CN117475263A - 图像模型训练方法及其图像识别方法、工程智慧管理系统 - Google Patents
图像模型训练方法及其图像识别方法、工程智慧管理系统 Download PDFInfo
- Publication number
- CN117475263A CN117475263A CN202311820222.3A CN202311820222A CN117475263A CN 117475263 A CN117475263 A CN 117475263A CN 202311820222 A CN202311820222 A CN 202311820222A CN 117475263 A CN117475263 A CN 117475263A
- Authority
- CN
- China
- Prior art keywords
- image
- data set
- training
- sample
- individual samples
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims abstract description 18
- 230000006399 behavior Effects 0.000 claims abstract description 14
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 7
- 239000010959 steel Substances 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 claims description 33
- 238000005457 optimization Methods 0.000 claims description 31
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 9
- 239000000243 solution Substances 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 7
- 230000008447 perception Effects 0.000 claims description 6
- 239000012086 standard solution Substances 0.000 claims description 6
- 230000000638 stimulation Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 229910001294 Reinforcing steel Inorganic materials 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000009435 building construction Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 241000255777 Lepidoptera Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像模型训练方法及其图像识别方法、工程智慧管理系统，涉及图像处理及工程管理技术领域。本发明的训练方法将通过转化频率选择全局搜索阶段和局部搜索，解决了独立采用蝙蝠算法或蝴蝶算法造成的易陷入局部最优、参数自适应性不足、收敛速度慢等问题，提高计算机处理图像数据的效率，减少执行时间。本发明的图像识别方法利用该本发明的训练方法不断修改该过程中特征处理的参数，以损失函数最小化为目标，完善了机器学习的精确度，提高了图像检测的效率。本发明的工程智慧管理系统可解决工程中的不规范行为检测及钢筋参数检测的问题，有利于提高建筑施工的监理效率和智能化程度。
Description
技术领域
本发明涉及图像处理及工程管理技术领域，具体涉及一种图像模型训练方法及其图像识别方法、工程智慧管理系统。
背景技术
近年来，随着移动通信、大数据、人工智能等技术的快速发展给各行业的发展带来了巨大的能量，也给各行各业发展提出巨大的挑战，如何合理、高效地利用这些新兴技术为各行各业的发展提供推动力成为人们主要思考的方向。就工程领域而言，智慧监理是指利用人工智能技术、物联网、云计算、大数据等信息与通信技术手段，对工程项目全寿命周期内关键信息技术进行智能响应的监理模式，能达到监控工程的目的，为工程的顺利进行提供了便利。其核心是利用先进的信息技术，以实现工程监理智慧管理和运行。
蝙蝠算法（BA）是一种搜索局部最优解的方法，虽有效避免了陷入局部最优，提高了局部搜索能力，但勘探能力表现有很大的提升空间以及收敛速度相对较慢。蝴蝶优化算法（BOA）在全局搜索阶段，蝴蝶朝着感知强度最强的个体不断靠近，而在局部搜索阶段，由于个体不能从周围环境中显著感知到信息，其将随机移动。在每次迭代中，解空间中所有蝶形都移到新位置，并重新评估其适应性值。但是，BOA算法仍然存在以下局限性：数据信息没有得到充分利用；难以摆脱局部最优；参数不自适应。可知，BA算法以及BOA算法的搜索能力不高，导致计算机处理图像数据的执行时间过长，无法充分利用每个图像数据。将BA算法以及BOA算法用于工程领域，无法有效解决了作业人员不规范行为检测及钢筋参数提取检测两项问题，导致不利于提高建筑施工的监理效率和智能化程度。
发明内容
针对现有技术中的上述不足，本发明提供的一种图像模型训练方法及其图像识别方法、工程智慧管理系统解决了现有算法的搜索能力不高，导致计算机处理图像数据的执行时间过长，无法充分利用每个图像数据的问题。
为了达到上述发明目的，本发明采用的技术方案为：
提供了一种图像模型训练方法，其包括以下步骤：
S1、获取施工现场的训练图像数据集；
S2、将训练图像数据集输入至图像检测模型，并通过hABOBA算法进行处理，得到优化策略、当前的损失函数值；
S3、根据优化策略更新图像检测模型的参数，直至得到损失函数的最小值，完成对图像检测模型的训练。
进一步地，图像检测模型采用卷积神经网络。
进一步地，步骤S2进一步包括：
S2-1、将训练图像数据集输入至图像检测模型，得到正负样本数据集、当前的损失函数值；
S2-2、设置拟合的标准解的适应度、初始优化策略；
S2-3、根据正负样本数据集的匹配度，得到每个样本的精确度和刺激强度；
S2-4、判断每个样本的刺激强度是否达到了收敛标准；若是则将初始优化策略作为优化策略，结束迭代；反之则对初始优化策略进行更新并进入步骤S2-5；
S2-5、对所有样本的精确度进行计算，得到对应的转化频率；
S2-6、根据公式：
得到第个样本的气味感知值/>，即当前解的适应度；其中，/>表示时刻/>对应的传感器模式，/>表示时刻/>对应的传感器模式，/>表示最大迭代次数，/>表示第/>个样本的刺激强度，/>表示时刻/>对应的气味幂指数，/>表示时刻/>对应的气味幂指数；
S2-7、对第个样本在/>区间内选取一个随机数；
S2-8、判断第个样本的随机数是否小于对应的转化频率；若是则进入步骤S2-9；反之则进入步骤S2-10；
S2-9、采用蝴蝶优化算法对当前时刻下的第/>个样本的位置进行更新，并进入步骤S2-11；
S2-10、采用蝙蝠算法对当前时刻下的第/>个样本的平均响度进行更新；
S2-11、判断第个样本的更新后的平均响度是否小于原平均响度，且当前解的适应度是否小于拟合的标准解的适应度；若否，则返回步骤S2-7；若是，则得到更新后的优化策略并更新平均响度和转化频率，并进入步骤S2-12；
S2-12、判断值是否小于样本总数；若是则将/>值加1并返回步骤S2-6；反之则将更新后的优化策略作为优化策略，并作为结束迭代。
进一步地，步骤S2-1中识别正负样本数据集的具体过程为：
根据公式：
得到第个样本的目标框锚框最大宽度比/>和目标框锚框最大高度比/>；其中，/>表示最大值函数，/>表示锚框，/>表示真实目标框，/>表示真实目标框的宽度，/>表示第/>个样本锚框/>的宽度，/>表示真实目标框/>的高度，/>表示第/>个样本锚框/>的高度，/>、/>分别表示第/>个样本的目标框锚框宽度比和目标框锚框高度比；
根据公式：
获得目标框锚框最大比例；
判断目标框锚框最大比例是否小于阈值；若是则判定第/>个样本为正样本；反之则为负样本。
进一步地，步骤S2-11中更新转化频率公式如下：
其中，表示时刻/>对应的第/>个样本的转化频率，/>表示第/>个样本的脉冲发射率，/>表示正常数，/>表示时刻，/>表示以自然常数/>为底的指数函数。
进一步地，步骤2-9中的蝴蝶算法的公式如下：
其中，表示时刻/>对应的第/>个样本的位置，/>表示时刻/>对应的第/>个样本的位置，/>表示第/>个样本对应的随机数，/>表示，/>表示第/>个样本对应的气味感知值。
进一步地，步骤2-10中的蝙蝠算法的公式如下：
其中，表示样本更新后的位置，/>表示样本当前更新前的位置，/>表示随机数，/>表示时刻/>对应的第/>个样本的平均响度。
提供了一种图像模型训练方法的图像识别方法，其包括以下步骤：
A1、通过施工现场的摄像装备进行拍摄并处理，得到原始施工图像数据集；
A2、对原始施工图像数据集进行数据标注，得到不规范行为数据集和钢筋参数数据集；
A3、构建图像检测模型；将不规范行为数据集和钢筋参数数据集输入至图像检测模型并采用hABOBA训练算法进行训练，得到训练后的图像检测模型；
A4、将待识别的施工图像数据集输入至训练后的图像检测模型，得到对应的检测区域；
A5、构建图像识别模型；将各检测区域输入至图像识别模型进行处理，得到识别结果，完成对施工图像的识别。
进一步地，将各检测区域输入至图像识别模型进行处理，得到对应的图像特征数据；对特征数据集进行融合以及正负样本匹配，得到识别结果。
提供了一种图像识别方法的工程智慧管理系统，其包括采集装置和处理模块；
采集装置包括智能便携式及机器车、智能手机和平板电脑，用于拍摄原始施工图像；
处理模块包括数据采集层、网络传输层、数据及应用层和用户层；
数据采集层，用于通过采集装置提供的通信接口、摄像机实现对原始施工图像数据集的采集；
网络传输层，用于根据实际施工现场特点通过无线通信网络将原始施工图像数据集进行实时传输至数据及应用层；
数据及应用层，用于通过图像识别方法对原始施工图像数据集进行处理，完成吊装作业中不规范行为的识别以及对智能钢筋参数的提取；
用户层，用于将数据及应用层的结果进行可视化的实时展现，实现实时信息交互以及相关数据的传输与共享。
本发明的有益效果为：该训练方法将通过转化频率选择全局搜索阶段和局部搜索，解决了独立采用蝙蝠算法或蝴蝶算法在进行图像检测时造成的易陷入局部最优、参数自适应性不足、收敛速度慢等问题，提高计算机处理图像数据的效率，减少执行时间；该图像识别方法利用该本发明的训练方法不断修改该过程中特征处理的参数，以损失函数最小化为目标，完善了机器学习的精确度，提高了图像检测的效率；该工程智慧管理系统可解决工程中的不规范行为检测及钢筋参数检测的问题，有利于提高建筑施工的监理效率和智能化程度。
附图说明
图1为本发明的训练方法的具体流程图；
图2为本发明的图像识别方法的具体流程图；
图3为本发明的GT与AT匹配示意图；
图4为本发明的GT与AT匹配示意图；
图5为本发明的GT与AT匹配示意图；
图6为本发明的正负样本匹配示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种图像模型训练方法包括以下步骤：
S1、获取施工现场的训练图像数据集；
S2、将训练图像数据集输入至图像检测模型，并通过hABOBA算法进行处理，得到优化策略、当前的损失函数值；
S3、根据优化策略更新图像检测模型的参数，直至得到损失函数的最小值，完成对图像检测模型的训练。
图像检测模型采用卷积神经网络。
步骤S2进一步包括：
S2-1、将训练图像数据集输入至图像检测模型，得到正负样本数据集、当前的损失函数值；
S2-2、设置拟合的标准解的适应度、初始优化策略；
S2-3、根据正负样本数据集的匹配度，得到每个样本的精确度和刺激强度；
S2-4、判断每个样本的刺激强度是否达到了收敛标准；若是则将初始优化策略作为优化策略，结束迭代；反之则对初始优化策略进行更新并进入步骤S2-5；
S2-5、对所有样本的精确度进行计算，得到对应的转化频率；
S2-6、根据公式：
得到第个样本的气味感知值/>，即当前解的适应度；其中，/>表示时刻/>对应的传感器模式，/>表示时刻/>对应的传感器模式，/>表示最大迭代次数，/>表示第/>个样本的刺激强度，/>表示时刻/>对应的气味幂指数，/>表示时刻/>对应的气味幂指数；
S2-7、对第个样本在/>区间内选取一个随机数；
S2-8、判断第个样本的随机数是否小于对应的转化频率；若是则进入步骤S2-9；反之则进入步骤S2-10；
S2-9、采用蝴蝶优化算法对当前时刻下的第/>个样本的位置进行更新，并进入步骤S2-11；
S2-10、采用蝙蝠算法对当前时刻下的第/>个样本的平均响度进行更新；
S2-11、判断第个样本的更新后的平均响度是否小于原平均响度，且当前解的适应度是否小于拟合的标准解的适应度；若否，则返回步骤S2-7；若是，则得到更新后的优化策略并更新平均响度和转化频率，并进入步骤S2-12；
S2-12、判断值是否小于样本总数；若是则将/>值加1并返回步骤S2-6；反之则将更新后的优化策略作为优化策略，结束迭代。
步骤S2-1中识别正负样本数据集的具体过程为：
根据公式：
得到第个样本的目标框锚框最大宽度比/>和目标框锚框最大高度比/>；其中，/>表示最大值函数，/>表示锚框，/>表示真实目标框，/>表示真实目标框的宽度，/>表示第/>个样本锚框/>的宽度，/>表示真实目标框/>的高度，/>表示第/>个样本锚框/>的高度，/>、/>分别表示第/>个样本的目标框锚框宽度比和目标框锚框高度比；
根据公式：
获得目标框锚框最大比例；
判断目标框锚框最大比例是否小于阈值；若是则判定第/>个样本为正样本；反之则为负样本。
步骤S2-11中更新转化频率公式如下：
其中，表示时刻/>对应的第/>个样本的转化频率，/>表示第/>个样本的脉冲发射率，/>表示正常数，/>表示时刻，/>表示以自然常数/>为底的指数函数。
步骤2-9中的蝴蝶算法的公式如下：
其中，表示时刻/>对应的第/>个样本的位置，/>表示时刻/>对应的第/>个样本的位置，/>表示第/>个样本对应的随机数，/>表示，/>表示第/>个样本对应的气味感知值。
步骤2-10中的蝙蝠算法的公式如下：
其中，表示样本更新后的位置，/>表示样本当前更新前的位置，/>表示随机数，/>表示时刻/>对应的第/>个样本的平均响度。
如图2所示，提供了一种图像模型训练方法的图像识别方法，其包括以下步骤：
A1、通过施工现场的摄像装备进行拍摄并处理，得到原始施工图像数据集；
A2、对原始施工图像数据集进行数据标注，得到不规范行为数据集和钢筋参数数据集；
A3、构建图像检测模型；将不规范行为数据集和钢筋参数数据集输入至图像检测模型并采用hABOBA训练算法进行训练，得到训练后的图像检测模型；
A4、将待识别的施工图像数据集输入至训练后的图像检测模型，得到对应的检测区域；
A5、构建图像识别模型；将各检测区域输入至图像识别模型进行处理，得到识别结果，完成对施工图像的识别。
将各检测区域输入至图像识别模型进行处理，得到对应的图像特征数据；对特征数据集进行融合以及正负样本匹配，得到识别结果。
提供了一种图像识别方法的工程智慧管理系统，其包括采集装置和处理模块；
采集装置包括智能便携式及机器车、智能手机和平板电脑，用于拍摄原始施工图像；
处理模块包括数据采集层、网络传输层、数据及应用层和用户层；
数据采集层，用于通过采集装置提供的通信接口、摄像机实现对原始施工图像数据集的采集；
网络传输层，用于根据实际施工现场特点通过无线通信网络将原始施工图像数据集进行实时传输至数据及应用层；
数据及应用层，用于通过图像识别方法对原始施工图像数据集进行处理，完成吊装作业中不规范行为的识别以及对智能钢筋参数的提取；
用户层，用于将数据及应用层的结果进行可视化的实时展现，实现实时信息交互以及相关数据的传输与共享。
在本发明的一个实施例中，传感器模式决定了hABOBA训练方法的搜索方向和收敛行为；气味幂指数/>的值在/>之间。图像识别模型使用Logist回归的方式在其输出层识别目标框的类别和坐标位置。
本发明选用平均精确度、精确度、找回率以及检测准确度对工程智慧管理系统的性能进行评估，其公式如下：
其中，表示精确度，/>表示检测结果为正的正样本数量，/>表示检测为负的正样本数量，/>表示找回率，/>表示检测出图像中无对象但实际上存在某对象的情况对应的数量，/>表示检测成功率，/>表示各样本被正确检测到的概率，/>表示各样本检测的成功率，/>表示平均精确度，/>表示对象类别的数目，/>表示各个类别检测的成功率，/>表示所有检测对象的检测成功率。
计算真实目标框GT和锚框AT的面积来求交并比的不同。当小于4时，则判定第/>个样本为正样本，即只要真实目标框GT的宽和高分别在锚框AT对应的宽和高的0.25倍至4倍之间，则认为真实目标框GT和锚框AT匹配成功。如图3、图4、图5所示，长宽均为/>的实线框为锚框AT的原框范围，长宽均为/>的点短线依次间隔排列的虚线框为放大4倍的锚框AT，长宽均为/>的点虚线框为放大0.25倍的锚框AT；短线间隔排序的虚线框为真实目标框GT的范围。当真实目标框GT处于放大4倍的锚框AT和放大0.25倍的锚框AT的范围内，说明真实目标框GT和锚框AT匹配成功。图3中，因真实目标框GT超出放大4倍的锚框AT，说明真实目标框GT和锚框AT无法匹配；在图4和图5中，真实目标框GT处于放大4倍和0.25倍的锚框AT中，说明真实目标框GT和锚框AT匹配成功。
若卷积神经网络划分检测区域的栅格左上角落在距离真实目标框GT的中线的范围内，则判定该栅格为正样本。如图6所示，实线矩形框为真实目标框GT，横向虚线矩形框为AT1，纵向虚线矩形框为AT2，最大的纵向虚线矩形框为AT3；由于AT1、AT2的栅格左上角以及AT1、AT2相交的点都在距离真实目标框GT的中线的范围/>内，则AT1、AT2的栅格为正样本；由于AT3的栅格左上角超出距离真实目标框GT的中线的范围，所以AT3的栅格为负样本。
综上所述，本发明的训练方法将通过转化频率选择全局搜索阶段和局部搜索，解决了独立采用蝙蝠算法或蝴蝶算法在进行图像检测是造成的易陷入局部最优、参数自适应性不足、收敛速度慢等问题，提高计算机处理图像数据的效率，减少执行时间；本发明的图像识别方法利用该本发明的训练方法不断修改该过程中特征处理的参数，以损失函数最小化为目标，完善了机器学习的精确度，提高了图像检测的效率；本发明的工程智慧管理系统可解决工程中的不规范行为检测及钢筋参数检测的问题，有利于提高建筑施工的监理效率和智能化程度。
Claims (10)
1.一种图像模型训练方法，其特征在于：包括以下步骤：
S1、获取施工现场的训练图像数据集；
S2、将训练图像数据集输入至图像检测模型，并通过hABOBA算法进行处理，得到优化策略、当前的损失函数值；
S3、根据优化策略更新图像检测模型的参数，直至得到损失函数的最小值，完成对图像检测模型的训练。
2.根据权利要求1所述的图像模型训练方法，其特征在于：所述图像检测模型采用卷积神经网络。
3.根据权利要求1所述的图像模型训练方法，其特征在于：所述步骤S2进一步包括：
S2-1、将训练图像数据集输入至图像检测模型，得到正负样本数据集、当前的损失函数值；
S2-2、设置拟合的标准解的适应度、初始优化策略；
S2-3、根据正负样本数据集的匹配度，得到每个样本的精确度和刺激强度；
S2-4、判断每个样本的刺激强度是否达到了收敛标准；若是则将初始优化策略作为优化策略，结束迭代；反之则对初始优化策略进行更新并进入步骤S2-5；
S2-5、对所有样本的精确度进行计算，得到对应的转化频率；
S2-6、根据公式：
得到第个样本的气味感知值/>，即当前解的适应度；其中，/>表示时刻/>对应的传感器模式，/>表示时刻/>对应的传感器模式，/>表示最大迭代次数，/>表示第/>个样本的刺激强度，/>表示时刻/>对应的气味幂指数，/>表示时刻/>对应的气味幂指数；
S2-7、对第个样本在/>区间内选取一个随机数；
S2-8、判断第个样本的随机数是否小于对应的转化频率；若是则进入步骤S2-9；反之则进入步骤S2-10；
S2-9、采用蝴蝶优化算法对当前时刻下的第/>个样本的位置进行更新，并进入步骤S2-11；
S2-10、采用蝙蝠算法对当前时刻下的第/>个样本的平均响度进行更新；
S2-11、判断第个样本的更新后的平均响度是否小于原平均响度，且当前解的适应度是否小于拟合的标准解的适应度；若否，则返回步骤S2-7；若是，则得到更新后的优化策略并更新平均响度和转化频率，并进入步骤S2-12；
S2-12、判断值是否小于样本总数；若是则将/>值加1并返回步骤S2-6；反之则将更新后的优化策略作为优化策略，结束迭代。
4.根据权利要求3所述的图像模型训练方法，其特征在于：所述步骤S2-1中识别正负样本数据集的具体过程为：
根据公式：
得到第个样本的目标框锚框最大宽度比/>和目标框锚框最大高度比/>；其中，表示最大值函数，/>表示锚框，/>表示真实目标框，/>表示真实目标框/>的宽度，/>表示第/>个样本锚框/>的宽度，/>表示真实目标框/>的高度，/>表示第/>个样本锚框/>的高度，/>、/>分别表示第/>个样本的目标框锚框宽度比和目标框锚框高度比；
根据公式：
获得目标框锚框最大比例；
判断目标框锚框最大比例是否小于阈值；若是则判定第/>个样本为正样本；反之则为负样本。
5.根据权利要求3所述的图像模型训练方法，其特征在于：所述步骤S2-11中更新转化频率公式如下：
其中，表示时刻/>对应的第/>个样本的转化频率，/>表示第/>个样本的脉冲发射率，/>表示正常数，/>表示时刻，/>表示以自然常数/>为底的指数函数。
6.根据权利要求3所述的图像模型训练方法，其特征在于：所述步骤2-9中的蝴蝶算法的公式如下：
其中，表示时刻/>对应的第/>个样本的位置，/>表示时刻/>对应的第/>个样本的位置，/>表示第/>个样本对应的随机数，/>表示，/>表示第/>个样本对应的气味感知值。
7.根据权利要求3所述的图像模型训练方法，其特征在于：所述步骤2-10中的蝙蝠算法的公式如下：
其中，表示样本更新后的位置，/>表示样本当前更新前的位置，/>表示随机数，表示时刻/>对应的第/>个样本的平均响度。
8.一种基于权利要求1至7任一所述的图像模型训练方法的图像识别方法，其特征在于：包括以下步骤：
A1、通过施工现场的摄像装备进行拍摄并处理，得到原始施工图像数据集；
A2、对原始施工图像数据集进行数据标注，得到不规范行为数据集和钢筋参数数据集；
A3、构建图像检测模型；将不规范行为数据集和钢筋参数数据集输入至图像检测模型并采用hABOBA训练算法进行训练，得到训练后的图像检测模型；
A4、将待识别的施工图像数据集输入至训练后的图像检测模型，得到对应的检测区域；
A5、构建图像识别模型；将各检测区域输入至图像识别模型进行处理，得到识别结果，完成对施工图像的识别。
9.根据权利要求8所述的图像识别方法，其特征在于：所述步骤A5的具体过程为：将各检测区域输入至图像识别模型进行处理，得到对应的图像特征数据；对特征数据集进行融合以及正负样本匹配，得到识别结果。
10.一种基于权利要求8或9所述的图像识别方法的工程智慧管理系统，其特征在于：包括采集装置和处理模块；
所述采集装置包括智能便携式及机器车、智能手机和平板电脑，用于拍摄原始施工图像；
所述处理模块包括数据采集层、网络传输层、数据及应用层和用户层；
所述数据采集层，用于通过采集装置提供的通信接口、摄像机实现对原始施工图像数据集的采集；
所述网络传输层，用于根据实际施工现场特点通过无线通信网络将原始施工图像数据集进行实时传输至数据及应用层；
所述数据及应用层，用于通过图像识别方法对原始施工图像数据集进行处理，完成吊装作业中不规范行为的识别以及对智能钢筋参数的提取；
所述用户层，用于将数据及应用层的结果进行可视化的实时展现，实现实时信息交互以及相关数据的传输与共享。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311820222.3A CN117475263B (zh) | 2023-12-27 | 2023-12-27 | 图像模型训练方法及其图像识别方法、工程智慧管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311820222.3A CN117475263B (zh) | 2023-12-27 | 2023-12-27 | 图像模型训练方法及其图像识别方法、工程智慧管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117475263A true CN117475263A (zh) | 2024-01-30 |
| CN117475263B CN117475263B (zh) | 2024-03-15 |
Family
ID=89636542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311820222.3A Active CN117475263B (zh) | 2023-12-27 | 2023-12-27 | 图像模型训练方法及其图像识别方法、工程智慧管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117475263B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180204111A1 (en) * | 2013-02-28 | 2018-07-19 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
| CN108717501A (zh) * | 2018-05-25 | 2018-10-30 | 广西电网有限责任公司电力科学研究院 | 一种传感器的非线性补偿方法 |
| CN111814947A (zh) * | 2020-06-30 | 2020-10-23 | 安徽大学 | 一种蝴蝶算法的优化实现方法 |
| CN113011405A (zh) * | 2021-05-25 | 2021-06-22 | 南京柠瑛智能科技有限公司 | 一种解决无人机地物目标识别多框重叠误差的方法 |
| CN113378829A (zh) * | 2020-12-15 | 2021-09-10 | 浙江大学 | 一种基于正负样本均衡的弱监督目标检测方法 |
| CN114742593A (zh) * | 2022-04-22 | 2022-07-12 | 北京信息科技大学 | 一种物流仓储中心优化选址方法及系统 |
| CN115081595A (zh) * | 2022-07-12 | 2022-09-20 | 盐城工学院 | 基于改进天牛须算法和蝙蝠算法融合的神经网络优化方法 |
| CN116362286A (zh) * | 2023-03-31 | 2023-06-30 | 哈尔滨理工大学 | 一种基于Cubic映射和纵横交叉的花授粉算法 |
-
2023
- 2023-12-27 CN CN202311820222.3A patent/CN117475263B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180204111A1 (en) * | 2013-02-28 | 2018-07-19 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
| CN108717501A (zh) * | 2018-05-25 | 2018-10-30 | 广西电网有限责任公司电力科学研究院 | 一种传感器的非线性补偿方法 |
| CN111814947A (zh) * | 2020-06-30 | 2020-10-23 | 安徽大学 | 一种蝴蝶算法的优化实现方法 |
| CN113378829A (zh) * | 2020-12-15 | 2021-09-10 | 浙江大学 | 一种基于正负样本均衡的弱监督目标检测方法 |
| CN113011405A (zh) * | 2021-05-25 | 2021-06-22 | 南京柠瑛智能科技有限公司 | 一种解决无人机地物目标识别多框重叠误差的方法 |
| CN114742593A (zh) * | 2022-04-22 | 2022-07-12 | 北京信息科技大学 | 一种物流仓储中心优化选址方法及系统 |
| CN115081595A (zh) * | 2022-07-12 | 2022-09-20 | 盐城工学院 | 基于改进天牛须算法和蝙蝠算法融合的神经网络优化方法 |
| CN116362286A (zh) * | 2023-03-31 | 2023-06-30 | 哈尔滨理工大学 | 一种基于Cubic映射和纵横交叉的花授粉算法 |
Non-Patent Citations (5)
| Title |
|---|
| CHUNGUANG BI等: "Optimizing a Multi-Layer Perceptron Based on an Improved Gray Wolf Algorithm to Identify Plant Diseases", 《MATHEMATICS》, 27 July 2023 (2023-07-27), pages 1 - 36 * |
| WARDA M. SHABAN: "Early diagnosis of liver disease using improved binary butterfly optimization and machine learning algorithms", 《MULTIMEDIA TOOLS AND APPLICATIONS》, 13 September 2023 (2023-09-13), pages 1 - 29 * |
| 曹莉: "基于极限学习机的异构无线传感网络性能优化研究", 《中国博士学位论文全文数据库_信息科技辑》, 15 September 2021 (2021-09-15), pages 136 - 26 * |
| 王乐: "基于群智能算法的特征选择方法研究", 《中国优秀硕士学位论文全文数据库_信息科技辑》, 15 November 2022 (2022-11-15), pages 140 - 83 * |
| 谢聪等: "一种改进的蝴蝶优化算法", 《数学的实践与认识》, vol. 50, no. 13, 8 July 2020 (2020-07-08), pages 105 - 115 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117475263B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105740644B (zh) | 一种基于模型学习的清洁机器人最优目标路径规划方法 | |
| CN110097053B (zh) | 一种基于改进Faster-RCNN的电力设备外观缺陷检测方法 | |
| CN103208123B (zh) | 图像分割方法与系统 | |
| CN104134351B (zh) | 一种短时交通流预测方法 | |
| CN106966298A (zh) | 基于机器视觉的装配式建筑智能吊装方法与系统 | |
| CN106803071A (zh) | 一种图像中的物体检测方法及装置 | |
| CN110400345A (zh) | 基于深度强化学习的放射性废物推抓协同分拣方法 | |
| CN112926256B (zh) | 基于深度强化学习的土壤重金属含量预测方法及系统 | |
| CN109215344B (zh) | 用于城市道路短时交通流量预测的方法和系统 | |
| CN104156729B (zh) | 一种教室人数统计方法 | |
| CN111343650B (zh) | 一种基于跨域数据和对抗损失的城市尺度无线业务流量预测方法 | |
| CN106201849A (zh) | 一种有限数据驱动的长寿命部件余寿预测方法 | |
| CN116843999A (zh) | 一种基于深度学习的动火作业中气瓶检测方法 | |
| CN104159088A (zh) | 一种远程智能车辆监控系统及方法 | |
| CN110009696A (zh) | 基于蜂群算法优化bp神经网络三目视觉标定 | |
| CN106658538B (zh) | 一种基于泰森多边形的手机基站信号覆盖范围模拟方法 | |
| US10733791B2 (en) | Real-time rendering method based on energy consumption-error precomputation | |
| CN111126478B (zh) | 卷积神经网络训练方法、装置和电子系统 | |
| CN110059848B (zh) | Wsn充电服务站点设定方法及充电设备行驶路径规划方法 | |
| CN117475263B (zh) | 图像模型训练方法及其图像识别方法、工程智慧管理系统 | |
| CN115511186A (zh) | 一种深度学习训练时长的预测管理方法、装置及设备 | |
| CN117993786A (zh) | 一种基于时空图卷积网络的空气质量评估方法 | |
| CN108021894A (zh) | 一种基于深度策略学习的小麦病害检测方法 | |
| CN116843069A (zh) | 一种基于人群活动强度特征的通勤流量估计方法及系统 | |
| CN116206169A (zh) | 一种智能煤矸石目标检测方法 |
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 |