CN116778308A - 对象识别方法、装置、计算机设备和存储介质 - Google Patents
对象识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116778308A CN116778308A CN202311064735.6A CN202311064735A CN116778308A CN 116778308 A CN116778308 A CN 116778308A CN 202311064735 A CN202311064735 A CN 202311064735A CN 116778308 A CN116778308 A CN 116778308A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- feature matrix
- object recognition
- feature
- positive sample
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 159
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000003066 decision tree Methods 0.000 claims description 66
- 239000013598 vector Substances 0.000 claims description 44
- 238000004590 computer program Methods 0.000 claims description 26
- 238000011156 evaluation Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 16
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种对象识别方法、装置、计算机设备和存储介质。所述方法包括:获取车辆数据,并根据车辆数据确定待识别车辆的特征矩阵;基于训练完成的对象识别模型对特征矩阵进行识别处理,得到待识别车辆的目标识别结果;对象识别模型是基于正样本集合和负样本集合训练的机器学习模型;目标识别结果用于反映待识别车辆的车辆状态信息;根据目标识别结果反映的车辆状态信息,确定故障车辆。采用本方法能够提高识别目标车辆的效率。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种对象识别方法、装置、计算机设备和存储介质。
背景技术
随着共享单车的发展,出现了共享电单车服务,由于共享电单车的结构相比普通的共享电单车更加复杂,随着使用频率的增加,发生故障的概率更大。在共享电单车发生故障后,会影响订单增长,因此,需要对故障车辆进行检测。
传统技术中,通过运维人员进行上报,或用户针对发现的故障车辆进行反馈,识别出城市中的故障车辆。
然而,目前的通过运维人员上报和用户反馈来识别故障车辆的方法,由于运维人员或用户主动发现故障车辆后,才能识别故障车辆,存在滞后性,导致识别故障车辆的效率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种对象识别方法、装置、计算机设备和计算机可读存储介质。
第一方面,本申请提供了一种对象识别方法。所述方法包括:
获取车辆数据,并根据所述车辆数据确定待识别车辆的特征矩阵;
基于训练完成的对象识别模型对所述特征矩阵进行识别处理,得到所述待识别车辆的目标识别结果;所述对象识别模型是基于正样本集合和负样本集合训练的机器学习模型;所述目标识别结果用于反映待识别车辆的车辆状态信息;
根据所述目标识别结果反映的所述车辆状态信息,确定故障车辆。
在其中一个实施例中,所述车辆数据包括车态特征、订单特征和位置特征,所述根据所述车辆数据确定待识别车辆的特征矩阵,包括:
将车辆数据中包含的各待识别车辆的所述车态特征、所述订单特征和所述位置特征进行特征拼接,得到各所述待识别车辆的特征向量;
基于各所述待识别车辆的特征向量构建所述待识别车辆的特征矩阵。
在其中一个实施例中,所述基于训练完成的对象识别模型对所述特征矩阵进行识别处理,得到所述待识别车辆的目标识别结果,包括:
通过所述对象识别模型中的多个决策树对所述特征矩阵进行分类处理,得到每个所述决策树的初始分类结果;
将每个所述初始分类结果进行加权处理,得到所述待识别车辆的分类结果,将所述分类结果作为所述待识别车辆的目标识别结果。
在其中一个实施例中,所述通过所述对象识别模型中的多个决策树对所述特征矩阵进行分类处理,得到每个所述决策树的初始分类结果,包括:
将所述特征矩阵分别输入至多个决策树中进行分类处理,确定每一决策树中所述特征矩阵对应的叶子节点;
通过各所述叶子节点对应的预测结果确定所述决策树的初始分类结果,得到多个所述决策树的所述初始分类结果。
在其中一个实施例中,所述目标识别结果包括第一故障类型、第二故障类型和无故障类型;所述根据所述目标识别结果反映的所述车辆状态信息,确定故障车辆,包括:
若所述待识别车辆的目标识别结果为所述第一故障类型或所述第二故障类型,将所述待识别车辆确定为故障车辆。
在其中一个实施例中,所述获取车辆数据之前,所述方法还包括:
获取正样本集合对应的特征矩阵和负样本集合对应的特征矩阵;所述正样本集合对应的特征矩阵表征第一故障类型和第二故障类型的正样本对应的特征,所述负样本集合对应的特征矩阵表征无故障类型的负样本对应的特征;
根据待训练的对象识别模型对所述正样本对应的特征矩阵和所述负样本对应的特征矩阵进行识别处理,得到每个所述正样本的第一识别结果和每个负样本对应的第二识别结果;
基于所述正样本对应的正样本标签和所述第一识别结果与所述负样本对应的负样本标签和所述第二识别结果,确定所述待训练的对象识别模型的损失值;
若所述损失值不满足预设损失条件,对所述待训练的对象识别模型进行损失优化,执行所述根据待训练的对象识别模型对所述正样本对应的特征矩阵和所述负样本对应的特征矩阵进行识别处理的步骤,直至所述损失值满足预设损失条件,得到训练完成的对象识别模型。
在其中一个实施例中,所述获取正样本集合对应的特征矩阵和负样本集合对应的特征矩阵,包括:
获取正样本集合和负样本集合;所述正样本集合包含携带正样本标签的正样本的正样本标签,所述负样本集合包含携带负样本标签的负样本;所述正样本表征
将正样本集合包含的各正样本的车态特征、订单特征和位置特征进行特征拼接,以及,将负样本集合包含的各负样本的车态特征、订单特征和位置特征进行特征拼接,分别得到各所述正样本对应的特征向量和各所述负样本对应的特征向量;
基于各所述正样本对应的特征向量和各所述负样本对应的特征向量,分别构建所述正样本集合对应的特征矩阵和所述负样本集合对应的特征矩阵。
在其中一个实施例中,所述得到训练完成的对象识别模型之前,所述方法还包括:
根据所述第一识别结果和所述正样本标签,以及所述第二识别结果和所述负样本标签,计算训练后的对象识别模型的准确率、精确率、召回率和平衡F分数,作为评估结果;
若所述评估结果满足预设评估条件,将所述训练后的对象识别模型作为训练完成的对象识别模型。
第二方面,本申请还提供了一种对象识别装置。所述装置包括:
第一获取模块,用于获取车辆数据,并根据所述车辆数据确定待识别车辆的特征矩阵;
第一识别模块,用于基于训练完成的对象识别模型对所述特征矩阵进行识别处理,得到所述待识别车辆的目标识别结果;所述对象识别模型是基于正样本集合和负样本集合训练的机器学习模型;所述目标识别结果用于反映待识别车辆的车辆状态信息;
第一确定模块,用于根据所述目标识别结果反映的所述车辆状态信息,确定故障车辆。
在其中一个实施例中,所述第一获取模块具体用于:
将车辆数据中包含的各待识别车辆的所述车态特征、所述订单特征和所述位置特征进行特征拼接,得到各所述待识别车辆的特征向量;
基于各所述待识别车辆的特征向量构建所述待识别车辆的特征矩阵。
在其中一个实施例中,所述第一识别模块具体用于:
通过所述对象识别模型中的多个决策树对所述特征矩阵进行分类处理,得到每个所述决策树的初始分类结果;
将每个所述初始分类结果进行加权处理,得到所述待识别车辆的分类结果,将所述分类结果作为所述待识别车辆的目标识别结果。
在其中一个实施例中,所述第一识别模块具体用于:
将所述特征矩阵分别输入至多个决策树中进行分类处理,确定每一决策树中所述特征矩阵对应的叶子节点;
通过各所述叶子节点对应的预测结果确定所述决策树的初始分类结果,得到多个所述决策树的所述初始分类结果。
在其中一个实施例中,所述第一确定模块具体用于:
若所述待识别车辆的目标识别结果为所述第一故障类型或所述第二故障类型,将所述待识别车辆确定为故障车辆。
在其中一个实施例中,所述装置还包括:
第二获取模块,用于获取正样本集合对应的特征矩阵和负样本集合对应的特征矩阵;所述正样本集合对应的特征矩阵表征第一故障类型和第二故障类型的正样本对应的特征,所述负样本集合对应的特征矩阵表征无故障类型的负样本对应的特征;
第二识别模块,用于根据待训练的对象识别模型对所述正样本对应的特征矩阵和所述负样本对应的特征矩阵进行识别处理,得到每个所述正样本的第一识别结果和每个负样本对应的第二识别结果;
损失计算模块,用于基于所述正样本对应的正样本标签和所述第一识别结果与所述负样本对应的负样本标签和所述第二识别结果,确定所述待训练的对象识别模型的损失值;
训练模块,用于若所述损失值不满足预设损失条件,对所述待训练的对象识别模型进行损失优化,执行所述根据待训练的对象识别模型对所述正样本对应的特征矩阵和所述负样本对应的特征矩阵进行识别处理的步骤,直至所述损失值满足预设损失条件,得到训练完成的对象识别模型。
在其中一个实施例中,所述第二获取模块具体用于:
获取正样本集合和负样本集合;所述正样本集合包含携带正样本标签的正样本的正样本标签,所述负样本集合包含携带负样本标签的负样本;所述正样本表征
将正样本集合包含的各正样本的车态特征、订单特征和位置特征进行特征拼接,以及,将负样本集合包含的各负样本的车态特征、订单特征和位置特征进行特征拼接,分别得到各所述正样本对应的特征向量和各所述负样本对应的特征向量;
基于各所述正样本对应的特征向量和各所述负样本对应的特征向量,分别构建所述正样本集合对应的特征矩阵和所述负样本集合对应的特征矩阵。
在其中一个实施例中,所述装置还包括:
计算模块,用于根据所述第一识别结果和所述正样本标签,以及所述第二识别结果和所述负样本标签,计算训练后的对象识别模型的准确率、精确率、召回率和平衡F分数,作为评估结果;
第二确定模块,用于若所述评估结果满足预设评估条件,将所述训练后的对象识别模型作为训练完成的对象识别模型。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取车辆数据,并根据所述车辆数据确定待识别车辆的特征矩阵;
基于训练完成的对象识别模型对所述特征矩阵进行识别处理,得到所述待识别车辆的目标识别结果;所述对象识别模型是基于正样本集合和负样本集合训练的机器学习模型;所述目标识别结果用于反映待识别车辆的车辆状态信息;
根据所述目标识别结果反映的所述车辆状态信息,确定故障车辆。
第四方面,本申请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,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以下步骤:
获取车辆数据,并根据所述车辆数据确定待识别车辆的特征矩阵;
基于训练完成的对象识别模型对所述特征矩阵进行识别处理,得到所述待识别车辆的目标识别结果;所述对象识别模型是基于正样本集合和负样本集合训练的机器学习模型;所述目标识别结果用于反映待识别车辆的车辆状态信息;
根据所述目标识别结果反映的所述车辆状态信息,确定故障车辆。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取车辆数据,并根据所述车辆数据确定待识别车辆的特征矩阵;
基于训练完成的对象识别模型对所述特征矩阵进行识别处理,得到所述待识别车辆的目标识别结果;所述对象识别模型是基于正样本集合和负样本集合训练的机器学习模型;所述目标识别结果用于反映待识别车辆的车辆状态信息;
根据所述目标识别结果反映的所述车辆状态信息,确定故障车辆。
上述对象识别方法、装置、计算机设备和存储介质,通过车辆数据构建特征矩阵,并根据训练完成的对象识别模型对特征矩阵进行识别,得到待识别车辆对应的目标识别结果,并通过目标识别结果确定故障车辆,可以提高识别故障车辆的及时性和准确性,进而提高识别目标车辆的效率。
附图说明
图1为一个实施例中对象识别方法的应用环境图;
图2为一个实施例中构建特征矩阵的方法的流程示意图;
图3为一个实施例中对象识别模型确定目标识别结果的方法的流程示意图;
图4为一个实施例中对象识别模型确定初始分类结果的方法的流程示意图;
图5为一个实施例中对象识别模型的训练方法的流程示意图;
图6为一个实施例中构建训练样本的特征矩阵的方法的流程示意图;
图7为一个实施例中对象识别模型的评估方法的流程示意图;
图8为一个实施例中对象识别装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种对象识别方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤102,获取车辆数据,并根据车辆数据确定待识别车辆的特征矩阵。
本申请实施例中,车辆数据可以为一个待识别车辆的车辆数据,也可以为多个待识别车辆的车辆数据,例如,车辆数据可以为城市中所有待识别共享电单车的车辆数据,或者,城市中某一区域内的共享电单车的车辆数据。
首先,终端获取待识别车辆的车辆数据,该车辆数据可以包括每个待识别车辆多个维度的信息数据,例如,车辆位置、历史订单和车辆的属性信息等,然后,终端根据每个待识别车辆的车辆数据中多个维度的信息数据,确定包含每个待识别车辆的状态特征的特征矩阵。
步骤104,基于训练完成的对象识别模型对特征矩阵进行识别处理,得到待识别车辆的目标识别结果。
其中,对象识别模型是基于正样本集合和负样本集合训练的机器学习模型;目标识别结果用于反映待识别车辆的车辆状态信息。
本申请实施例中,终端将包含每个待识别车辆的状态信息的特征矩阵输入至对象识别模型中,该对象识别模型可以为XGBoost(eXtreme Gradient Boosting,极限梯度提升)模型,通过XGBoost模型对特征矩阵进行识别处理,XGBoost模型可以输出每个待识别车辆的标签,作为目标识别结果。
可选的,终端在将特征矩阵进行输入之前,可以对该特征矩阵进行预处理,例如,终端可以对特征矩阵中的特征数据进行数据缩放、归一化或去均值等预处理操作,以确保特征矩阵中的特征数据的范围与对象识别模型训练时特征矩阵的范围相同,并提高对象识别模型的性能。
步骤106,根据目标识别结果反映的车辆状态信息,确定故障车辆。
本申请实施例中,目标识别结果可以为待识别车辆的标签,该标签可以反映车辆的状态信息,例如,对象识别模型输出的标签可以为可见故障类型、隐藏故障类型或无故障类型,进而终端可以在多个待识别车辆中,确定出车辆状态信息表征为故障状态的待识别车辆。
上述对象识别方法中,通过车辆数据构建特征矩阵,并根据训练完成的对象识别模型对特征矩阵进行识别,得到待识别车辆对应的目标识别结果,并通过目标识别结果确定故障车辆,可以提高识别故障车辆的及时性和准确性,进而提高识别目标车辆的效率。
在一个实施例中,车辆数据包括车态特征、订单特征和位置特征,在应用对象识别模型对待识别车辆进行识别前需要构建表征待识别车辆的状态特征的特征矩阵,如图2所示,步骤102根据车辆数据确定待识别车辆的特征矩阵,包括:
步骤202,将车辆数据中包含的各待识别车辆的车态特征、订单特征和位置特征进行特征拼接,得到各待识别车辆的特征向量。
本申请实施例中,车态特征包括车型、车龄、累计行驶距离、累计行驶时长、累计电池使用时长;订单特征包括预设时间段内产生的订单数量和预设时间段内产生的短时订单的比例,例如,预设时间段可以为过去1天、3天和7天,短时订单可以为待识别车辆在车辆开锁后2分钟内关锁的订单;位置特征包括热点特征、预设时间段和预设距离内的车辆数量的第一最大值、第一最小值和第一平均值,以及预设时间段和预设距离内产生订单数量的第二最大值、第二最小值和第二平均值,其中,热点特征为待识别车辆的位置是否为热点位置,热点位置为共享电单车业务平台确定的,终端可以根据待识别车辆的位置确定待识别车辆是否处于热点位置,进而得到热点特征。
终端针对每一个待识别车辆,将车辆数据中的车态特征、订单特征和位置特征进行特征拼接,即终端将每个待识别车辆的各特征数据按行进行组合,得到每个待识别车辆的特征向量,即包含了当前待识别车辆的所有特征的特征向量。
步骤204,基于各待识别车辆的特征向量构建待识别车辆的特征矩阵。
本申请实施例中,若待识别车辆的数量为多个,则终端将每个待识别车辆的特征向量按行组合成一个特征矩阵,例如,特征矩阵的每一列表征待识别车辆的特征数据,特征矩阵的每一行表征不同车辆的全部特征数据。
本实施例中,将待识别车辆的车辆数据进行特征拼接,得到包含待识别车辆的特征数据的特征矩阵,可以满足对象识别模型进行识别处理的要求,进而可以实现通过对象识别模型对待识别车辆进行识别,得到每个待识别车辆的目标识别结果,提高确定故障车辆效率。
在一个实施例中,如图3所示,步骤104基于训练完成的对象识别模型对特征矩阵进行识别处理,得到待识别车辆的目标识别结果,包括:
步骤302,通过对象识别模型中的多个决策树对特征矩阵进行分类处理,得到每个决策树的初始分类结果。
本申请实施例中,以对象识别模型为XGBoost模型为例进行说明,XGBoost模型包含多个决策树,该决策树为用于对待识别车辆进行分类处理的基本学习器(也成为弱分类器),在终端将特征矩阵输入至XGBoost模型后,通过XGBoost模型的多个决策树对特征矩阵中的特征向量进行分类处理,针对每个特征向量,每个决策树均输出一个初始分类结果。
步骤304,将每个初始分类结果进行加权处理,得到待识别车辆的分类结果,将分类结果作为待识别车辆的目标识别结果。
本申请实施例中,终端通过每个决策树输出的初始分类结果,确定目标识别结果,具体的,每个决策树包含表征其输出结果占比的权重,在每个决策树均输出初始分类结果后,终端根据每个决策树的权重对初始分类结果进行加权处理,得到待识别车辆的目标识别结果,即待识别车辆状态信息的预测结果。对象识别模型的目标函数如下公式所示:
(3-1)
其中,表征对象识别模型的预测输出,/>表征对象识别模型的预测函数,/>为一个常数项,表征对象识别模型的全局偏置,/>表征对象识别模型中决策树的数量,/>表征第m个决策树的初始分类结果。
本实施例中,通过对象识别模型自动处理包含大量待识别车辆特征数据的特征矩阵并进行识别处理,得到用于确定故障车辆的目标识别结果,可以降低识别故障车辆的成本,同时,通过对象识别模型中的多个决策树进行集成学习,可以提高对象识别模型对待识别车辆进行分类的准确性,进而提高识别故障车辆的效率。
在一个实施例中,如图4所示,步骤302通过对象识别模型中的多个决策树对特征矩阵进行分类处理,得到每个决策树的初始分类结果,包括:
步骤402,将特征矩阵分别输入至多个决策树中进行分类处理,确定每一决策树中特征矩阵对应的叶子节点。
本申请实施例中,每个决策树中包含多个叶子节点,决策树的输出由多个叶子节点的预测值加权得到,终端将特征矩阵分别输入至多个决策树中,通过决策树对特征矩阵进行分裂,即对特征矩阵进行划分,然后,在决策树的每个叶子节点中进行分配,得到特征矩阵对应的每个叶子节点和每个叶子节点的预测结果,该叶子节点的预测结果表征特征矩阵某一维度的预测值。
步骤404,通过各叶子节点对应的预测结果确定决策树的初始分类结果,得到多个决策树的初始分类结果。
本申请实施例中,终端通过将各叶子节点对应的预测结果进行加权,并将加权后的预测结果确定为决策树的初始分类结果。
本实施例中,通过决策树中多个叶子节点对特征矩阵进行划分,得到特征矩阵对应的多维度的预测结果,并根据多维度的预测结果确定决策树的初始分类结果,可以提高确定初始分类结果的准确性,进而提高确定待识别车辆的目标识别结果的准确性。
在一个实施例中,目标识别结果包括第一故障类型、第二故障类型和无故障类型,步骤106根据目标识别结果反映的车辆状态信息,确定故障车辆,包括:
步骤1061,若待识别车辆的目标识别结果为第一故障类型或第二故障类型,将待识别车辆确定为故障车辆。
本申请实施例中,第一故障类型为可见故障类型,表征故障位置可以直接从共享电单车的外部特征进行识别,导致车辆无法骑行,例如,车辆重要部位(车刹、车把、车座、电池等)的损坏甚至缺失。第二故障类型为隐藏故障类型,表征故障位置从共享电单车的外部不易发现,只有在开锁后骑行时才发现存在问题,需要马上停止,从而产生短时订单,例如,刹车失灵、车辆不走等。因此,只有待识别车辆的目标识别结果为第一故障类型或第二故障类型,即隐藏故障类型或可见故障类型,终端才将该待识别车辆确定为故障车辆。
本实施例中,根据对象识别模型输出的目标识别结果确定故障车辆,可以提高发现故障车辆的及时性和准确性,进而提高在待识别车辆中识别故障车辆的效率。
在一个实施例中,在应用对象识别模型进行故障车辆识别前,需要对对象识别模型进行训练,如图5所示,步骤102获取车辆数据之前,该方法还包括:
步骤502,获取正样本集合对应的特征矩阵和负样本集合对应的特征矩阵。
其中,正样本集合对应的特征矩阵表征第一故障类型和第二故障类型的正样本对应的特征,负样本集合对应的特征矩阵表征无故障类型的负样本对应的特征。
本申请实施例中,终端获取正样本集合对应的特征矩阵和负样本对应的特征矩阵,以通过正样本的特征和负样本的特征共同对对象识别模型进行训练。
步骤504,根据待训练的对象识别模型对正样本对应的特征矩阵和负样本对应的特征矩阵进行识别处理,得到每个正样本的第一识别结果和每个负样本对应的第二识别结果。
本申请实施例中,终端基于步骤302至步骤304以及步骤402至步骤404的相同的原理,分别对正样本对应的特征矩阵和负样本对应的特征矩阵进行识别处理,得到每个正样本的第一识别结果和每个负样本对应的第二识别结果,本实施例对对象识别模型的处理过程不再赘述。
步骤506,基于正样本对应的正样本标签和第一识别结果与负样本对应的负样本标签和第二识别结果,确定待训练的对象识别模型的损失值。
本申请实施例中,终端基于Softmax(归一化指数函数)的交叉熵损失函数(多分类逻辑回归目标函数),针对正样本对应的正样本标签和第一识别结果的差异,以及负样本对应的负样本标签和第二识别结果的差异,计算待训练的对象识别模型的损失值,损失函数如下所示:
(5-1)
其中,为正样本和负样本数量的总数,/>为第/>个样本属于类别/>(取值0或1或2)的真实标签,例如,正样本携带的正样本标签或负样本携带的负样本标签;/>为第/>个样本的预测标签,即该样本属于类别/>的概率;/>为类别总数;/>为正则化项,用于控制对象识别模型的复杂度以及避免过拟合。
步骤508,若损失值不满足预设损失条件,对待训练的对象识别模型进行损失优化,执行根据待训练的对象识别模型对正样本对应的特征矩阵和负样本对应的特征矩阵进行识别处理的步骤,直至损失值满足预设损失条件,得到训练完成的对象识别模型。
本申请实施例中,预设损失条件可以为待训练的对象识别模型的损失值小于预设阈值,若该损失值不满足预设损失条件,则终端通过梯度提升树的集成学习方法,例如,通过迭代的方式构建多个决策树,并逐步优化损失函数。具体的,终端通过正样本和负样本的特征矩阵以及正样本标签和负样本标签,针对正负样本的差异性,对待训练的对象识别模型进行参数调整,首先,终端将初始模型设置为一个默认的基本学习器,例如,使用一个具有固定预测值(例如平均值)的决策树,然后,通过计算当前模型的梯度和二阶导数,并使用梯度和二阶导数来构建一个新的决策树,使得新决策树的预测结果能够更好地拟合当前对象识别模型的梯度,将新决策树的预测结果与现有模型的预测结果进行加权融合,得到调整参数后的对象识别模型。
终端将调整参数后的对象识别模型作为新的对象识别模型,执行步骤504,直至得到的新的对象识别模型的损失值满足预设损失条件,则将当前的新的对象识别模型作为训练完成的对象识别模型。
本实施例中,通过基于正样本和负样本的有监督学习对待训练的对象识别模型进行训练,并基于训练完成的对象识别模型进行故障车辆的识别,在提高识别故障车辆的效率的同时,还可以提高识别故障车辆的效率。
在一个实施例中,如图6所示,步骤502获取正样本集合对应的特征矩阵和负样本集合对应的特征矩阵,包括:
步骤602,获取正样本集合和负样本集合。
其中,正样本集合对应的特征矩阵表征第一故障类型和第二故障类型的正样本对应的特征,负样本集合对应的特征矩阵表征无故障类型的负样本对应的特征。
本申请实施例中,终端可以获取最近3个月的故障车辆上报数据,包括故障上报时间、故障上报位置、故障描述、历史订单等车辆数据,将全部故障车辆作为正样本,并根据步骤1061中的故障类型对故障车辆上报数据进行分类,得到正样本集合中每个正样本的正样本标签。同时,终端获取最近3个月的正常骑行车辆的车辆数据,包括不同时间对应的车辆位置、历史订单等信息,并在正常骑行车辆中进行随机抽取,构建与正样本数量相同且携带正样本标签的正样本。
步骤604,将正样本集合包含的各正样本的车态特征、订单特征和位置特征进行特征拼接,以及,将负样本集合包含的各负样本的车态特征、订单特征和位置特征进行特征拼接,分别得到各正样本对应的特征向量和各负样本对应的特征向量。
本申请实施例中,终端基于步骤202相同的原理,针对正样本集合和负样本集合,构建各正样本对应的特征向量和各负样本对应的特征向量,针对特征向量构建过程,本实施例不再赘述。
步骤606,基于各正样本对应的特征向量和各负样本对应的特征向量,分别构建正样本集合对应的特征矩阵和负样本集合对应的特征矩阵。
本申请实施例中,终端基于步骤204相同的原理,针对正样本对应的特征向量和负样本对应的特征向量构建正样本集合对应的特征矩阵和负样本集合对应的特征矩阵,对于特征矩阵的构建过程本实施例不再赘述。
本实施例中,将正样本的车辆数据进行特征拼接,得到包含正样本的特征数据的特征矩阵,以及将负样本的车辆数据进行特征拼接,得到包含负样本的特征数据的特征矩阵,可以实现通过正样本和负样本对对象识别模型进行训练,进而提高对象识别模型对待识别车辆进行故障识别的准确性。
在一个实施例中,在对待训练对象识别模型进行训练后,需要对训练后的对象识别模型进行评估,如图7所示,步骤508得到训练完成的对象识别模型之前,该方法还包括:
步骤702,根据第一识别结果和正样本标签,以及第二识别结果和负样本标签,计算训练后的对象识别模型的准确率、精确率、召回率和平衡F分数,作为评估结果。
本申请实施例中,终端根据测试集中的正样本的第一识别结果和正样本标签,以及测试集中负样本的第二识别结果和负样本标签,针对训练后的对象识别模型的准确率、精确率、召回率和平衡F分数,作为评估结果。具体的,准确率(Accuracy)表征识别结果与样本标签的比例,即识别结果正确的样本占样本总数的比例;精确率(Precision)表征在某一识别结果中,样本标签与该识别结果相同的比例;召回率(Recall)表征某一样本标签的所有样本中,识别结果与样本标签相同的比例;平衡F分数(F1-score,F1分数)为一个综合指标,平衡F分数的计算公式如下所示:
(7-1)
步骤704,若评估结果满足预设评估条件,将训练后的对象识别模型作为训练完成的对象识别模型。
本申请实施例中,预设评估条件可以为准确率、精确率、召回率和平衡F分数均具有其对应的预设阈值,当训练后的对象识别模型的准确率、精确率、召回率和平衡F分数均满足预设阈值,则将训练后的对象识别模型作为训练完成的对象识别模型。
本实施例中,通过对训练后的对象识别模型进行模型评估,得到评估结果,将评估满足预设评估条件的训练后的对象识别模型作为训练完成的对象识别模型,可以保证用于故障车辆识别的对象识别模型的准确率,进而提高识别故障车辆的准确率。
应该理解的是,虽然如上所述的各实施例所涉及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,如上所述的各实施例所涉及的流程图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。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的对象识别方法的对象识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个对象识别装置实施例中的具体限定可以参见上文中对于对象识别方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种对象识别装置800,包括:第一获取模块801、第一识别模块802和第一确定模块803,其中:
第一获取模块801,用于获取车辆数据,并根据车辆数据确定待识别车辆的特征矩阵;
第一识别模块802,用于基于训练完成的对象识别模型对特征矩阵进行识别处理,得到待识别车辆的目标识别结果;对象识别模型是基于正样本集合和负样本集合训练的机器学习模型;目标识别结果用于反映待识别车辆的车辆状态信息;
第一确定模块803,用于根据目标识别结果反映的车辆状态信息,确定故障车辆;
在其中一个实施例中,第一获取模块801具体用于:
将车辆数据中包含的各待识别车辆的车态特征、订单特征和位置特征进行特征拼接,得到各待识别车辆的特征向量;
基于各待识别车辆的特征向量构建待识别车辆的特征矩阵。
在其中一个实施例中,第一识别模块802具体用于:
通过对象识别模型中的多个决策树对特征矩阵进行分类处理,得到每个决策树的初始分类结果;
将每个初始分类结果进行加权处理,得到待识别车辆的分类结果,将分类结果作为待识别车辆的目标识别结果。
在其中一个实施例中,第一识别模块802具体用于:
将特征矩阵分别输入至多个决策树中进行分类处理,确定每一决策树中特征矩阵对应的叶子节点;
通过各叶子节点对应的预测结果确定决策树的初始分类结果,得到多个决策树的初始分类结果。
在其中一个实施例中,第一确定模块803具体用于:
若待识别车辆的目标识别结果为第一故障类型或第二故障类型,将待识别车辆确定为故障车辆。
在其中一个实施例中,该装置800还包括:
第二获取模块,用于获取正样本集合对应的特征矩阵和负样本集合对应的特征矩阵;正样本集合对应的特征矩阵表征第一故障类型和第二故障类型的正样本对应的特征,负样本集合对应的特征矩阵表征无故障类型的负样本对应的特征;
第二识别模块,用于根据待训练的对象识别模型对正样本对应的特征矩阵和负样本对应的特征矩阵进行识别处理,得到每个正样本的第一识别结果和每个负样本对应的第二识别结果;
损失计算模块,用于基于正样本对应的正样本标签和第一识别结果与负样本对应的负样本标签和第二识别结果,确定待训练的对象识别模型的损失值;
训练模块,用于若损失值不满足预设损失条件,对待训练的对象识别模型进行损失优化,执行根据待训练的对象识别模型对正样本对应的特征矩阵和负样本对应的特征矩阵进行识别处理的步骤,直至损失值满足预设损失条件,得到训练完成的对象识别模型。
在其中一个实施例中,第二获取模块具体用于:
获取正样本集合和负样本集合;正样本集合包含携带正样本标签的正样本的正样本标签,负样本集合包含携带负样本标签的负样本;正样本表征
将正样本集合包含的各正样本的车态特征、订单特征和位置特征进行特征拼接,以及,将负样本集合包含的各负样本的车态特征、订单特征和位置特征进行特征拼接,分别得到各正样本对应的特征向量和各负样本对应的特征向量;
基于各正样本对应的特征向量和各负样本对应的特征向量,分别构建正样本集合对应的特征矩阵和负样本集合对应的特征矩阵。
在其中一个实施例中,该装置800还包括:
计算模块,用于根据第一识别结果和正样本标签,以及第二识别结果和负样本标签,计算训练后的对象识别模型的准确率、精确率、召回率和平衡F分数,作为评估结果;
第二确定模块,用于若评估结果满足预设评估条件,将训练后的对象识别模型作为训练完成的对象识别模型。
上述对象识别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对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该计算机设备的数据库用于存储车辆数据、正样本集合和负样本集合。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种对象识别方法。
本领域技术人员可以理解,图9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计算机设备的限定,具体的计算机设备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。
在一个实施例中,提供了一种计算机设备,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:
获取车辆数据,并根据车辆数据确定待识别车辆的特征矩阵;
基于训练完成的对象识别模型对特征矩阵进行识别处理,得到待识别车辆的目标识别结果;对象识别模型是基于正样本集合和负样本集合训练的机器学习模型;目标识别结果用于反映待识别车辆的车辆状态信息;
根据目标识别结果反映的车辆状态信息,确定故障车辆。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将车辆数据中包含的各待识别车辆的车态特征、订单特征和位置特征进行特征拼接,得到各待识别车辆的特征向量;
基于各待识别车辆的特征向量构建待识别车辆的特征矩阵。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过对象识别模型中的多个决策树对特征矩阵进行分类处理,得到每个决策树的初始分类结果;
将每个初始分类结果进行加权处理,得到待识别车辆的分类结果,将分类结果作为待识别车辆的目标识别结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将特征矩阵分别输入至多个决策树中进行分类处理,确定每一决策树中特征矩阵对应的叶子节点;
通过各叶子节点对应的预测结果确定决策树的初始分类结果,得到多个决策树的初始分类结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若待识别车辆的目标识别结果为第一故障类型或第二故障类型,将待识别车辆确定为故障车辆。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取正样本集合对应的特征矩阵和负样本集合对应的特征矩阵;正样本集合对应的特征矩阵表征第一故障类型和第二故障类型的正样本对应的特征,负样本集合对应的特征矩阵表征无故障类型的负样本对应的特征;
根据待训练的对象识别模型对正样本对应的特征矩阵和负样本对应的特征矩阵进行识别处理,得到每个正样本的第一识别结果和每个负样本对应的第二识别结果;
基于正样本对应的正样本标签和第一识别结果与负样本对应的负样本标签和第二识别结果,确定待训练的对象识别模型的损失值;
若损失值不满足预设损失条件,对待训练的对象识别模型进行损失优化,执行根据待训练的对象识别模型对正样本对应的特征矩阵和负样本对应的特征矩阵进行识别处理的步骤,直至损失值满足预设损失条件,得到训练完成的对象识别模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取正样本集合和负样本集合;正样本集合包含携带正样本标签的正样本的正样本标签,负样本集合包含携带负样本标签的负样本;正样本表征
将正样本集合包含的各正样本的车态特征、订单特征和位置特征进行特征拼接,以及,将负样本集合包含的各负样本的车态特征、订单特征和位置特征进行特征拼接,分别得到各正样本对应的特征向量和各负样本对应的特征向量;
基于各正样本对应的特征向量和各负样本对应的特征向量,分别构建正样本集合对应的特征矩阵和负样本集合对应的特征矩阵。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据第一识别结果和正样本标签,以及第二识别结果和负样本标签,计算训练后的对象识别模型的准确率、精确率、召回率和平衡F分数,作为评估结果;
若评估结果满足预设评估条件,将训练后的对象识别模型作为训练完成的对象识别模型。
在一个实施例中,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上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
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、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
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。
以上所述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本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,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种对象识别方法,其特征在于,所述方法包括:
获取车辆数据,并根据所述车辆数据确定待识别车辆的特征矩阵;
基于训练完成的对象识别模型对所述特征矩阵进行识别处理,得到所述待识别车辆的目标识别结果;所述对象识别模型是基于正样本集合和负样本集合训练的机器学习模型;所述目标识别结果用于反映待识别车辆的车辆状态信息;
根据所述目标识别结果反映的所述车辆状态信息,确定故障车辆。
2.根据权利要求1所述的方法,其特征在于,所述车辆数据包括车态特征、订单特征和位置特征,所述根据所述车辆数据确定待识别车辆的特征矩阵,包括:
将车辆数据中包含的各待识别车辆的所述车态特征、所述订单特征和所述位置特征进行特征拼接,得到各所述待识别车辆的特征向量;
基于各所述待识别车辆的特征向量构建所述待识别车辆的特征矩阵。
3.根据权利要求1所述的方法,其特征在于,所述基于训练完成的对象识别模型对所述特征矩阵进行识别处理,得到所述待识别车辆的目标识别结果,包括:
通过所述对象识别模型中的多个决策树对所述特征矩阵进行分类处理,得到每个所述决策树的初始分类结果;
将每个所述初始分类结果进行加权处理,得到所述待识别车辆的分类结果,将所述分类结果作为所述待识别车辆的目标识别结果。
4.根据权利要求3所述的方法,其特征在于,所述通过所述对象识别模型中的多个决策树对所述特征矩阵进行分类处理,得到每个所述决策树的初始分类结果,包括:
将所述特征矩阵分别输入至多个决策树中进行分类处理,确定每一决策树中所述特征矩阵对应的叶子节点;
通过各所述叶子节点对应的预测结果确定所述决策树的初始分类结果,得到多个所述决策树的所述初始分类结果。
5.根据权利要求1所述的方法,其特征在于,所述目标识别结果包括第一故障类型、第二故障类型和无故障类型;所述根据所述目标识别结果反映的所述车辆状态信息,确定故障车辆,包括:
若所述待识别车辆的目标识别结果为所述第一故障类型或所述第二故障类型,将所述待识别车辆确定为故障车辆。
6.根据权利要求1所述的方法,其特征在于,所述获取车辆数据之前,所述方法还包括:
获取正样本集合对应的特征矩阵和负样本集合对应的特征矩阵;所述正样本集合对应的特征矩阵表征第一故障类型和第二故障类型的正样本对应的特征,所述负样本集合对应的特征矩阵表征无故障类型的负样本对应的特征;
根据待训练的对象识别模型对所述正样本对应的特征矩阵和所述负样本对应的特征矩阵进行识别处理,得到每个所述正样本的第一识别结果和每个负样本对应的第二识别结果;
基于所述正样本对应的正样本标签和所述第一识别结果与所述负样本对应的负样本标签和所述第二识别结果,确定所述待训练的对象识别模型的损失值;
若所述损失值不满足预设损失条件,对所述待训练的对象识别模型进行损失优化,执行所述根据待训练的对象识别模型对所述正样本对应的特征矩阵和所述负样本对应的特征矩阵进行识别处理的步骤,直至所述损失值满足预设损失条件,得到训练完成的对象识别模型。
7.根据权利要求6所述的方法,其特征在于,所述获取正样本集合对应的特征矩阵和负样本集合对应的特征矩阵,包括:
获取正样本集合和负样本集合;所述正样本集合包含携带正样本标签的正样本的正样本标签,所述负样本集合包含携带负样本标签的负样本;所述正样本表征
将正样本集合包含的各正样本的车态特征、订单特征和位置特征进行特征拼接,以及,将负样本集合包含的各负样本的车态特征、订单特征和位置特征进行特征拼接,分别得到各所述正样本对应的特征向量和各所述负样本对应的特征向量;
基于各所述正样本对应的特征向量和各所述负样本对应的特征向量,分别构建所述正样本集合对应的特征矩阵和所述负样本集合对应的特征矩阵。
8.根据权利要求6所述的方法,其特征在于,所述得到训练完成的对象识别模型之前,所述方法还包括:
根据所述第一识别结果和所述正样本标签,以及所述第二识别结果和所述负样本标签,计算训练后的对象识别模型的准确率、精确率、召回率和平衡F分数,作为评估结果;
若所述评估结果满足预设评估条件,将所述训练后的对象识别模型作为训练完成的对象识别模型。
9.一种对象识别装置,其特征在于,所述装置包括:
第一获取模块,用于获取车辆数据,并根据所述车辆数据确定待识别车辆的特征矩阵;
第一识别模块,用于基于训练完成的对象识别模型对所述特征矩阵进行识别处理,得到所述待识别车辆的目标识别结果;所述对象识别模型是基于正样本集合和负样本集合训练的机器学习模型;所述目标识别结果用于反映待识别车辆的车辆状态信息;
第一确定模块,用于根据所述目标识别结果反映的所述车辆状态信息,确定故障车辆。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一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实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311064735.6A CN116778308A (zh) | 2023-08-23 | 2023-08-23 | 对象识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311064735.6A CN116778308A (zh) | 2023-08-23 | 2023-08-23 | 对象识别方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116778308A true CN116778308A (zh) | 2023-09-19 |
Family
ID=87991707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311064735.6A Pending CN116778308A (zh) | 2023-08-23 | 2023-08-23 | 对象识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116778308A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111414477A (zh) * | 2020-03-11 | 2020-07-14 | 科大讯飞股份有限公司 | 车辆故障自动诊断方法、装置以及设备 |
CN111860935A (zh) * | 2020-05-21 | 2020-10-30 | 北京骑胜科技有限公司 | 一种交通工具的故障预测方法、装置、设备及存储介质 |
CN114385465A (zh) * | 2021-12-15 | 2022-04-22 | 深圳前海微众银行股份有限公司 | 一种故障预测方法、设备及存储介质 |
WO2022241705A1 (zh) * | 2021-05-20 | 2022-11-24 | 四川金瑞麒智能科学技术有限公司 | 车辆监测方法、装置、设备及计算机可读存储介质 |
CN116528282A (zh) * | 2023-07-04 | 2023-08-01 | 亚信科技(中国)有限公司 | 覆盖场景识别方法、装置、电子设备和可读存储介质 |
-
2023
- 2023-08-23 CN CN202311064735.6A patent/CN116778308A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111414477A (zh) * | 2020-03-11 | 2020-07-14 | 科大讯飞股份有限公司 | 车辆故障自动诊断方法、装置以及设备 |
CN111860935A (zh) * | 2020-05-21 | 2020-10-30 | 北京骑胜科技有限公司 | 一种交通工具的故障预测方法、装置、设备及存储介质 |
WO2022241705A1 (zh) * | 2021-05-20 | 2022-11-24 | 四川金瑞麒智能科学技术有限公司 | 车辆监测方法、装置、设备及计算机可读存储介质 |
CN114385465A (zh) * | 2021-12-15 | 2022-04-22 | 深圳前海微众银行股份有限公司 | 一种故障预测方法、设备及存储介质 |
CN116528282A (zh) * | 2023-07-04 | 2023-08-01 | 亚信科技(中国)有限公司 | 覆盖场景识别方法、装置、电子设备和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10929775B2 (en) | Statistical self learning archival system | |
Casalino et al. | Incremental adaptive semi-supervised fuzzy clustering for data stream classification | |
CN111310860A (zh) | 改进梯度提升决策树性能的方法及计算机可读存储介质 | |
CN112749737A (zh) | 图像分类方法及装置、电子设备、存储介质 | |
CN116451093A (zh) | 电路故障分析模型的训练方法以及电路故障分析方法 | |
CN112101156A (zh) | 一种目标识别的方法、装置和电子设备 | |
CN112149884A (zh) | 一种面向大规模学员的学业预警监测方法 | |
CN114863170A (zh) | 一种基于深度学习的新能源车电池自燃预警方法及装置 | |
CN115604025B (zh) | 一种基于pli4da的网络入侵检测方法 | |
CN116304941A (zh) | 一种基于多模型组合的海洋数据质量控制方法及装置 | |
CN116778308A (zh) | 对象识别方法、装置、计算机设备和存储介质 | |
CN115982598A (zh) | 窃电检测方法、装置、设备、介质和程序产品 | |
CN115905654A (zh) | 业务数据的处理方法、装置、设备、存储介质和程序产品 | |
CN115345248A (zh) | 一种面向深度学习的数据去偏方法及装置 | |
CN111325242A (zh) | 一种图像的分类方法、终端及计算机存储介质 | |
CN116016142B (zh) | 传感网络故障识别方法、装置、计算机设备和存储介质 | |
CN114898339B (zh) | 驾驶行为预测模型的训练方法、装置、设备、存储介质 | |
CN117745423B (zh) | 一种异常账户的识别方法 | |
CN114896479B (zh) | 一种在线学习方法、系统及计算机可读存储介质 | |
CN117009883B (zh) | 对象分类模型构建方法、对象分类方法、装置和设备 | |
CN116452308A (zh) | 风险评估方法、装置、计算机设备、存储介质和程序产品 | |
CN117523259A (zh) | 半监督模型训练方法、装置、计算机设备和存储介质 | |
CN117911166A (zh) | 团险理赔风险识别方法、装置、计算机设备和存储介质 | |
CN118133081A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN116975621A (zh) | 模型稳定性监测方法、装置和计算机设备 |
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 |