CN113592033B - 油罐图像识别模型训练方法、油罐图像识别方法和装置 - Google Patents

Abstract

本公开的实施例公开了油罐图像识别模型训练方法、油罐图像识别方法和装置。该方法的一具体实施方式包括：对预处理的油罐图像集中的各个油罐图像进行径向变换处理，得到变换图像集；对上述油罐图像集中的各个油罐图像进行图像标注，以生成标注图像集和对应的标注特征信息集；基于上述变换图像集、上述标注图像集和上述标注特征信息集，生成训练样本组和测试样本组；基于上述训练样本组，对初始识别模型进行训练，得到训练后识别模型，以及对上述训练后识别模型进行测试，以生成测试结果；响应于确定上述测试结果满足预设条件，将上述训练后识别模型确定为油罐图像识别模型。该实施方式可以提高油罐图像识别模型训练的训练效率。

Description

油罐图像识别模型训练方法、油罐图像识别方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及油罐图像识别模型训练方法、油罐图像识别方法和装置。

背景技术

油罐图像识别模型，可以用于识别图像中油罐的信息。目前，常用的油罐图像识别模型训练方法为：利用标注的油罐图像对卷积神经网络进行模型训练。将训练完成的卷积神经网络确定为油罐图像识别模型。

然而，当采用上述方式进行油罐图像识别模型训练时，经常会存在如下技术问题：

未充分利用圆形油罐的先验信息，需要不断增加网络层级来获取较大的感受野，以供提取圆周特征，从而，增加了模型训练的参数量和运算量，进而，降低了油罐图像识别模型训练的效率。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了油罐图像识别模型训练方法、油罐图像识别方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本公开的一些实施例提供了一种油罐图像识别模型训练方法，该方法包括：对预处理的油罐图像集中的各个油罐图像进行径向变换处理，得到变换图像集；对上述油罐图像集中的各个油罐图像进行图像标注，以生成标注图像集和对应的标注特征信息集；基于上述变换图像集、上述标注图像集和上述标注特征信息集，生成训练样本组和测试样本组；基于上述训练样本组，对初始识别模型进行训练，得到训练后识别模型，以及对上述训练后识别模型进行测试，以生成测试结果；响应于确定上述测试结果满足预设条件，将上述训练后识别模型确定为油罐图像识别模型。

第二方面，本公开的一些实施例提供了一种油罐图像识别方法，该方法包括：获取油罐图像；将上述油罐图像输入至油罐图像识别模型中，以生成油罐图像识别结果，其中，上述油罐图像识别结果包括以下至少一项：油罐半径、油罐顶部圆心坐标值和光照圆弧的圆心坐标值，上述油罐图像识别模型通过如上述油罐图像识别模型训练方法生成。

第三方面，本公开的一些实施例提供了一种油罐图像识别模型训练装置，该装置包括：变换处理单元，被配置成对预处理的油罐图像集中的各个油罐图像进行径向变换处理，得到变换图像集；图像标注单元，被配置成对上述预处理的油罐图像集中的各个油罐图像进行图像标注，以生成标注图像集和对应的标注特征信息集；第一生成单元，被配置成基于上述变换图像集、上述标注图像集和上述标注特征信息集，生成训练样本组和测试样本组；训练单元，被配置成基于上述训练样本组，对初始识别模型进行训练，得到训练后识别模型，以及对上述训练后识别模型进行测试，以生成测试结果；确定单元，被配置成响应于确定上述测试结果满足预设条件，将上述训练后识别模型确定为油罐图像识别模型。

第四方面，本公开的一些实施例提供了一种油罐图像识别装置，该装置包括：获取单元，被配置成获取油罐图像；第二生成单元，被配置成将上述油罐图像输入至油罐图像识别模型中，以生成油罐图像识别结果，其中，上述油罐图像识别结果包括以下至少一项：油罐半径、油罐顶部圆心坐标值和光照圆弧的圆心坐标值，上述油罐图像识别模型通过如上述油罐图像识别模型训练方法生成。

第五方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

第六方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的油罐图像识别模型训练方法，可以提高油罐图像识别模型训练的效率。具体来说，导致模型训练的参数量和运算量增加的原因在于：未充分利用圆形油罐的先验信息，需要不断增加网络层级来获取较大的感受野，以供提取圆周特征，从而，导致模型训练的参数量和运算量的增加。基于此，本公开的一些实施例的油罐图像识别模型训练方法，首先，在训练之前，对预处理的油罐图像集中的各个油罐图像进行径向变换处理，得到变换图像集。通过径向变换处理的方法，对油罐图像进行了先验处理得到变换图像。由此，充分利用了圆形油罐的先验信息。在训练过程中，也因为有了变换图像的参与，可以实现圆周特征的快速聚合。由此，克服了常用方法中需要不断增加网络层级来获取较大的感受野，以供提取圆周特征的问题。从而，可以减少模型训练的参数量和运算量。进而，可以提高油罐图像识别模型训练的效率。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是本公开的一些实施例的油罐图像识别模型训练方法的一个应用场景的示意图；

图2是根据本公开的油罐图像识别模型训练方法的一些实施例的流程图；

图3是根据本公开的油罐图像识别模型训练方法的另一些实施例的流程图；

图4是根据本公开的油罐图像识别方法的一些实施例的流程图；

图5是根据本公开的油罐图像识别模型训练装置的一些实施例的结构示意图；

图6是根据本公开的油罐图像识别装置的一些实施例的结构示意图；

图7是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1是本公开的一些实施例的油罐图像识别模型训练方法的一个应用场景的示意图。

在图1的应用场景中，首先，计算设备101可以对预处理的油罐图像集102中的各个油罐图像进行变换处理，得到变换图像集103。接着，计算设备101可以对上述预处理的油罐图像集102中的各个油罐图像进行图像标注，以生成标注图像集104和对应的标注特征信息集105。然后，计算设备101可以基于上述变换图像集103、上述标注图像集104和上述标注特征信息集105，生成训练样本组106和测试样本组107。之后，计算设备101可以基于上述训练样本组106，对初始识别模型108进行训练，得到训练后识别模型109，以及对上述训练后识别模型109进行测试，以生成测试结果110。最后，计算设备101可以响应于确定上述测试结果110满足预设条件，将上述训练后识别模型109确定为油罐图像识别模型111。

需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。

继续参考图2，示出了根据本公开的油罐图像识别模型训练方法的一些实施例的流程200。该油罐图像识别模型训练方法的流程200，包括以下步骤：

步骤201，对预处理的油罐图像集中的各个油罐图像进行径向变换处理，得到变换图像集。

在一些实施例中，油罐图像识别模型训练方法的执行主体（如图1所示的计算设备101）可以对预处理的油罐图像集中的各个油罐图像进行径向变换处理，得到变换图像集。其中，油罐图像可以用于表征单个油罐。可以通过FRST（Fast Radial SymmetryTransform，快速径向对称变换）算法，对预处理的油罐图像集中的各个油罐图像进行变换处理，得到变换图像集。另外，还可以通过霍夫变换、模板匹配等方法进行径向变换处理。

步骤202，对预处理的油罐图像集中的各个油罐图像进行图像标注，以生成标注图像集和对应的标注特征信息集。

在一些实施例中，上述执行主体可以对上述预处理的油罐图像集中的各个油罐图像进行图像标注，以生成标注图像集和对应的标注特征信息集。其中，可以通过预设的自动标注工具对上述预处理的油罐图像集中的各个油罐图像进行图像标注，以生成标注图像集和对应的标注特征信息集。标注特征信息可以包括油罐图像中油罐的半径、油罐顶部圆心坐标值。

步骤203，基于变换图像集、标注图像集和标注特征信息集，生成训练样本组和测试样本组。

在一些实施例中，上述执行主体可以基于上述变换图像集、上述标注图像集和上述标注特征信息集，生成训练样本组和测试样本组。其中，首先，可以通过油罐图像确定变换图像、标注图像和标注特征信息之间的对应关系。然后，可以将变换图像和对应的标注图像与标注特征信息确定为待分类样本，得到待分类样本集。最后可以通过随机函数（例如，random随机函数），对待分类样本集中的每个待分类样本随机划分为训练样本或测试样本。另外，可以通过调节随机函数中的参数，以控制划分的训练样本数量和测试样本数量之前的比例。

步骤204，基于训练样本组，对初始识别模型进行训练，得到训练后识别模型，以及对训练后识别模型进行测试，以生成测试结果。

在一些实施例中，上述执行主体可以基于上述训练样本组，对初始识别模型进行训练，得到训练后识别模型，以及对上述训练后识别模型进行测试，以生成测试结果。其中，可以将上述训练样本组中的每个训练样本输入至上述初始识别模型中，得到识别结果。首先，可以通过预设的损失函数（例如，均方误差损失函数）确定识别结果与该训练样本包括的标注特征信息之间的损失值。然后，可以通过预设的优化函数（例如，批量梯度下降方法等）对初始识别模型的参数进行优化。当上述训练样本组中各个训练样本全部训练完成，可以将最后一次优化参数后的初始识别模型确定为训练后识别模型。

上述测试可以是：首先，将上述测试样本组中的各个测试样本输入至训练后识别模型，以生成初始测试结果集。然后可以通过损失函数确定上述初始测试结果集中各个初始测试结果与对应的测试样本包括的标注特征信息之间的损失值，以生成初始测试损失值集。最后，可以将初始测试损失值的均方误差值确定为测试结果。

在一些实施例的一些可选的实现方式中，上述初始识别模型可以包括卷积模块和全连接模块，上述卷积模块可以包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层，上述全连接模块可以包括第一全连接层、第二全连接层和第三全连接层。卷积层可以由滤波器、空间采样层和非线性函数（例如Rectified Linear Units，激活函数）组成。由于，考虑到最大池化对像素点的抽样位置不确定，会影响油罐图像识别模型的识别准确度。因此未添加池化层。而是通过将两个卷积层的卷积步长设置为2来实现特征抽样。

作为示例，第一卷积层的输入维度可以是2，输出通道数可以是64，卷积核大小可以是5×5，步长可以是2，特征填充可以是2×2。第二卷积层的输入维度可以是64，输出通道可以是192，卷积核大小可以是5×5，步长可以是2，特征填充可以是2×2。第三卷积层的输入维度可以是192，输出通道可以是384，卷积核大小可以是3×3，步长可以是1，特征填充可以是1×1。第四卷积层的输入维度可以是384，输出通道可以是256，卷积核大小可以是3×3，步长可以是1，特征填充可以是1×1。第五卷积层的输入维度可以是256，输出通道可以是256，卷积核大小可以是3×3，步长可以是1，特征填充可以是1×1。上述第一全连接层生成的特征数可以是4096。上述第二全连接层生成的特征数可以是1024。上述第三全连接层生成的特征数可以是3。该3个特征可以用于表征油罐图像中的油罐半径和油罐顶部圆心的横纵坐标值。

步骤205，响应于确定测试结果满足预设条件，将训练后识别模型确定为油罐图像识别模型。

在一些实施例中，上述执行主体可以响应于确定上述测试结果满足预设条件，将上述训练后识别模型确定为油罐图像识别模型。其中，上述预设条件可以是上述测试结果小于等于预设测试阈值。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的油罐图像识别模型训练方法，可以提高油罐图像识别模型训练的效率。具体来说，导致模型训练的参数量和运算量增加的原因在于：未充分利用圆形油罐的先验信息，需要不断增加网络层级来获取较大的感受野，以供提取圆周特征，从而，导致模型训练的参数量和运算量的增加。基于此，本公开的一些实施例的油罐图像识别模型训练方法，首先，在训练之前，对预处理的油罐图像集中的各个油罐图像进行径向变换处理，得到变换图像集。通过径向变换处理的方法，对油罐图像进行了先验处理得到变换图像。由此，充分利用了圆形油罐的先验信息。在训练过程中，也因为有了变换图像的参与，可以实现圆周特征的快速聚合。由此，克服了常用方法中需要不断增加网络层级来获取较大的感受野，以供提取圆周特征的问题。从而，可以减少模型训练的参数量和运算量。进而，可以提高油罐图像识别模型训练的效率。

进一步参考图3，其示出了油罐图像识别模型训练方法的另一些实施例的流程300。该油罐图像识别模型训练方法的流程300，包括以下步骤：

步骤301，对预处理的油罐图像集中的各个油罐图像进行径向变换处理，得到变换图像集。

步骤302，对预处理的油罐图像集中的各个油罐图像进行图像标注，以生成标注图像集和对应的标注特征信息集。

在一些实施例中，步骤301-302的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-202，在此不再赘述。

步骤303，分别对标注图像集中的各个标注图像和变换图像集中的各个变换图像进行采样处理，以生成采样油罐图像集和采样变换图像集。

在一些实施例中，油罐图像识别模型训练方法的执行主体（如图1所示的计算设备101）可以分别对上述标注图像集中的各个标注图像和上述变换图像集中的各个变换图像进行采样处理，以生成采样油罐图像集和采样变换图像集。其中，可以通过基于边缘的图像插值算法，分别对上述标注图像集中的各个标注图像和上述变换图像集中的各个变换图像进行采样处理，以生成采样油罐图像集和采样变换图像集。由此，可以对图像中油罐区域的边缘特征进行增强。从而，可以加快模型的训练速度。提高油罐图像识别的准确度。具体的，在采样处理过程中，还可以根据预设的采样比例，将采样油罐图像和采样变换图像变换为相同尺寸（例如，55像素×55像素）大小。

步骤304，将采样油罐图像集中每个采样油罐图像与采样变换图像集中对应的采样变换图像和标注特征信息集中对应的标注特征信息确定为待训练样本，得到待训练样本集。

在一些实施例中，上述执行主体可以将上述采样油罐图像集中每个采样油罐图像与上述采样变换图像集中对应的采样变换图像和上述标注特征信息集中对应的标注特征信息确定为待训练样本，得到待训练样本集。其中，采样油罐图像可以对应标注图像。标注图像可以对应油罐图像，油罐图像可以对应变换图像和标注特征信息，变换图像可以对应采样变换图像。因此，采样油罐图像可以对应采样变换图像和标注特征信息。从而，可以得到待训练样本集。另外，上述标注特征信息还可以包括油罐图像中光照圆弧的圆心坐标值。由此，标注特征信息中可以包括油罐半径、油罐顶部圆心坐标值和油罐图像中光照圆弧的圆心坐标值。油罐图像中的光照圆弧可以是阳光投射到油罐内浮顶所产生的圆弧。

步骤305，对待训练样本集进行拆分处理，以生成训练样本组和测试样本组。

在一些实施例中，上述执行主体可以对上述待训练样本集进行拆分处理，以生成训练样本组和测试样本组。其中，上述拆分处理可以是对待训练样本集中的待训练样本进行分类。可以按照预设的比例（例如，训练样本的数量与测试样本的数量的比例为：4:1），对上述待训练样本集拆分，以生成训练样本组和测试样本组。

步骤306，对训练样本组中的各个训练样本进行划分，以生成划分后样本组集合。

在一些实施例中，上述执行主体可以对上述训练样本组中的各个训练样本进行划分，以生成划分后样本组集合。其中，上述划分可以用于将训练样本组中的各个训练样本划分成不同的训练批次。以此可以分批进行模型训练。从而，可以避免一次性对所有的训练样本进行训练，产生内存溢出的情况。

步骤307，基于训练样本组，对初始识别模型进行训练，得到训练后识别模型，以及对训练后识别模型进行测试，以生成测试结果。

在一些实施例中，上述执行主体基于训练样本组，对初始识别模型进行训练，得到训练后识别模型，以及对训练后识别模型进行测试，以生成测试结果，可以包括以下步骤：

对于上述划分后样本组集合中每个划分后样本组中的每个划分后样本，执行如下模型训练步骤：

第一步，将上述划分后样本包括的采样油罐图像和采样变换图像输入至初始识别模型，以生成识别结果。其中，由于上述标注特征信息中包括五个数据。因此，生成的识别结果包括的特征数也可以是五个。该五个特征数可以用于表征上述采样油罐图像对应的预测油罐半径、预测油罐顶部圆心坐标值和预测油罐图像中光照圆弧的圆心坐标值。

第二步，确定上述识别结果与上述划分后样本包括的标注特征信息之间的差异，以生成损失值。其中，可以通过最小绝对偏差函数确定上述识别结果中的各项与上述划分后样本包括的标注特征信息中对应项之间的差异。以生成损失值。该对应可以是指识别结果中的预测油罐半径与标注特征信息中的油罐半径之间对应，预测油罐顶部圆心坐标值的横纵坐标值与油罐顶部圆心坐标值的横纵坐标值相对应。预测油罐图像中光照圆弧的圆心坐标的横纵坐标值与油罐图像中光照圆弧的圆心坐标的横纵坐标值相对应。

第三步，基于上述损失值，调整初始识别模型中的参数。其中，可以根据预设的优化器调整初始识别模型中的参数。

作为示例，优化器的学习率可以是0.0025。一阶矩估计的指数衰减率可以是0.9。二阶矩估计的指数衰减率可以是0.99。学习率变化界限可以是：[300，650]。初始学习率可以是0.5。迭代次数可以是1000。

第四步，响应于确定上述划分后样本组中各个划分后样本执行完上述模型训练步骤，将调整参数后的初始识别模型确定为训练后识别模型，以及对训练后识别模型进行测试，以生成测试结果。其中，上述划分后样本组中各个划分后样本执行完上述模型训练步骤可以用于表示一个批次的样本已全部用于模型训练。由此，可以对初始识别模型进行测试，以确定初始识别模型是否训练完成。

在一些实施例的一些可选的实现方式中，上述执行主体将调整参数后的初始识别模型确定为训练后识别模型，以及对训练后识别模型进行测试，以生成测试结果，可以包括以下步骤：

第一步，将上述测试样本组中各个测试样本包括的采样油罐图像和采样变换图像输入至上述训练后识别模型，以生成测试结果。

第二步，响应于确定上述测试结果不满足上述预设条件，再次执行上述模型训练步骤。其中，上述测试结果不满足上述预设条件可以用于表征上述训练后识别模型未训练完成。

在一些实施例的一些可选的实现方式中，上述执行主体响应于确定上述测试结果满足预设条件，将上述训练后识别模型确定为油罐图像识别模型，包括以下步骤：

响应于确定上述测试结果满足上述预设条件，将上述测试结果对应的训练后识别模型确定为油罐图像识别模型。其中，上述测试结果满足预设条件可以用于表征上述测试结果对应的训练后识别模型训练完成。因此，可以将上述测试结果对应的训练后识别模型确定为油罐图像识别模型。

步骤308，响应于确定测试结果满足预设条件，将训练后识别模型确定为油罐图像识别模型。

在一些实施例中，步骤308的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤205，在此不再赘述。

从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的油罐图像识别模型训练方法的流程300体现了生成训练样本组和测试样本组，以及对初始模型进行训练和测试的步骤。由此，可以进一步的提高油罐图像识别模型的训练效率。

进一步参考图4，示出了根据本公开的油罐图像识别方法的一些实施例的流程400。该油罐图像识别方法的流程400，包括以下步骤：

步骤401，获取油罐图像；

在一些实施例中，油罐图像识别方法的执行主体（如图1所示的计算设备101）可以通过有线方式或无线方式获取油罐图像。

步骤402，将油罐图像输入至油罐图像识别模型中，以生成油罐图像识别结果。

在一些实施例中，上述执行主体可以将上述油罐图像输入至油罐图像识别模型中，以生成油罐图像识别结果。其中，上述油罐图像识别结果可以包括但不限于以下至少一项：油罐半径、油罐顶部圆心坐标值和光照圆弧的圆心坐标值，上述油罐图像识别模型可以是通过图2或图3对应的那些实施例中的步骤生成的。

由于在油罐图像识别模型训练过程中，引入了油罐图像的先验信息，即变换图像。可以提高油罐图像识别模型识别的准确度。因此，通过利用上述油罐图像识别模型进行油罐图像识别，可以提高油罐图像识别的准确度。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种油罐图像识别模型训练装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，一些实施例的油罐图像识别模型训练装置500包括：变换处理单元501、图像标注单元502、第一生成单元503、训练单元504和确定单元505。其中，变换处理单元501，被配置成对预处理的油罐图像集中的各个油罐图像进行径向变换处理，得到变换图像集；图像标注单元502，被配置成对上述预处理的油罐图像集中的各个油罐图像进行图像标注，以生成标注图像集和对应的标注特征信息集；第一生成单元503，被配置成基于上述变换图像集、上述标注图像集和上述标注特征信息集，生成训练样本组和测试样本组；训练单元504，被配置成基于上述训练样本组，对初始识别模型进行训练，得到训练后识别模型，以及对上述训练后识别模型进行测试，以生成测试结果；确定单元505，被配置成响应于确定上述测试结果满足预设条件，将上述训练后识别模型确定为油罐图像识别模型。

可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种油罐图像识别装置的一些实施例，这些装置实施例与图4所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，一些实施例的油罐图像识别装置600包括：获取单元601和第二生成单元602。其中，获取单元601，被配置成获取油罐图像；第二生成单元602，被配置成将上述油罐图像输入至油罐图像识别模型中，以生成油罐图像识别结果，其中，上述油罐图像识别结果包括以下至少一项：油罐半径、油罐顶部圆心坐标值和光照圆弧的圆心坐标值，上述油罐图像识别模型通过如上述油罐图像识别模型训练方法生成。

可以理解的是，该装置600中记载的诸单元与参考图4描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元，在此不再赘述。

下面参考图7，其示出了适于用来实现本公开的一些实施例的电子设备（例如图1中的计算设备101）700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置（例如中央处理器、图形处理器等）701，其可以根据存储在只读存储器（ROM）702中的程序或者从存储装置708加载到随机访问存储器（RAM）703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出（I/O）接口705也连接至总线704。

通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对预处理的油罐图像集中的各个油罐图像进行径向变换处理，得到变换图像集；对上述油罐图像集中的各个油罐图像进行图像标注，以生成标注图像集和对应的标注特征信息集；基于上述变换图像集、上述标注图像集和上述标注特征信息集，生成训练样本组和测试样本组；基于上述训练样本组，对初始识别模型进行训练，得到训练后识别模型，以及对上述训练后识别模型进行测试，以生成测试结果；响应于确定上述测试结果满足预设条件，将上述训练后识别模型确定为油罐图像识别模型。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元和第二生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取油罐图像的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (5)

1.一种油罐图像识别方法，包括：

获取油罐图像；

将所述油罐图像输入至油罐图像识别模型中，以生成油罐图像识别结果，其中，所述油罐图像识别结果包括以下至少一项：油罐半径、油罐顶部圆心坐标值和光照圆弧的圆心坐标值，所述油罐图像识别模型通过以下油罐图像识别模型训练步骤生成：

对预处理的油罐图像集中的各个油罐图像进行径向变换处理，得到变换图像集；

对所述油罐图像集中的各个油罐图像进行图像标注，以生成标注图像集和对应的标注特征信息集；

基于所述变换图像集、所述标注图像集和所述标注特征信息集，生成训练样本组和测试样本组；

基于所述训练样本组，对初始识别模型进行训练，得到训练后识别模型，以及对所述训练后识别模型进行测试，以生成测试结果；

响应于确定所述测试结果满足预设条件，将所述训练后识别模型确定为油罐图像识别模型；

其中，所述基于所述变换图像集、所述标注图像集和所述标注特征信息集，生成训练样本组和测试样本组，包括：

分别对所述标注图像集中的各个标注图像和所述变换图像集中的各个变换图像进行采样处理，以生成采样油罐图像集和采样变换图像集；

将所述采样油罐图像集中每个采样油罐图像与所述采样变换图像集中对应的采样变换图像和所述标注特征信息集中对应的标注特征信息确定为待训练样本，得到待训练样本集；

对所述待训练样本集进行拆分处理，以生成训练样本组和测试样本组；

其中，在所述对初始识别模型进行训练之前，所述方法还包括：

对所述训练样本组中的各个训练样本进行划分，以生成划分后样本组集合；

其中，所述基于所述训练样本组，对初始识别模型进行训练，得到训练后识别模型，以及对所述训练后识别模型进行测试，以生成测试结果，包括：

对于所述划分后样本组集合中每个划分后样本组中的每个划分后样本，执行如下模型训练步骤：

将所述划分后样本包括的采样油罐图像和采样变换图像输入至初始识别模型，以生成识别结果；

确定所述识别结果与所述划分后样本包括的标注特征信息之间的差异，以生成损失值；

基于所述损失值，调整初始识别模型中的参数；

响应于确定所述划分后样本组中各个划分后样本执行完所述模型训练步骤，将调整参数后的初始识别模型确定为训练后识别模型，以及对训练后识别模型进行测试，以生成测试结果。

2.根据权利要求1所述的方法，其中，所述将调整参数后的初始识别模型确定为训练后识别模型，以及对训练后识别模型进行测试，以生成测试结果，包括：

将所述测试样本组中各个测试样本包括的采样油罐图像和采样变换图像输入至所述训练后识别模型，以生成测试结果；

响应于确定所述测试结果不满足所述预设条件，再次执行所述模型训练步骤。

3.根据权利要求2所述的方法，其中，所述响应于确定所述测试结果满足预设条件，将所述训练后识别模型确定为油罐图像识别模型，包括：

响应于确定所述测试结果满足所述预设条件，将所述测试结果对应的训练后识别模型确定为油罐图像识别模型。

4.根据权利要求1所述的方法，其中，所述初始识别模型包括卷积模块和全连接模块，所述卷积模块包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层，所述全连接模块包括第一全连接层、第二全连接层和第三全连接层。

5.一种油罐图像识别装置，包括：

获取单元，被配置成获取油罐图像；

第二生成单元，被配置成将所述油罐图像输入至油罐图像识别模型中，以生成油罐图像识别结果，其中，所述油罐图像识别结果包括以下至少一项：油罐半径、油罐顶部圆心坐标值和光照圆弧的圆心坐标值，所述油罐图像识别模型通过以下油罐图像识别模型训练步骤生成：

获取油罐图像；

将所述油罐图像输入至油罐图像识别模型中，以生成油罐图像识别结果，其中，所述油罐图像识别结果包括以下至少一项：油罐半径、油罐顶部圆心坐标值和光照圆弧的圆心坐标值，所述油罐图像识别模型通过以下步骤训练生成：

对预处理的油罐图像集中的各个油罐图像进行径向变换处理，得到变换图像集；

对所述油罐图像集中的各个油罐图像进行图像标注，以生成标注图像集和对应的标注特征信息集；

基于所述变换图像集、所述标注图像集和所述标注特征信息集，生成训练样本组和测试样本组；

基于所述训练样本组，对初始识别模型进行训练，得到训练后识别模型，以及对所述训练后识别模型进行测试，以生成测试结果；

响应于确定所述测试结果满足预设条件，将所述训练后识别模型确定为油罐图像识别模型；

其中，所述基于所述变换图像集、所述标注图像集和所述标注特征信息集，生成训练样本组和测试样本组，包括：

分别对所述标注图像集中的各个标注图像和所述变换图像集中的各个变换图像进行采样处理，以生成采样油罐图像集和采样变换图像集；

将所述采样油罐图像集中每个采样油罐图像与所述采样变换图像集中对应的采样变换图像和所述标注特征信息集中对应的标注特征信息确定为待训练样本，得到待训练样本集；

对所述待训练样本集进行拆分处理，以生成训练样本组和测试样本组；

其中，在所述对初始识别模型进行训练之前，还包括以下步骤：

对所述训练样本组中的各个训练样本进行划分，以生成划分后样本组集合；

其中，所述基于所述训练样本组，对初始识别模型进行训练，得到训练后识别模型，以及对所述训练后识别模型进行测试，以生成测试结果，包括：

对于所述划分后样本组集合中每个划分后样本组中的每个划分后样本，执行如下模型训练步骤：

将所述划分后样本包括的采样油罐图像和采样变换图像输入至初始识别模型，以生成识别结果；

确定所述识别结果与所述划分后样本包括的标注特征信息之间的差异，以生成损失值；

基于所述损失值，调整初始识别模型中的参数；

响应于确定所述划分后样本组中各个划分后样本执行完所述模型训练步骤，将调整参数后的初始识别模型确定为训练后识别模型，以及对训练后识别模型进行测试，以生成测试结果。