CN114120052B - 自学习多调度云端标注平台、工作方法、电子设备及介质 - Google Patents

自学习多调度云端标注平台、工作方法、电子设备及介质 Download PDF

Info

Publication number
CN114120052B
CN114120052B CN202111462496.0A CN202111462496A CN114120052B CN 114120052 B CN114120052 B CN 114120052B CN 202111462496 A CN202111462496 A CN 202111462496A CN 114120052 B CN114120052 B CN 114120052B
Authority
CN
China
Prior art keywords
current picture
manual
data
learning
picture data
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
Application number
CN202111462496.0A
Other languages
English (en)
Other versions
CN114120052A (zh
Inventor
连天友
姜旭
邓秋雄
胡靖�
陶佳
黄锐
蒲磊
赵玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Zhiyuanhui Information Technology Co Ltd
Original Assignee
Chengdu Zhiyuanhui Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Zhiyuanhui Information Technology Co Ltd filed Critical Chengdu Zhiyuanhui Information Technology Co Ltd
Priority to CN202111462496.0A priority Critical patent/CN114120052B/zh
Publication of CN114120052A publication Critical patent/CN114120052A/zh
Application granted granted Critical
Publication of CN114120052B publication Critical patent/CN114120052B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063112—Skill-based matching of a person or a group to a task
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398—Performance of employee with respect to a job function

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种自学习多调度云端标注平台工作方法，包括以下步骤：S1：获取当前图片数据；S2：判断模块判断所述当前图片数据是否需要人工审核；S3：根据当前人工审核能力值，所述当前图片数据被数据分发端分发至人工审核端；S4：所述当前图片数据被人工审核端判断AI识图系统对当前图片标注的内容是否有误；S5：对当前图片数据进行人工标注，在当前图片数据上形成人工标注数据；S6：智能分发自学习端基于动态第一学习集自学习得到新的判断能力值；智能分发自学习端基于动态第二学习集得到新的人工审核能力值；S7：判断模块根据新的判断能力值进行更新，数据分发端根据新的人工审核能力值进行更新。

Description

自学习多调度云端标注平台、工作方法、电子设备及介质
技术领域
本发明涉及系统自学习技术领域，具体涉及一种自学习多调度云端标注平台、工作方法、电子设备及介质。
背景技术
如图2、图3所示，集中判图业务主要由安检智能分析仪、图片分发系统、集中判图系统、判图工作站、监视终端系统、安检监管平台构成，能够实现包括包裹图像自动识别违禁品、包裹图像上送、判图员远程判图、监视终端物检处置的信息化、智慧化闭环等功能。
现有技术中，对于判图员的人工审核判图能力缺乏有效的判断，图片分发系统也无法根据人工审核判图能力来给判图员推送相匹配的任务量，同时智能系统的自学习更新通常都是根据相应的样本数据进行静态的更新，集中判图系统进行更新时需要在暂停其工作时进行，影响工作效率。
因此针对以上问题提供一种自学习多调度云端标注平台、工作方法、电子设备及介质具有重要意义。
发明内容
本发明的目的在于提供一种自学习多调度云端标注平台、工作方法、电子设备及介质，以解决上述背景技术中所提出的问题。
为解决上述技术问题，本发明采用了以下方案：
本发明提供了一种自学习多调度云端标注平台工作方法，包括以下步骤：
S1：获取当前图片数据，所述当前图片数据包括当前图片以及AI识图系统对当前图片标注的内容；
S2：判断模块判断所述当前图片数据是否需要人工审核；若是，所述当前图片数据被推送至数据分发端，转S3；
S3：根据当前人工审核能力值，所述当前图片数据被数据分发端分发至人工审核端；
S4：所述当前图片数据被人工审核端判断AI识图系统对当前图片标注的内容是否有误；
若是，将当前图片数据推送至人工标注端，转S5；
若否，将当前图片数据推送至智能分发自学习端的动态第一学习集，转S6；
S5：对当前图片数据进行人工标注，在当前图片数据上形成人工标注数据，
将人工标注后的当前图片数据经人工审核端确认无误后，再推送给智能分发自学习端的动态第二学习集；
将人工标注后的当前图片数据直接推送给智能分发自学习端的动态第二学习集；
S6：智能分发自学习端基于动态第一学习集自学习得到新的判断能力值；智能分发自学习端基于动态第二学习集得到新的人工审核能力值；
S7：判断模块根据新的判断能力值进行更新，数据分发端根据新的人工审核能力值进行更新。
进一步地，还包括以下步骤：S0：从云端调取当前图片，AI识图系统对当前图片进行标注形成对当前图片标注的内容。。
进一步地，判断模块判断所述当前图片数据是否需要人工审核的依据包括：AI识图系统标注出的当前图片违禁品信息和当前图片背景复杂度。
进一步地，S2还包括：判断模块判断所述当前图片数据是否需要人工审核，若否，所述当前图片数据被推送至动态可信数据库。
S4还包括：所述当前图片数据被人工审核端判断AI识图系统对当前图片标注的内容是否有误；若否，将当前图片数据推送至动态可信数据库；
S5还包括：对当前图片数据进行人工标注，在当前图片数据上形成人工标注数据，将人工标注后的当前图片数据经人工审核端确认无误后，再推送给动态可信数据库；
经S2、S4推送到动态可信数据库的当前图片数据和经S5推送到动态可信数据库的人工标注后的当前图片数据均作为可信数据构成动态第三学习集。
进一步地，包括以下步骤：
Sm：动态可信数据库中可信数据数目达到阈值时，调用动态可信数据库中的可信数据；
Sn：对可信数据进行样本均衡化，获得均衡化的可信数据；
So：根据均衡化的可信数据AI识图系统通过自学习算法进行自学习，得到新的AI识图系统的标注能力；
Sp：AI识图系统通过新的AI识图系统的标注能力进行更新。
本发明还提供了一种自学习多调度云端标注平台，包括智能分发系统、人工审核端以及人工标注端；
智能分发系统：所述智能分发系统包括获取模块、判断模块、数据分发端以及智能分发自学习端；获取模块，获取当前图片数据，所述当前图片数据包括当前图片以及AI识图系统对当前图片标注的内容；判断模块，判断模块判断所述当前图片数据是否需要人工审核，若是，所述当前图片数据被推送至数据分发端，若否，所述当前图片数据被推送至动态可信数据库；数据分发端，根据当前人工审核能力值，所述当前图片数据被数据分发端分发至人工审核端；智能分发自学习端，智能分发自学习端基于动态第一学习集自学习得到新的判断能力值，基于动态第二学习集得到新的人工审核能力值；
人工审核端：所述当前图片数据被人工审核端判断AI识图系统对当前图片标注的内容是否有误；若是，将当前图片数据推送至人工标注端；若否，将当前图片数据推送至智能分发自学习端的动态第一学习集以及动态可信数据库；
人工标注端：对当前图片数据进行人工标注，在当前图片数据上形成人工标注数据，
将人工标注后的当前图片数据经人工审核端确认无误后，再推送给智能分发自学习端的动态第二学习集以及动态可信数据库；
将人工标注后的当前图片数据直接推送给智能分发自学习端的动态第二学习集。
进一步地，还包括AI识图系统和AI识图自学习系统；
AI识图系统：从云端调取当前图片，AI识图系统对当前图片进行标注形成对当前图片标注的内容；
AI识图自学习系统：包括调用模块、样本均衡模块、AI识图自学习模块以及系统更新模块；调用模块，动态可信数据库中可信数据数目达到阈值时，调用动态可信数据库中的可信数据；样本均衡模块，对可信数据进行样本均衡化，获得均衡化的可信数据；AI识图自学习模块，根据均衡化的可信数据AI识图系统通过自学习算法进行自学习，得到新的AI识图系统的标注能力；AI识图系统更新模块，用于AI识图系统通过新的AI识图系统的标注能力进行更新。
本发明还提供了一种自学习多调度云端标注平台的电子设备，包括：
一个或多个处理器；
存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据权利要求1至5中任意一项所述的一种自学习多调度云端标注平台工作方法。
本发明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，所述计算机程序被处理器执行时能实现根据权利要求1至5中任意一项所述的一种自学习多调度云端标注平台工作方法。
本发明具有的有益效果：
1、通过动态循环的步骤训练，提升智能分发系统对图片的判断能力，同时对人工审核能力进行评价和更新，智能分发系统可根据人工审核能力来给判图员做出工作能力评价并推送相匹配的任务量；
2、通过设置可信数据阈值，当可信数据达到阈值时，AI识图系统在动态工作下完成自学习以及系统更新，提升AI识图系统对图片的标注能力；
3、本工作平台将智能分发系统的自学习更新、人工审核能力动态更新与AI识图系统标注能力结合形成了自学习多调度平台，提升了工作效率。
附图说明
图1为本发明的流程框图；
图2为背景技术的流程框图；
图3为背景技术的流程框图；
图4为智能分发系统自学习的流程框图；
图5为AI识图系统自学习的流程框图。
具体实施方式
为使本发明的技术方案、解决的技术问题和技术效果更加清楚明白，以下结合具体实施例，对本发明的技术方案进行清查、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下获得的所有实施例,都在本发明的保护范围之内。
以下结合附图并附具体实施例详细说明本发明：
实施例1
如图1至4所示，现有技术中：获取包裹的X光机成像图，AI识图系统并对X光机成像图进行标注，标注的内容包括当前图片违禁品信息，例如违禁品的数量、尺寸以及违禁品的置信度等，现有技术中将标注后的图片由集中判图客户端即人工审核端进行人工判别及标注，将图片推送至监视终端，标注的内容还有当前图片背景复杂度，可根据图片背景复杂度将图片分为简单图片或复杂图片，简单图片可以通过AI识图系统直接进行判别，复杂图片由集中判图客户端即人工审核端进行人工判别。
根据现有技术，本发明提供了一种自学习多调度云端标注平台工作方法，用于分析更新人工判别能力即人工审核能力，具体流程如下：获取包裹的X光机成像图上传至云端共享图片数据，AI识图系统从云端获取当前图片并进行标注，当前图片和AI识图系统对当前图片标注后组成当前图片数据，智能分发系统初始化之后获取当前图片数据，并判断所述当前图片数据是否需要人工审核，判断模块判断所述当前图片数据是否需要人工审核的依据包括：AI识图系统标注出的当前图片违禁品信息和当前图片背景复杂度，当前图片违禁品信息包括违禁品的数量、尺寸以及违禁品的置信度等。
当判断为需要人工审核时，所述当前图片数据被推送至数据分发端；数据分发端根据当前人工审核能力值将所述当前图片数据分发至人工审核端，分给合适的人工审核，当前图片数据被人工审核端判断AI识图系统对当前图片标注的内容是否有误：
若标注有误，将当前图片数据推送至人工标注端，对当前图片数据进行人工标注，在当前图片数据上形成人工标注数据，将人工标注后的当前图片数据直接推送给智能分发自学习端的动态第二学习集，人工标注数据包括人工标注后的图片违禁品信息、人工判断时间以及人工处理的时间，人工判断时间是指人工审核时判断当前图片数据是否标注有误的时间，人工处理的时间是指人工审核时处理有误标注的时间，对图片违禁品信息标注的准确性、人工判断时间以及人工处理的时间均作为智能分发自学习端更新人工审核能力值的基础，智能分发自学习端基于动态第二学习集得到新的人工审核能力值；
人工标注后的当前图片数据被推送给数据分发端进行再次分配，将人工标注后的当前图片数据经人工审核端确认无误后，再推送给智能分发自学习端的动态第二学习集；人工标注后的当前图片数据经人工审核端确认依旧有误，循环上述的步骤，即将第一次人工标注后的当前图片数据则推送至人工标注端并进行二次人工标注，将二次标注的当前图片数据推送给智能分发自学习端的动态第二学习集，以及数据分发端进行再次分配，直至人工标注后的当前图片数据被人工审核端确认无误，告知数据分发端当前图片数据的无误并推送给智能分发自学习端的动态第二学习集，智能分发自学习端基于动态第二学习集得到新的人工审核能力值；
最后，数据分发端根据新的人工审核能力值进行更新。
例如：甲乙丙三人的当前人工审核能力值的初始值均为10，甲对当前图片数据可以在少于规定时间范围内完成了人工审核，并且对图片违禁品信息等人工标注正确，人工标注后的当前图片数据推送至智能分发自学习端的动态第二学习集，积累一定数据后，智能分发自学习端对甲的人工审核能力值做出重新判断，此时判断甲新的人工审核能力值为12，数据分发端根据新的人工审核能力值进行更新；
乙对当前图片数据可以在规定时间范围内完成了人工审核并且对图片违禁品信息等人工标注正确，人工标注后的当前图片数据推送至智能分发自学习端的动态第二学习集，积累一定数据后，对乙的人工审核能力值做出重新判断，此时判断乙新的人工审核能力值仍为10，数据分发端根据新的人工审核能力值进行更新；
丙对当前图片数据只能在规定时间范围内甚至超出规定范围内完成了人工审核并且对图片违禁品信息等人工标注存在错误，人工标注后的当前图片数据推送至智能分发自学习端的动态第二学习集，积累一定数据后，对丙的人工审核能力值做出重新判断，此时丙新的人工审核能力值为5，数据分发端根据新的人工审核能力值进行更新；
根据甲乙丙三人新的人工审核能力值，智能分发系统可以进行针对性的任务分发，但由于甲乙丙三人在工作时的IP地址可能存在变化的情况或者三人的工作能力有一定提升，所以人工审核能力值需要进行一个动态化的调整。
若标注无误，将当前图片数据推送至智能分发自学习端的动态第一学习集，智能分发自学习端基于动态第一学习集自学习得到新的判断能力值，判断模块根据新的判断能力值进行更新，提高判断模块对于当前图片数据是否需要人工审核的判断能力。
实施例2
如图1、5所示，本发明还构建有一个动态可信数据库，动态可信数据库的数据来源为：
1、判断模块判断所述当前图片数据是否需要人工审核，若否，所述当前图片数据被推送至动态可信数据库。
2、所述当前图片数据被人工审核端判断AI识图系统对当前图片标注的内容是否有误；若否，将当前图片数据推送至动态可信数据库；
3、对当前图片数据进行人工标注，在当前图片数据上形成人工标注数据，将人工标注后的当前图片数据经人工审核端确认无误后，再推送给动态可信数据库；
经1、2推送到动态可信数据库的当前图片数据和经3推送到动态可信数据库的人工标注后的当前图片数据均作为可信数据构成动态第三学习集。
动态可信数据库用于代替现有技术中的静态样本。
本发明提供的工作方法还包括通过动态可信数据库对AI识图系统对图片标注能力的自学习更新，具体流程如下：动态可信数据库中可信数据数目达到阈值时，调用动态可信数据库中的可信数据；之后对可信数据进行样本均衡化，获得均衡化的可信数据；根据均衡化的可信数据AI识图系统通过自学习算法进行自学习，得到新的AI识图系统的标注能力；AI识图系统通过新的AI识图系统的标注能力进行更新，动态的完成AI识图系统的标注能力自学习更新。
本发明还提供了一种自学习多调度云端标注平台，用于实现上述实施例1和实施例2中描述的工作方法。
本发明还提供了一种自学习多调度云端标注平台的电子设备，包括：
一个或多个处理器；
存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现实施例1和实施例2中自学习多调度云端标注平台工作方法。
本发明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，所述计算机程序被处理器执行时能实现根据实施例1至实施例4中所述的自学习多调度云端标注平台工作方法。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。

Claims (8)

1.一种自学习多调度云端标注平台工作方法，其特征在于，包括以下步骤：
S1：获取当前图片数据，所述当前图片数据包括当前图片以及AI识图系统对当前图片标注的内容；
S2：判断模块判断所述当前图片数据是否需要人工审核；若是，所述当前图片数据被推送至数据分发端，转S3；
同时，判断模块判断所述当前图片数据是否需要人工审核，若否，所述当前图片数据被推送至动态可信数据库；
S3：根据当前人工审核能力值，所述当前图片数据被数据分发端分发至人工审核端；
S4：所述当前图片数据被人工审核端判断AI识图系统对当前图片标注的内容是否有误；
若是，将当前图片数据推送至人工标注端，转S5；
若否，将当前图片数据推送至智能分发自学习端的动态第一学习集，转S6；
S4还包括：所述当前图片数据被人工审核端判断AI识图系统对当前图片标注的内容是否有误；若否，将当前图片数据推送至动态可信数据库；
S5：对当前图片数据进行人工标注，在当前图片数据上形成人工标注数据，人工标注数据包括人工标注后的图片违禁品信息、人工判断时间以及人工处理的时间，人工判断时间是指人工审核时判断当前图片数据是否标注有误的时间，人工处理的时间是指人工审核时处理有误标注的时间；
将人工标注后的当前图片数据经人工审核端确认是否有误；若人工标注后的当前图片数据经人工审核端确认依旧有误，将第一次人工标注后的当前图片数据则推送至人工标注端并进行二次人工标注，将二次标注的当前图片数据推送给智能分发自学习端的动态第二学习集，数据分发端进行再次分配，直至人工标注后的当前图片数据被人工审核端确认无误，告知数据分发端当前图片数据的无误并推送给智能分发自学习端的动态第二学习集；
将人工标注后的当前图片数据直接推送给智能分发自学习端的动态第二学习集；
S5还包括：对当前图片数据进行人工标注，在当前图片数据上形成人工标注数据，将人工标注后的当前图片数据经人工审核端确认无误后，再推送给动态可信数据库；经S2、S4推送到动态可信数据库的当前图片数据和经S5推送到动态可信数据库的人工标注后的当前图片数据均作为可信数据构成动态第三学习集；
S6：智能分发自学习端基于动态第一学习集自学习得到新的判断能力值；智能分发自学习端基于动态第二学习集得到新的人工审核能力值，新的人工审核能力值根据对当前图片数据是否能在规定时间范围内完成人工审核且人工标注是否正确进行判定；
S7：判断模块根据新的判断能力值进行更新，数据分发端根据新的人工审核能力值进行更新。
2.根据权利要求1所述的一种自学习多调度云端标注平台工作方法，其特征在于，还包括以下步骤：
S0：从云端调取当前图片，AI识图系统对当前图片进行标注形成对当前图片标注的内容。
3.根据权利要求1所述的一种自学习多调度云端标注平台工作方法，其特征在于，判断模块判断所述当前图片数据是否需要人工审核的依据包括：AI识图系统标注出的当前图片违禁品信息和当前图片背景复杂度。
4.根据权利要求1所述的一种自学习多调度云端标注平台工作方法，其特征在于，包括以下步骤：
Sm：动态可信数据库中可信数据数目达到阈值时，调用动态可信数据库中的可信数据；
Sn：对可信数据进行样本均衡化，获得均衡化的可信数据；
So：根据均衡化的可信数据AI识图系统通过自学习算法进行自学习，得到新的AI识图系统的标注能力；
Sp：AI识图系统通过新的AI识图系统的标注能力进行更新。
5.一种自学习多调度云端标注平台，其特征在于，应用如权利要求1所述的自学习多调度云端标注平台工作方法，包括智能分发系统、人工审核端以及人工标注端；
智能分发系统：所述智能分发系统包括获取模块、判断模块、数据分发端以及智能分发自学习端；
获取模块，获取当前图片数据，所述当前图片数据包括当前图片以及AI识图系统对当前图片标注的内容；
判断模块，判断模块判断所述当前图片数据是否需要人工审核，若是，所述当前图片数据被推送至数据分发端，若否，所述当前图片数据被推送至动态可信数据库；
数据分发端，根据当前人工审核能力值，所述当前图片数据被数据分发端分发至人工审核端；
智能分发自学习端，智能分发自学习端基于动态第一学习集自学习得到新的判断能力值，基于动态第二学习集得到新的人工审核能力值；
人工审核端：所述当前图片数据被人工审核端判断AI识图系统对当前图片标注的内容是否有误；若是，将当前图片数据推送至人工标注端；若否，将当前图片数据推送至智能分发自学习端的动态第一学习集以及动态可信数据库；
人工标注端：对当前图片数据进行人工标注，在当前图片数据上形成人工标注数据，人工标注数据包括人工标注后的图片违禁品信息、人工判断时间以及人工处理的时间，人工判断时间是指人工审核时判断当前图片数据是否标注有误的时间，人工处理的时间是指人工审核时处理有误标注的时间；
将人工标注后的当前图片数据经人工审核端确认无误后，再推送给智能分发自学习端的动态第二学习集以及动态可信数据库；将人工标注后的当前图片数据直接推送给智能分发自学习端的动态第二学习集；
将推送给动态可信数据库的数据均作为可信数据构成动态第三学习集；推送至动态可信数据库的数据包括：
判断模块判断不需要人工审核的所述当前图片数据；
被人工审核端判断AI识图系统对当前图片标注的内容无误后的当前图片数据；
以及经人工审核端确认无误后的人工标注后的当前图片数据。
6.根据权利要求5所述的一种自学习多调度云端标注平台，其特征在于，还包括AI识图系统和AI识图自学习系统；
AI识图系统：从云端调取当前图片，AI识图系统对当前图片进行标注形成对当前图片标注的内容；
AI识图自学习系统：包括调用模块、样本均衡模块、AI识图自学习模块以及系统更新模块；调用模块，动态可信数据库中可信数据数目达到阈值时，调用动态可信数据库中的可信数据；样本均衡模块，对可信数据进行样本均衡化，获得均衡化的可信数据；AI识图自学习模块，根据均衡化的可信数据AI识图系统通过自学习算法进行自学习，得到新的AI识图系统的标注能力；AI识图系统更新模块，用于AI识图系统通过新的AI识图系统的标注能力进行更新。
7.一种自学习多调度云端标注平台的电子设备，其特征在于，包括：
一个或多个处理器；
存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据权利要求1至4中任意一项所述的一种自学习多调度云端标注平台工作方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时能实现根据权利要求1至4中任意一项所述的一种自学习多调度云端标注平台工作方法。
CN202111462496.0A 2021-12-02 2021-12-02 自学习多调度云端标注平台、工作方法、电子设备及介质 Active CN114120052B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111462496.0A CN114120052B (zh) 2021-12-02 2021-12-02 自学习多调度云端标注平台、工作方法、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111462496.0A CN114120052B (zh) 2021-12-02 2021-12-02 自学习多调度云端标注平台、工作方法、电子设备及介质

Publications (2)

Publication Number Publication Date
CN114120052A CN114120052A (zh) 2022-03-01
CN114120052B true CN114120052B (zh) 2023-06-27

Family

ID=80366183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111462496.0A Active CN114120052B (zh) 2021-12-02 2021-12-02 自学习多调度云端标注平台、工作方法、电子设备及介质

Country Status (1)

Country Link
CN (1) CN114120052B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103853701A (zh) * 2012-11-30 2014-06-11 中国科学院声学研究所 一种基于神经网络的自学习语义检测方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108461129B (zh) * 2018-03-05 2022-05-20 余夏夏 一种基于图像认证的医学影像标注方法、装置和用户终端
CN108985293A (zh) * 2018-06-22 2018-12-11 深源恒际科技有限公司 一种基于深度学习的图像自动化标注方法及系统
CN110245716B (zh) * 2019-06-20 2021-05-14 杭州睿琪软件有限公司 样本标注审核方法及装置
CN113724226A (zh) * 2021-08-31 2021-11-30 成都智元汇信息技术股份有限公司 地铁安检集中判图系统及图像处理装置、方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103853701A (zh) * 2012-11-30 2014-06-11 中国科学院声学研究所 一种基于神经网络的自学习语义检测方法及系统

Also Published As

Publication number Publication date
CN114120052A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN111283474B (zh) 一种基于大数据的数控自动化设备故障检测系统
EP3843036B1 (en) Sample labeling method and device, and damage category identification method and device
CN108124487A (zh) 云端抄表方法及装置
CN112070135B (zh) 电力设备图像检测方法、装置、电力设备及存储介质
CN109284784A (zh) 一种针对直播场景视频的内容审核模型训练方法及装置
CN113515655B (zh) 一种基于图像分类的故障识别方法及装置
CN110490181B (zh) 一种基于ocr识别技术的表单填写审核方法、装置、设备以及计算机存储介质
CN110084289B (zh) 图像标注方法、装置、电子设备及存储介质
CN111539924A (zh) 一种悬垂线夹的缺陷检测方法、装置、设备及存储介质
CN115686280A (zh) 深度学习模型管理系统、方法、计算机设备及存储介质
CN115393645B (zh) 一种土壤自动分类定名方法、系统、存储介质及智能终端
CN112328822A (zh) 图片预标注方法、装置及终端设备
CN114120052B (zh) 自学习多调度云端标注平台、工作方法、电子设备及介质
CN110555488A (zh) 图像序列的审核方法及系统、电子设备和存储介质
CN109614888B (zh) 基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法
CN112153320A (zh) 一种物品尺寸的测量方法、装置、电子设备和存储介质
CN109088793B (zh) 用于检测网络故障的方法和装置
CN110955781A (zh) 一种模型训练方法、装置、实现对标处理的方法及装置
CN116152609B (zh) 分布式模型训练方法、系统、装置以及计算机可读介质
CN113129469A (zh) 一种巡检监控方法和系统以及计算机可读存储介质
CN115828022B (zh) 一种数据识别方法、联邦训练模型、装置和设备
CN117834724A (zh) 一种基于大数据分析的视频学习资源管理系统
CN111225297A (zh) 一种宽带无源光网络端口资源整治方法及系统
CN115565171A (zh) 安检图像关联标注方法及装置
CN114049552A (zh) 基于实例分割的智慧机房线缆交维质量检验方法及装置

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