提供的实现用品识别方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如用品识别程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如用品识别程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如用品识别处理程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图6仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图6示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的用品识别程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取训练图片集,根据预构建的用品分类标签及用品穿戴级别标签,对所述训练图片集进行用品分类的标注及用品穿戴级别的标注,得到标注后的图片集;
以所述标注后的图片集为样本集,利用所述样本集及所述用品分类标签,对预构建的多目标识别模型进行分类训练直到所述分类训练的误差值满足第一预设条件;
根据所述用品分类标签及所述多目标识别模型构建多任务学习模型;
利用所述样本集、所述用品分类标签及所述用品穿戴级别标签,对所述多任务学习模型进行多任务训练直到所述多任务训练的误差值满足第二预设条件;
利用所述多任务学习模型对待识别图片进行用品分类及用品穿戴级别的识别,得到所述待识别图片的用品分类及用品的穿戴级别。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取训练图片集,根据预构建的用品分类标签及用品穿戴级别标签,对所述训练图片集进行用品分类的标注及用品穿戴级别的标注,得到标注后的图片集;
以所述标注后的图片集为样本集,利用所述样本集及所述用品分类标签,对预构建的多目标识别模型进行分类训练直到所述分类训练的误差值满足第一预设条件;
根据所述用品分类标签及所述多目标识别模型构建多任务学习模型;
利用所述样本集、所述用品分类标签及所述用品穿戴级别标签,对所述多任务学习模型进行多任务训练直到所述多任务训练的误差值满足第二预设条件;
利用所述多任务学习模型对待识别图片进行用品分类及用品穿戴级别的识别,得到所述待识别图片的用品分类及用品的穿戴级别。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块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模块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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种用品识别方法,其特征在于,所述方法包括:
获取训练图片集,根据预构建的用品分类标签及用品穿戴级别标签,对所述训练图片集进行用品分类的标注及用品穿戴级别的标注,得到标注后的图片集;
以所述标注后的图片集为样本集,利用所述样本集及所述用品分类标签,对预构建的多目标识别模型进行分类训练直到所述分类训练的误差值满足第一预设条件,所述预构建的多目标识别模型包括按顺序连接的第一卷积层+第一池化层、第二卷积层+第二池化层、第三卷积层+第三池化层、第四卷积层+第四池化层、第五卷积层+第五池化层;
统计所述用品分类标签的数量,根据所述用品分类标签的数量,在所述多目标识别模型中添加相同数量的网络分支,得到多任务学习模型;
利用所述样本集、所述用品分类标签及所述用品穿戴级别标签,对所述多任务学习模型进行多任务训练直到所述多任务训练的误差值满足第二预设条件,包括:利用所述用品分类标签及所述用品穿戴级别标签,对所述多任务学习模型进行参数初始化,利用所述样本集对参数初始化后的所述多任务学习模型进行多任务训练,得到所述样本集的分类特征集及用品穿戴特征集,利用预测函数对所述样本集的分类特征集及用品穿戴特征集进行用品分类及穿戴级别概率计算,得到所述样本集的用品分类结果及穿戴级别结果,利用预构建的第二损失函数,计算所述用品分类结果与所述样本集的用品分类真实标签之间的分类误差值和所述穿戴级别结果与所述样本集的用品穿戴级别真实标签之间的穿戴级别误差值,判断所述分类误差值及所述穿戴级别误差值是否满足第二预设条件,若所述分类误差值及所述穿戴级别误差值不满足所述第二预设条件,返回利用所述用品分类标签及所述用品穿戴级别标签,对所述多任务学习模型进行参数初始化的步骤,若所述分类误差值及所述穿戴级别误差值满足所述第二预设条件,则退出所述多任务训练;
利用所述多任务学习模型对待识别图片进行用品分类及用品穿戴级别的识别,得到所述待识别图片的用品分类及用品的穿戴级别。
2.如权利要求1所述的用品识别方法,其特征在于,所述利用所述样本集及所述用品分类标签,对预构建的多目标识别模型进行分类训练直到所述分类训练的误差值满足第一预设条件,包括:
根据所述用品分类标签,对所述预构建的多目标识别模型进行参数初始化;
利用所述样本集对参数初始化后的所述多目标识别模型进行分类训练,得到所述样本集的分类特征集;
利用预测函数对所述分类特征集进行分类概率计算,得到所述样本集的用品分类结果;
利用预构建的第一损失函数,判断所述用品分类结果和所述样本集的用品分类真实标签之间的误差值是否满足第一预设条件;
若所述误差值不满足所述第一预设条件,则返回根据所述用品分类标签,对所述预构建的多目标识别模型进行参数初始化的步骤;
若所述误差值满足所述第一预设条件,则退出所述分类训练。
3.如权利要求1至2中任意一项所述的用品识别方法,其特征在于,所述利用所述多任务学习模型对待识别图片进行用品分类及用品穿戴级别的识别,包括:
利用所述多任务学习模型,对待识别图片进行用品分类特征提取及用品穿戴级别特征提取,得到所述待识别图片的用品分类特征及用品穿戴级别特征;
利用预测函数,对所述用品分类特征及用品穿戴级别特征进行用品分类及穿戴级别概率计算,得到所述样本集的用品分类及穿戴级别结果。
4.如权利要求3所述的用品识别方法,其特征在于,所述得到所述待识别图片的用品分类及用品的穿戴级别之后,还包括:
根据所述用品分类及所述用品的穿戴级别,匹配预构建的预警信息库,得到对应的预警信息;
将所述预警信息同步到预构建的消息发送模块。
5.如权利要求1所述的用品识别方法,其特征在于,所述对所述训练图片集进行用品分类的标注及用品穿戴级别的标注之前,还包括:
利用预构建的图像去噪模型对所述训练图片集进行去噪处理。
6.一种用品识别装置,其特征在于,所述装置包括:
图片标注模块,用于获取训练图片集,根据预构建的用品分类标签及用品穿戴级别标签,对所述训练图片集进行用品分类的标注及用品穿戴级别的标注,得到标注后的图片集;
分类训练模块,用于以所述标注后的图片集为样本集,利用所述样本集及所述用品分类标签,对预构建的多目标识别模型进行分类训练直到所述分类训练的误差值满足第一预设条件,所述预构建的多目标识别模型包括按顺序连接的第一卷积层+第一池化层、第二卷积层+第二池化层、第三卷积层+第三池化层、第四卷积层+第四池化层、第五卷积层+第五池化层;
多任务训练模块,用于统计所述用品分类标签的数量,根据所述用品分类标签的数量,在所述多目标识别模型中添加相同数量的网络分支,得到多任务学习模型;利用所述样本集、所述用品分类标签及所述用品穿戴级别标签,对所述多任务学习模型进行多任务训练直到所述多任务训练的误差值满足第二预设条件,包括:利用所述用品分类标签及所述用品穿戴级别标签,对所述多任务学习模型进行参数初始化,利用所述样本集对参数初始化后的所述多任务学习模型进行多任务训练,得到所述样本集的分类特征集及用品穿戴特征集,利用预测函数对所述样本集的分类特征集及用品穿戴特征集进行用品分类及穿戴级别概率计算,得到所述样本集的用品分类结果及穿戴级别结果,利用预构建的第二损失函数,计算所述用品分类结果与所述样本集的用品分类真实标签之间的分类误差值和所述穿戴级别结果与所述样本集的用品穿戴级别真实标签之间的穿戴级别误差值,判断所述分类误差值及所述穿戴级别误差值是否满足第二预设条件,若所述分类误差值及所述穿戴级别误差值不满足所述第二预设条件,返回利用所述用品分类标签及所述用品穿戴级别标签,对所述多任务学习模型进行参数初始化的步骤,若所述分类误差值及所述穿戴级别误差值满足所述第二预设条件,则退出所述多任务训练;
用品识别模块,用于利用所述多任务学习模型对待识别图片进行用品分类及用品穿戴级别的识别,得到所述待识别图片的用品分类及用品的穿戴级别。
7.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至5中任意一项所述的用品识别方法。
8.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的用品识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110687602.9A CN113408424B (zh) | 2021-06-21 | 2021-06-21 | 用品识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110687602.9A CN113408424B (zh) | 2021-06-21 | 2021-06-21 | 用品识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113408424A CN113408424A (zh) | 2021-09-17 |
CN113408424B true CN113408424B (zh) | 2024-05-10 |
Family
ID=77682177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110687602.9A Active CN113408424B (zh) | 2021-06-21 | 2021-06-21 | 用品识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113408424B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845549A (zh) * | 2017-01-22 | 2017-06-13 | 珠海习悦信息技术有限公司 | 一种基于多任务学习的场景与目标识别的方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10726207B2 (en) * | 2018-11-27 | 2020-07-28 | Sap Se | Exploiting document knowledge for aspect-level sentiment classification |
-
2021
- 2021-06-21 CN CN202110687602.9A patent/CN113408424B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845549A (zh) * | 2017-01-22 | 2017-06-13 | 珠海习悦信息技术有限公司 | 一种基于多任务学习的场景与目标识别的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113408424A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112257774B (zh) | 基于联邦学习的目标检测方法、装置、设备及存储介质 | |
CN112395978B (zh) | 行为检测方法、装置及计算机可读存储介质 | |
CN113283446B (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
CN112052850B (zh) | 车牌识别方法、装置、电子设备及存储介质 | |
CN112446919B (zh) | 物体位姿估计方法、装置、电子设备及计算机存储介质 | |
CN112396005A (zh) | 生物特征图像识别方法、装置、电子设备及可读存储介质 | |
CN111932562B (zh) | 基于ct序列的图像识别方法、装置、电子设备及介质 | |
CN112100425B (zh) | 基于人工智能的标签标注方法、装置、电子设备及介质 | |
CN113157927B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN113887438B (zh) | 人脸图像的水印检测方法、装置、设备及介质 | |
CN111770317A (zh) | 用于智慧社区的视频监控方法、装置、设备及介质 | |
CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
CN114494800B (zh) | 预测模型训练方法、装置、电子设备及存储介质 | |
CN116662839A (zh) | 基于多维智能采集的关联大数据聚类分析方法及装置 | |
CN114022841A (zh) | 人员监控识别方法、装置、电子设备及可读存储介质 | |
CN112528903B (zh) | 人脸图像获取方法、装置、电子设备及介质 | |
CN113408424B (zh) | 用品识别方法、装置、电子设备及存储介质 | |
CN111814743A (zh) | 笔迹识别方法、装置及计算机可读存储介质 | |
CN113627394B (zh) | 人脸提取方法、装置、电子设备及可读存储介质 | |
CN113255456B (zh) | 非主动活体检测方法、装置、电子设备及存储介质 | |
CN113850260B (zh) | 关键信息抽取方法、装置、电子设备及可读存储介质 | |
CN113706019B (zh) | 基于多维数据的业务能力分析方法、装置、设备及介质 | |
CN112215336B (zh) | 基于用户行为的数据标注方法、装置、设备及存储介质 | |
CN112580505B (zh) | 网点开关门状态识别方法、装置、电子设备及存储介质 | |
CN113515591B (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |