CN113553708B - 一种溯源仿真模型关键影响因素的方法和装置 - Google Patents
一种溯源仿真模型关键影响因素的方法和装置 Download PDFInfo
- Publication number
- CN113553708B CN113553708B CN202110829364.0A CN202110829364A CN113553708B CN 113553708 B CN113553708 B CN 113553708B CN 202110829364 A CN202110829364 A CN 202110829364A CN 113553708 B CN113553708 B CN 113553708B
- Authority
- CN
- China
- Prior art keywords
- simulation
- parameter
- image
- feature
- matrix
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种溯源仿真模型关键影响因素的方法和装置,该方法包括:基于待识别区域所包括的原始参数数据,生成至少两个参数矩阵;原始参数数据中包括至少两个影响因素;利用预先构建的仿真模型,针对至少两个参数矩阵得到待识别区域的至少两个仿真图像;针对至少两个仿真图像中每一个仿真图像分别进行特征计算,得到每一个仿真图像的特征评价结果;识别至少两个仿真图像中每一个仿真图像是否包括指定目标,得到每一个仿真图像的识别结果;根据至少两个参数矩阵、每一个仿真图像的特征评价结果和每一个仿真图像的识别结果,从至少两个影响因素中确定出关键影响因素。本方案能够快速准确地确定出影响仿真模型的关键影响因素。
Description
技术领域
本发明实施例涉及光学图像仿真技术领域,特别涉及一种溯源仿真模型关键影响因素的方法和装置。
背景技术
目前,利用仿真模型仿真红外图像可以生成各种复杂环境和干扰下目标的红外图像。与外场试验方法相比,红外成像仿真不仅能够节约大量试验费用,还能生成各种地理及自然条件下外场试验难以获取的热红外图像,为国防和军事装备的使用和改进奠定了基础,同时还可为探测、定位、分类、识别、跟踪等提供基础数据,可应用于航空航天、航海、农业、地质和气象等领域。
然而,现有很多仿真模型强调关键特征的准确性,并不能确定各输入参数的变化对仿真红外图像的影响强弱,从而缺乏对纹理、目标形状和边缘流畅度等细节特征的描述,导致仿真红外图像与实测红外图像之间存在较大差异,而且实测红外数据包含的信息量更大,因此将仿真红外图像作为训练样本进行目标识别模型的训练时,易使该识别模型学习到伪特征,导致识别准确率下降。因此,急需提供一种溯源仿真模型关键影响因素的方法,以确定现有仿真模型的关键影响因素,从而通过对该关键影响因素进行调节实现对该仿真模型的优化。
发明内容
本发明实施例提供了一种溯源仿真模型关键影响因素的方法和装置,能够快速准确地确定出影响仿真模型的关键影响因素。
第一方面,本发明实施例提供了一种溯源仿真模型关键影响因素的方法,包括:
基于待识别区域所包括的原始参数数据,生成至少两个参数矩阵;其中,所述原始参数数据中包括至少两个影响因素,每一个影响因素具有对应的参数范围,且任意两个参数矩阵之间至少存在一个不同参数;
利用预先构建的仿真模型,针对所述至少两个参数矩阵得到所述待识别区域的至少两个仿真图像;所述至少两个仿真图像与所述至少两个参数矩阵一一对应;
针对所述至少两个仿真图像中每一个仿真图像分别进行特征计算,得到每一个仿真图像的特征评价结果;
识别所述至少两个仿真图像中每一个仿真图像是否包括指定目标,得到每一个仿真图像的识别结果;
根据所述至少两个参数矩阵、每一个仿真图像的特征评价结果和每一个仿真图像的识别结果,从所述至少两个影响因素中确定出关键影响因素。
可选地,所述根据所述至少两个参数矩阵、每一个仿真图像的特征评价结果和每一个仿真图像的识别结果,从所述至少两个影响因素中确定出关键影响因素,包括:
将所述至少两个参数矩阵划分成若干个矩阵组;其中,每一个矩阵组中包括的各参数矩阵对应相同影响因素的不同参数;
针对每一个矩阵组,确定该矩阵组中包括的各参数矩阵的特征评价结果和识别结果,计算该矩阵组中各特征评价结果之间的离散度和各识别结果对应的识别率,根据所述离散度和所述识别率确定是否将该矩阵组对应的影响因素确定为所述关键影响因素。
可选地,根据所述离散度和所述识别率确定是否将该矩阵组对应的影响因素确定为所述关键影响因素,包括:
当所述离散度大于预设离散度阈值且所述识别率小于预设识别率阈值时,确定该离散度对应的该矩阵组的影响因素为关键影响因素。
可选地,所述计算该矩阵组中各特征评价结果之间的离散度,包括:
获取该矩阵组各特征评价结果中用于表征相同特征元素的不同数值;
利用预设的算法对获取的该不同数值进行计算,得到离散度。
可选地,在所述从所述至少两个影响因素中确定出关键影响因素之后,还包括:
基于与所述关键影响因素对应的矩阵组,重新确定所述关键影响因素的参数范围;
利用重新确定的所述关键影响因素的参数范围以及所述仿真模型,得到对应所述待识别区域的优化后的仿真图像。
可选地,所述针对所述至少两个仿真图像中每一个仿真图像分别进行特征计算,得到每一个仿真图像的特征评价结果,包括:
针对每一个仿真图象,确定该仿真图像的至少一个特征元素;所述特征元素包括对应所述仿真图像的辐射特征、位置特征、形状特征、背景对比度特征和图像质量特征;
基于该仿真图像的至少一个特征元素生成图像特征矩阵,将所述图像特征矩阵确定为该仿真图象的特征评价结果。
可选地,所述针对所述至少两个仿真图像中每一个仿真图像分别进行特征计算,得到每一个仿真图像的特征评价结果,包括:
针对每一个仿真图像,利用预先训练好的识别模型中的模型参数,计算该仿真图像的特征向量,将该特征向量确定为该仿真图像的特征评价结果;其中,所述特征向量中包括至少一个特征元素;该仿真图像的识别结果是利用所述识别模型识别得到的。
第二方面,本发明实施例还提供了一种溯源仿真模型关键影响因素的装置,包括:
参数矩阵生成模块,用于基于待识别区域所包括的原始参数数据,生成至少两个参数矩阵;其中,所述原始参数数据中包括至少两个影响因素,每一个影响因素具有对应的参数范围,且任意两个参数矩阵之间至少存在一个不同参数;
仿真模块,用于利用预先构建的仿真模型,针对由所述参数矩阵生成模块生成的所述至少两个参数矩阵得到所述待识别区域的至少两个仿真图像;所述至少两个仿真图像与所述至少两个参数矩阵一一对应;
特征评价结果获取模块,用于针对由所述仿真模块得到的所述至少两个仿真图像中每一个仿真图像分别进行特征计算,得到每一个仿真图像的特征评价结果;
识别模块,用于识别由所述仿真模块得到的所述至少两个仿真图像中每一个仿真图像是否包括指定目标,得到每一个仿真图像的识别结果;
溯源模块,用于根据由所述参数矩阵生成模块生成的所述至少两个参数矩阵、由所述特征评价结果获取模块获得的每一个仿真图像的特征评价结果和由所述识别模块得到的每一个仿真图像的识别结果,从所述至少两个影响因素中确定出关键影响因素。
第三方面,本发明实施例还提供了一种计算设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现本说明书任一实施例所述的方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行本说明书任一实施例所述的方法。
本发明实施例提供了一种溯源仿真模型关键影响因素的方法和装置,该方法基于待识别区域所包括的原始参数数据,生成至少两个参数矩阵,利用预先构建的仿真模型,得到对应至少两个参数矩阵的至少两个仿真图像,针对每一个仿真图像进行特征计算,以得到每一个仿真图像的特征评价结果,然后识别每个仿真图像是否包括指定目标以得到识别结果,根据至少两个参数矩阵、每个仿真图像的特征评价结果以及识别结果,从至少两个影响因素中确定出关键影响因素。如此,由于参数矩阵中包括至少两个影响因素,每一个影响因素具有对应的参数范围,且任意两个参数矩阵之间至少存在一个不同参数,因此通过不同的参数矩阵便得到多个仿真图像,基于对仿真图像的特征评价结果和识别结果进行分析,则可以快速且准确地确定出影响仿真模型的关键影响因素,进而通过对该关键影响因素调节获得更接近于实测红外图像的仿真图像。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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的附图。
图1是本发明一实施例提供的一种溯源仿真模型关键影响因素的方法流程图;
图2是本发明一实施例提供的另一种溯源仿真模型关键影响因素的方法流程图;
图3是本发明一实施例提供的一种计算设备的硬件架构图;
图4是本发明一实施例提供的一种溯源仿真模型关键影响因素的装置结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了更清楚地说明仿真图像中存在目标背景单调、目标形状及纹理刻画的生硬缺少变化、目标细节信息缺乏等问题。本发明在识别模型训练过程中,基于YOLOV3算法,分别选择实测红外图像和仿真红外图像作为训练样本,船作为输出目标,训练得到两个识别模型:实测数据训练模型和仿真数据训练模型,其中训练样本中输入图像大小均为416*416,batch为64,迭代次数为10000,数据预处理方法为mosaic。然后分别采用部分未参加训练的实测红外图像和仿真红外图像作为测试样本,分别对上述得到的两个训练模型进行测试,得到的统计结果如表1所示。
由表1可知,在实测红外图像对实测数据训练模型的测试以及仿真红外图像对仿真数据训练模型的测试中,得到的查全率和查准率均为100%,说明YOLOV3算法在实测红外图像和仿真红外图像上均得到有效训练,且训练出的模型性能表现优异。而仿真数据训练模型对实测红外图像只识别出来其中3个目标(皆为正确识别),且F1值为50%;实测数据训练模型对仿真红外图像则识别出了其中的所有目标(但结果中有3个误检),且F1值为84.21%,从F1值来看,实测数据训练模型要优于仿真数据训练模型。因此,通过上述训练结果对比,发现相比于实测红外图像,仿真红外图像仍存在目标背景单调、目标形状及纹理刻画的生硬缺少变化、目标细节信息缺乏等问题,导致仿真数据训练模型在实测红外图像中表现出了较差的泛化能力。因此,急需确定出影响仿真模型的关键影响因素,以通过对关键影响因素的调节解决上述仿真红外图像出现的问题。
表1
下面描述以上构思的具体实现方式。
请参考图1,本发明实施例提供了一种溯源仿真模型关键影响因素的方法,该方法包括:
步骤100,基于待识别区域所包括的原始参数数据,生成至少两个参数矩阵;其中,原始参数数据中包括至少两个影响因素,每一个影响因素具有对应的参数范围,且任意两个参数矩阵之间至少存在一个不同参数;
步骤102,利用预先构建的仿真模型,针对至少两个参数矩阵得到待识别区域的至少两个仿真图像;至少两个仿真图像与至少两个参数矩阵一一对应;
步骤104,针对至少两个仿真图像中每一个仿真图像分别进行特征计算,得到每一个仿真图像的特征评价结果;
步骤106,识别至少两个仿真图像中每一个仿真图像是否包括指定目标,得到每一个仿真图像的识别结果;
步骤108,根据至少两个参数矩阵、每一个仿真图像的特征评价结果和每一个仿真图像的识别结果,从至少两个影响因素中确定出关键影响因素。
本发明实施例中,由于参数矩阵中包括至少两个影响因素,每一个影响因素具有对应的参数范围,且任意两个参数矩阵之间至少存在一个不同参数,因此利用预先构建的仿真模型,能够得到对应多个参数矩阵的多个仿真图像,基于对每个仿真图像的特征评价结果和识别结果进行分析,则可以快速准确地确定出影响仿真模型的关键影响因素,进而通过对该关键影响因素调节获得更接近于实测红外图像的优化仿真图像。同时,基于该优化仿真图像对深度学习模型进行训练,能够为深度学习模型提供大规模质量更高且更接近于实测红外图像的仿真图像样本,有利于获得性能更优的深度学习模型。
下面描述图1所示的各个步骤的执行方式。
首先,针对步骤100,需要说明的是,影响因素包括但不限于环境影响因素、指定目标影响因素和传感器影响因素;其中,环境影响因素包括但不限于地理因素(例如,经度、纬度)、时间因素、气象因素(例如,空气温度、海水温度、风速、风向、海况、湿度、气压);指定目标影响因素包括但不限于目标几何因素(例如,指定目标在不同传感器视角下的长、宽、高)、目标材料属性(例如,指定目标材料的吸收率、发射率、密度、比热、导热系数、厚度)和目标运行状态(例如,移动方向、移动速度);传感器影响因素包括但不限于波段范围、角分辨率、像素值、效应值。
针对步骤102,预先构建的仿真模型包括作为输入的参数矩阵,以及作为输出的对应该参数矩阵的仿真图像。
在一些实施方式中,步骤104具体包括如下步骤:
针对每一个仿真图象,确定该仿真图像的至少一个特征元素;特征元素包括对应仿真图像的辐射特征、位置特征、形状特征、背景对比度特征和图像质量特征;
基于该仿真图像的至少一个特征元素生成图像特征矩阵,将图像特征矩阵确定为该仿真图象的特征评价结果。
在本发明实施例中,针对每一个仿真图像,将该仿真图像中包括的数据分别映射到特征元素,并基于所确定的特征元素生成图像特征矩阵,不同的仿真图像对应的图像特征矩阵不同,从而可以根据图像特征矩阵和识别结果从至少两个影响因素中确定出关键影响因素。
需要说明的是,图像特征矩阵是用于描述仿真图像的特征元素的矩阵。特征元素包括但不限于辐射特征、位置特征、形状特征、背景对比度特征和图像质量特征传感器影响因素。其中,辐射特征包括但不限于海面亮度值、天空亮度值、指定目标亮度值、指定目标强度值;位置特征包括但不限于指定目标中心位置、海天线位置;形状特征包括但不限于长宽比。
在一些实施方式中,步骤104具体也可以包括如下步骤:
针对每一个仿真图像,利用预先训练好的识别模型中的模型参数,计算该仿真图像的特征向量,将该特征向量确定为该仿真图像的特征评价结果;其中,特征向量中包括至少一个特征元素;该仿真图像的识别结果是利用识别模型识别得到的。
在本发明实施例中,针对每一个仿真图像,将该仿真图像输入预先训练好的识别模型中,可以得到特征向量和识别结果,其中,特征向量是在得到识别结果的过程中输出的中间特征向量,即对应识别模型各层所输出的特征向量,而且不同的仿真图像对应的特征向量不同,从而可以根据特征向量和识别结果从至少两个影响因素中确定出关键影响因素。
在本发明实施例中,识别模型优选的目标检测算法采用YOLOV3算法,其以Darknet-53作为主干网络,引入残差结构能够更好地提取物体特征,并且使用特征金字塔结构,通过融合多层特征图,提升了网络对多种尺度目标的检测精度;同时,采用改进的K-means算法对边界框进行多尺度聚类预测,使得网络在训练过程中更容易收敛并得到更精确的检测框;采用多标签分类法,将逻辑回归层替换为softmax层,不仅提高了数据拟合程度,还解决了检测中的多标签重叠问题。
例如,若识别模型中包括输入层、卷积层、池化层、激活层和全连接层,将仿真图像输入该识别模型中,能够得到分别对应每层的特征向量和识别结果,通过分析不同仿真图像在各层输出的特征向量的不同,进一步确定影响仿真图像的关键影响因素。
在一些实施方式中,步骤108具体包括如下步骤:
将至少两个参数矩阵划分成若干个矩阵组;其中,每一个矩阵组中包括的各参数矩阵对应相同影响因素的不同参数;
针对每一个矩阵组,确定该矩阵组中包括的各参数矩阵的特征评价结果和识别结果,计算该矩阵组中各特征评价结果之间的离散度和各识别结果对应的识别率,根据离散度和识别率确定是否将该矩阵组对应的影响因素确定为关键影响因素。
在本发明实施例中,首先将至少两个参数矩阵划分为若干个矩阵组,每个矩阵组中包括各参数矩阵对应相同影响因素的不同参数,即每个矩阵组中的变量仅为一个影响因素,针对每一个矩阵组,基于该矩阵组所包括的对应各参数矩阵的特征评价结果和识别结果,计算该矩阵组中各特征评价结果之间的离散度和各识别结果对应的识别率,以根据离散度和识别率分析该矩阵组对应的影响因素是否为关键影响因素。如此,由于不同参数矩阵会得到不同的仿真图像,而仿真图像之间的差异则体现在特征评价结果和识别率上,所以将溯源仿真模型关键影响因素的问题转化为比较特征评价结果的差异和识别率的问题,从而可以更快速更有效地确定出仿真模型的关键影响因素。
在一些实施方式中,根据离散度和识别率确定是否将该矩阵组对应的影响因素确定为关键影响因素,包括:
当离散度大于预设离散度阈值且识别率小于预设识别率阈值时,确定该离散度对应的该矩阵组的影响因素为关键影响因素。
在本发明实施例中,由于离散度可以反映各个观测个体之间的差异大小,从而也就可以确定该影响因素在对应的参数范围内造成的特征评价结果的差异大小,离散度越大,则表明差异越大,即该影响因素在当前参数范围内对仿真模型的影响较大。同时,为了保证识别模型具有优异的识别性能,还需结合识别率作进一步分析,如此,当离散度大于预设离散度阈值且识别率小于预设识别率阈值时,确定该离散度对应的该矩阵组的影响因素为关键影响因素,则可以根据该关键影响因素为仿真模型和识别模型的改善提供理论依据。
需要说明的是,通过比较离散度和识别率,还可以进一步对影响因素的影响力度进行排序。具体地,离散度越大且识别率越低的,则该影响因素的影响力度则越大。
例如,将至少两个参数矩阵划分为3个矩阵组(A、B、C),A矩阵组中的变量为影响因素a,B矩阵组中的变量为影响因素b,C矩阵组中的变量为影响因素c。通过计算得到,A矩阵组中各特征评价结果之间的离散度为0.9和各识别结果对应的识别率0.4,B矩阵组中各特征评价结果之间的离散度为0.7和各识别结果对应的识别率0.6,C矩阵组中各特征评价结果之间的离散度为0.2和各识别结果对应的识别率0.8;其中,预设离散度阈值为0.8,预设识别率阈值为0.5,如此,则经分析可以确定A矩阵组的影响因素a为关键影响因素。
在一些实施方式中,计算该矩阵组中各特征评价结果之间的离散度,包括:
获取该矩阵组各特征评价结果中用于表征相同特征元素的不同数值;
利用预设的算法对获取的该不同数值进行计算,得到离散度。
在本发明实施例中,通过获取每个矩阵组因影响因素的变化而导致的各特征评价结果的差异,确定存在差异的特征元素,并确定该特征元素的不同数值,利用预设的算法对所获取到的不同数值进行计算得到离散度。离散度可以包括极差、平均差、标准差、方差和离散度系数中的至少两个,则预设的算法可以为计算极差、平均差、标准差、方差的算法。
例如,当离散度包括极差时,预设的算法则包括计算对应该特征元素的两个极端数值之差;当离散度包括平均差时,预设的算法则包括计算对应该特征元素的各个数值对其算数平均数的离差绝对值的算数平均数(n为所有数值的个数,为所有数值的算数平均数,xi为第i个数值);当离散度包括标准差时,预设的算法则包括计算对应该特征元素的各个数值对均值的离散程度(n为所有数值的个数,为所有数值的算数平均数,xi为第i个数值);当离散度包括离散系数时,预设的算法包括计算标准差与平均差之比。其中,对应特征元素的数值具体可以是灰度值。
在一些实施方式中,在步骤108之后,具体包括如下步骤:
基于与所述关键影响因素对应的矩阵组,重新确定所述关键影响因素的参数范围;
利用重新确定的所述关键影响因素的参数范围以及所述仿真模型,得到对应所述待识别区域的优化后的仿真图像。
在本发明实施例中,在确定关键影响因素之后,为了提高基于仿真模型所获得的仿真图像质量,需要对该关键影响因素的参数范围进行重新确定,其中重新确定的参数范围小于原有参数范围,而且利用重新确定的该关键参数的参数范围以及仿真模型,能够得到对应待识别区域的优化后的仿真图像,将该优化后的仿真图像进行特征计算和指定目标识别,得到的离散度有所降低,识别率有所提高,提高了优化后的仿真图像的真实性和准确性。
更具体地,将重新确定关键影响因素的参数范围进行更小尺度的划分,生成对应该关键影响因素的参数矩阵,而基于该参数矩阵所得到的仿真图像,则可以在保证真实性和准确性的前提下,进一步实现对纹理、目标形状和边缘流畅度等细节特征的刻画,缩小仿真红外图像与实测红外图像的差异,从而能够进一步提高利用该仿真红外图像进行识别的识别模型的识别率。
在本发明实施例中,步骤108确定的关键影响因素可以为一个或多个。在步骤108确定出多个关键影响因素之后,为了进一步确定各影响因素之间是否具有协同或削弱的关系,还可以对各关键影响因素进行组合判定。
具体地,在步骤108之后,还包括:
将至少两个关键影响因素进行组合得到影响因素组合;
根据所述影响因素组合,确定对应的若干个矩阵组;其中,每一个矩阵组均为以所述至少两个关键影响因素为变量的参数矩阵的组合;
针对每一个矩阵组,确定该矩阵组中包括的各参数矩阵的特征评价结果和识别结果,计算该矩阵组中各特征评价结果之间的离散度和各识别结果对应的识别率;
根据离散度和识别率,确定关键影响因素组合以及该矩阵组中至少两个关键影响因素之间的关系;
当离散度大于第一预设离散度阈值且识别率小于第一预设识别率阈值时,确定该离散度对应的该矩阵组的影响因素组合为关键影响因素组合;
当离散度大于第二预设离散度阈值且识别率小于第二预设识别率阈值时,确定至少两个关键影响因素之间的关系为协同关系;
当离散度小于第三预设离散度阈值且识别率大于第三预设识别率阈值时,确定至少两个关键影响因素之间的关系为削弱关系;
其中,第二预设离散度阈值为至少两个关键影响因素对应的至少两个离散度中的最大值,第二预设识别率阈值为至少两个关键影响因素对应的至少两个识别率中的最小值;
第三预设离散度阈值为至少两个关键影响因素对应的至少两个离散度中的最小值,第三预设识别率阈值为至少两个关键影响因素对应的至少两个识别率中的最大值。
需要说明的是,协同关系是指至少两个关键影响因素组合后,对仿真模型的影响力度比该至少两个关键影响因素中任一影响因素的影响力度均大;削弱关系是指至少两个影响因素组合后,对仿真模型的影响力度比该至少两个关键影响因素中任一影响因素的影响力度均小。
图2示出根据另一个实施例的溯源仿真模型关键影响因素的方法的流程图。参见图2,该方法包括:
步骤201:基于待识别区域所包括的原始参数数据,生成至少两个参数矩阵。
具体地,原始参数数据中包括至少两个影响因素,每一个影响因素具有对应的参数范围,且任意两个参数矩阵之间至少存在一个不同参数。
步骤202:利用预先构建的仿真模型,得到至少两个仿真图像。
具体地,利用预先构建的仿真模型,针对至少两个参数矩阵得到待识别区域的至少两个仿真图像;至少两个仿真图像与至少两个参数矩阵一一对应。
步骤203:对仿真图像分别进行特征计算,得到特征评价结果。
针对每一个仿真图象,确定该仿真图像的至少一个特征元素;特征元素包括对应仿真图像的辐射特征、位置特征、形状特征、背景对比度特征和图像质量特征;
基于该仿真图像的至少一个特征元素生成图像特征矩阵,将图像特征矩阵确定为该仿真图象的特征评价结果。
步骤204:识别仿真图像是否包括指定目标,得到识别结果。
具体地,识别至少两个仿真图像中每一个仿真图像是否包括指定目标,得到每一个仿真图像的识别结果;
仿真图像的识别结果是利用预先训练好的识别模型识别得到的。
步骤205:根据至少两个参数矩阵、特征评价结果和识别结果,确定出关键影响因素。
具体地,将至少两个参数矩阵划分成若干个矩阵组;其中,每一个矩阵组中包括的各参数矩阵对应相同影响因素的不同参数;
针对每一个矩阵组,确定该矩阵组中包括的各参数矩阵的特征评价结果和识别结果,获取该矩阵组各特征评价结果中用于表征相同特征元素的不同数值,并利用预设的算法对获取的该不同数值进行计算,得到该矩阵组中各特征评价结果之间的离散度,以及计算该矩阵组中各识别结果对应的识别率;
根据离散度和识别率确定是否将该矩阵组对应的影响因素确定为关键影响因素;
当离散度大于预设离散度阈值且识别率小于预设识别率阈值时,确定该离散度对应的该矩阵组的影响因素为关键影响因素。
步骤206:重新确定关键影响因素的参数范围。
具体地,基于与所述关键影响因素对应的矩阵组,重新确定所述关键影响因素的参数范围;
利用重新确定的所述关键影响因素的参数范围以及所述仿真模型,得到对应所述待识别区域的优化后的仿真图像。
如图3、图4所示,本发明实施例提供了一种溯源仿真模型关键影响因素的装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言,如图3所示,为本发明实施例提供的一种溯源仿真模型关键影响因素的装置所在计算设备的一种硬件架构图,除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的计算设备通常还可以包括其他硬件,如负责处理报文的转发芯片等等。以软件实现为例,如图4所示,作为一个逻辑意义上的装置,是通过其所在计算设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。本实施例提供的一种溯源仿真模型关键影响因素的装置,包括:
参数矩阵生成模块401,用于基于待识别区域所包括的原始参数数据,生成至少两个参数矩阵;其中,原始参数数据中包括至少两个影响因素,每一个影响因素具有对应的参数范围,且任意两个参数矩阵之间至少存在一个不同参数;
仿真模块402,用于利用预先构建的仿真模型,针对由参数矩阵生成模块401生成的至少两个参数矩阵得到待识别区域的至少两个仿真图像;至少两个仿真图像与至少两个参数矩阵一一对应;
特征评价结果获取模块403,用于针对由仿真模块402得到的至少两个仿真图像中每一个仿真图像分别进行特征计算,得到每一个仿真图像的特征评价结果;
识别模块404,用于识别由仿真模块402得到的至少两个仿真图像中每一个仿真图像是否包括指定目标,得到每一个仿真图像的识别结果;
溯源模块405,用于根据由参数矩阵生成模块401生成的至少两个参数矩阵、由特征评价结果获取模块403获得的每一个仿真图像的特征评价结果和由识别模块404得到的每一个仿真图像的识别结果,从至少两个影响因素中确定出关键影响因素。
在本发明的一个实施例中,溯源模块405,用于执行如下操作:
将至少两个参数矩阵划分成若干个矩阵组;其中,每一个矩阵组中包括的各参数矩阵对应相同影响因素的不同参数;
针对每一个矩阵组,确定该矩阵组中包括的各参数矩阵的特征评价结果和识别结果,计算该矩阵组中各特征评价结果之间的离散度和各识别结果对应的识别率,根据离散度和识别率确定是否将该矩阵组对应的影响因素确定为关键影响因素。
在本发明的一个实施例中,溯源模块405,还用于执行如下操作:
当离散度大于预设离散度阈值且识别率小于预设识别率阈值时,确定该离散度对应的该矩阵组的影响因素为关键影响因素。
在本发明的一个实施例中,溯源模块405,还用于执行如下操作:
获取该矩阵组各特征评价结果中用于表征相同特征元素的不同数值;
利用预设的算法对获取的该不同数值进行计算,得到离散度。
在本发明的一个实施例中,该装置还包括更新模块,该更新模块用于执行如下操作:
基于与关键影响因素对应的矩阵组,重新确定关键影响因素的参数范围;
利用重新确定的关键影响因素的参数范围以及仿真模型,得到对应待识别区域的优化后的仿真图像。
在本发明的一个实施例中,特征评价结果获取模块403,还用于执行如下操作:
针对每一个仿真图象,确定该仿真图像的至少一个特征元素;特征元素包括对应仿真图像的辐射特征、位置特征、形状特征、背景对比度特征和图像质量特征;
基于该仿真图像的至少一个特征元素生成图像特征矩阵,将图像特征矩阵确定为该仿真图象的特征评价结果。
在本发明的一个实施例中,特征评价结果获取模块403,还用于执行如下操作:
针对每一个仿真图像,利用预先训练好的识别模型中的模型参数,计算该仿真图像的特征向量,将该特征向量确定为该仿真图像的特征评价结果;其中,所述特征向量中包括至少一个特征元素;该仿真图像的识别结果是利用所述识别模型识别得到的。
可以理解的是,本发明实施例示意的结构并不构成对一种溯源仿真模型关键影响因素的装置的具体限定。在本发明的另一些实施例中,一种溯源仿真模型关键影响因素的装置可以包括比图示更多或者更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本发明实施例还提供了一种计算设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现本发明任一实施例中的一种溯源仿真模型关键影响因素的方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序在被处理器执行时,使所述处理器执行本发明任一实施例中的一种溯源仿真模型关键影响因素的方法。
具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个…”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
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,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种溯源仿真模型关键影响因素的方法,其特征在于,包括:
基于待识别区域所包括的原始参数数据,生成至少两个参数矩阵;其中,所述原始参数数据中包括至少两个影响因素,每一个影响因素具有对应的参数范围,且任意两个参数矩阵之间至少存在一个不同参数;
利用预先构建的仿真模型,针对所述至少两个参数矩阵得到所述待识别区域的至少两个仿真图像;所述至少两个仿真图像与所述至少两个参数矩阵一一对应;
针对所述至少两个仿真图像中每一个仿真图像分别进行特征计算,得到每一个仿真图像的特征评价结果;
识别所述至少两个仿真图像中每一个仿真图像是否包括指定目标,得到每一个仿真图像的识别结果;
根据所述至少两个参数矩阵、每一个仿真图像的特征评价结果和每一个仿真图像的识别结果,从所述至少两个影响因素中确定出关键影响因素;
所述根据所述至少两个参数矩阵、每一个仿真图像的特征评价结果和每一个仿真图像的识别结果,从所述至少两个影响因素中确定出关键影响因素,包括:
将所述至少两个参数矩阵划分成若干个矩阵组;其中,每一个矩阵组中包括的各参数矩阵对应相同影响因素的不同参数;
针对每一个矩阵组,确定该矩阵组中包括的各参数矩阵的特征评价结果和识别结果,计算该矩阵组中各特征评价结果之间的离散度和各识别结果对应的识别率,根据所述离散度和所述识别率确定是否将该矩阵组对应的影响因素确定为所述关键影响因素;其中,通过对该关键影响因素调节获得更接近于实测红外图像的仿真图像。
2.根据权利要求1所述的方法,其特征在于,根据所述离散度和所述识别率确定是否将该矩阵组对应的影响因素确定为所述关键影响因素,包括:
当所述离散度大于预设离散度阈值且所述识别率小于预设识别率阈值时,确定该离散度对应的该矩阵组的影响因素为关键影响因素。
3.根据权利要求1所述的方法,其特征在于,所述计算该矩阵组中各特征评价结果之间的离散度,包括:
获取该矩阵组各特征评价结果中用于表征相同特征元素的不同数值;
利用预设的算法对获取的该不同数值进行计算,得到离散度。
4.根据权利要求1所述的方法,其特征在于,在所述从所述至少两个影响因素中确定出关键影响因素之后,还包括:
基于与所述关键影响因素对应的矩阵组,重新确定所述关键影响因素的参数范围;
利用重新确定的所述关键影响因素的参数范围以及所述仿真模型,得到对应所述待识别区域的优化后的仿真图像。
5.根据权利要求1所述的方法,其特征在于,所述针对所述至少两个仿真图像中每一个仿真图像分别进行特征计算,得到每一个仿真图像的特征评价结果,包括:
针对每一个仿真图像,确定该仿真图像的至少一个特征元素;所述特征元素包括对应所述仿真图像的辐射特征、位置特征、形状特征、背景对比度特征和图像质量特征;
基于该仿真图像的至少一个特征元素生成图像特征矩阵,将所述图像特征矩阵确定为该仿真图像的特征评价结果。
6.根据权利要求1所述的方法,其特征在于,所述针对所述至少两个仿真图像中每一个仿真图像分别进行特征计算,得到每一个仿真图像的特征评价结果,包括:
针对每一个仿真图像,利用预先训练好的识别模型中的模型参数,计算该仿真图像的特征向量,将该特征向量确定为该仿真图像的特征评价结果;其中,所述特征向量中包括至少一个特征元素;该仿真图像的识别结果是利用所述识别模型识别得到的。
7.一种溯源仿真模型关键影响因素的装置,其特征在于,包括:
参数矩阵生成模块,用于基于待识别区域所包括的原始参数数据,生成至少两个参数矩阵;其中,所述原始参数数据中包括至少两个影响因素,每一个影响因素具有对应的参数范围,且任意两个参数矩阵之间至少存在一个不同参数;
仿真模块,用于利用预先构建的仿真模型,针对由所述参数矩阵生成模块生成的所述至少两个参数矩阵得到所述待识别区域的至少两个仿真图像;所述至少两个仿真图像与所述至少两个参数矩阵一一对应;
特征评价结果获取模块,用于针对由所述仿真模块得到的所述至少两个仿真图像中每一个仿真图像分别进行特征计算,得到每一个仿真图像的特征评价结果;
识别模块,用于识别由所述仿真模块得到的所述至少两个仿真图像中每一个仿真图像是否包括指定目标,得到每一个仿真图像的识别结果;
溯源模块,用于根据由所述参数矩阵生成模块生成的所述至少两个参数矩阵、由所述特征评价结果获取模块获得的每一个仿真图像的特征评价结果和由所述识别模块得到的每一个仿真图像的识别结果,从所述至少两个影响因素中确定出关键影响因素;
所述溯源模块,还用于执行如下操作:
将所述至少两个参数矩阵划分成若干个矩阵组;其中,每一个矩阵组中包括的各参数矩阵对应相同影响因素的不同参数;
针对每一个矩阵组,确定该矩阵组中包括的各参数矩阵的特征评价结果和识别结果,计算该矩阵组中各特征评价结果之间的离散度和各识别结果对应的识别率,根据所述离散度和所述识别率确定是否将该矩阵组对应的影响因素确定为所述关键影响因素;其中,通过对该关键影响因素调节获得更接近于实测红外图像的仿真图像。
8.一种计算设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110829364.0A CN113553708B (zh) | 2021-07-22 | 2021-07-22 | 一种溯源仿真模型关键影响因素的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110829364.0A CN113553708B (zh) | 2021-07-22 | 2021-07-22 | 一种溯源仿真模型关键影响因素的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113553708A CN113553708A (zh) | 2021-10-26 |
CN113553708B true CN113553708B (zh) | 2023-04-25 |
Family
ID=78104024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110829364.0A Active CN113553708B (zh) | 2021-07-22 | 2021-07-22 | 一种溯源仿真模型关键影响因素的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113553708B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117038064B (zh) * | 2023-10-07 | 2024-01-09 | 之江实验室 | 一种辅助分析算法的评估方法、装置、存储介质及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104995928A (zh) * | 2014-01-23 | 2015-10-21 | 华为技术有限公司 | 多目标决策方法及装置 |
WO2018206041A1 (de) * | 2017-05-11 | 2018-11-15 | Schaeffler Technologies AG & Co. KG | Verfahren zur bestimmung von einflussführenden parameterkombinationen eines physikalischen simulationsmodelles |
CN110162806A (zh) * | 2018-02-11 | 2019-08-23 | 中国电力科学研究院有限公司 | 一种仿真误差评估方法及系统 |
CN111260255A (zh) * | 2020-02-20 | 2020-06-09 | 南方电网科学研究院有限责任公司 | 一种配电网运行参数关键因素分析方法、系统以及设备 |
CN111581884A (zh) * | 2020-05-11 | 2020-08-25 | 上海无线电设备研究所 | 一种星载多分辨率目标光学辐射图像仿真方法 |
CN112116568A (zh) * | 2020-09-10 | 2020-12-22 | 广东电网有限责任公司广州供电局 | 一种图像质量评价方法、装置及存储介质 |
CN112699552A (zh) * | 2020-12-29 | 2021-04-23 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种基于置信度矩阵的高保真度仿真模型设计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200293627A1 (en) * | 2019-03-13 | 2020-09-17 | General Electric Company | Method and apparatus for composite load calibration for a power system |
-
2021
- 2021-07-22 CN CN202110829364.0A patent/CN113553708B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104995928A (zh) * | 2014-01-23 | 2015-10-21 | 华为技术有限公司 | 多目标决策方法及装置 |
WO2018206041A1 (de) * | 2017-05-11 | 2018-11-15 | Schaeffler Technologies AG & Co. KG | Verfahren zur bestimmung von einflussführenden parameterkombinationen eines physikalischen simulationsmodelles |
CN110162806A (zh) * | 2018-02-11 | 2019-08-23 | 中国电力科学研究院有限公司 | 一种仿真误差评估方法及系统 |
CN111260255A (zh) * | 2020-02-20 | 2020-06-09 | 南方电网科学研究院有限责任公司 | 一种配电网运行参数关键因素分析方法、系统以及设备 |
CN111581884A (zh) * | 2020-05-11 | 2020-08-25 | 上海无线电设备研究所 | 一种星载多分辨率目标光学辐射图像仿真方法 |
CN112116568A (zh) * | 2020-09-10 | 2020-12-22 | 广东电网有限责任公司广州供电局 | 一种图像质量评价方法、装置及存储介质 |
CN112699552A (zh) * | 2020-12-29 | 2021-04-23 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种基于置信度矩阵的高保真度仿真模型设计方法 |
Non-Patent Citations (2)
Title |
---|
王晓原 等.微观交通仿真跟驰模型影响因子选择研究. 软科学.2004,(第02期),第16-19页. * |
穆永保 等.基于ADPSS和Sobol的弧光接地暂态特征分析与影响因素关键性辨识.电气工程学报.2020,第15卷(第03期),第97-104页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113553708A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Pipeline magnetic flux leakage image detection algorithm based on multiscale SSD network | |
CN113705478B (zh) | 一种基于改进YOLOv5的红树林单木目标检测方法 | |
CN111191629A (zh) | 一种基于多目标的图像能见度检测方法 | |
CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
CN110633711B (zh) | 训练特征点检测器的计算机装置、方法及特征点检测方法 | |
CN113487600B (zh) | 一种特征增强尺度自适应感知船舶检测方法 | |
CN113553708B (zh) | 一种溯源仿真模型关键影响因素的方法和装置 | |
CN112668613A (zh) | 基于气象预报和机器学习的卫星红外成像效果预测方法 | |
CN116805387B (zh) | 基于知识蒸馏的模型训练方法、质检方法和相关设备 | |
CN109034033B (zh) | 一种基于改进vgg16卷积网络的排烟视频检测方法 | |
JP2021154935A (ja) | 車両シミュレーションシステム、車両シミュレーション方法およびコンピュータプログラム | |
CN115877345A (zh) | 一种风廓线雷达缺测数据的补齐方法和装置 | |
CN112966710B (zh) | 基于线性判别分析的fy-3d红外高光谱云检测方法 | |
Zhang et al. | FRS-Net: An efficient ship detection network for thin-cloud and FOG-covered high-resolution optical satellite imagery | |
Zhang et al. | Contrastive learning ideas in underwater terrain image matching | |
JP7338690B2 (ja) | 学習装置、学習方法、推論装置、推論方法、及び、プログラム | |
CN114821322A (zh) | 基于注意力机制的小样本遥感影像分类方法及系统 | |
CN113723182A (zh) | 一种训练样本受限条件下的sar图像舰船检测方法 | |
JP2021108031A (ja) | モデル生成装置、車両シミュレーションシステム、モデル生成方法、車両シミュレーション方法およびコンピュータプログラム | |
CN117935023B (zh) | 基于注意力机制的中尺度涡识别和特征分析方法及系统 | |
Cobb et al. | In situ adaptive feature extraction for underwater target classification | |
Houret et al. | Calibration of a Radar Cross-section Model using a Surrogate Model Optimization Algorithm | |
CN116129280B (zh) | 一种遥感影像雪检测的方法 | |
Chen et al. | Using Uncertainty to Understand Machine Learning Models and Decisions. | |
CN117609942A (zh) | 一种热带气旋移动路径的估算方法及系统 |
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 |