本发明专利技术涉及图像分类技术，揭露了一种用品识别方法，包括：对训练图片集进行用品分类及穿戴级别的标注，得到标注后的样本集，利用所述样本集及预构建的用品分类标签，对预构建的多目标识别模型进行分类训练，完成所述分类训练后，利用所述多目标识别模型，构建多任务学习模型，利用所述样本集、所述预构建的用品分类标签和所述预构建的用品穿戴级别标签，对所述多任务学习模型进行多任务训练，完成所述多任务训练后，利用所述多任务学习模型对待识别图片进行用品分类及用品穿戴级别的识别。本发明专利技术还提出一种用品识别装置、电子设备及存储介质。本发明专利技术可以解决单任务目标识别模型的泛用性和鲁棒性较低的问题。性和鲁棒性较低的问题。性和鲁棒性较低的问题。
【技术实现步骤摘要】
用品识别方法、装置、电子设备及存储介质
[0001]本专利技术涉及图像分类
，尤其涉及一种用品识别方法、装置、电子设备及计算机可读存储介质。
技术介绍
[0002]基于图片或视频影像的目标识别技术在生产、生活中有着广泛的应用，例如，机场安全检测通道的人脸识别、危险用品识别，医院隔离区域对医护人员防护用品的识别。当前目标识别较多是基于深度学习的卷积神经网络，构建单任务训练模型，通过大量样本集对单任务训练模型进行目标识别训练，达到目标识别的效果，但是单任务的目标识别训练存在下述问题：
[0003]一方面，不能平衡待识别目标特征差异比较大或比较小的情况，例如，不同待识别目标的检测框大小差异比较大，例如，防护服和医用眼罩。不同待识别目标的检测框大小差异比较小，例如，规范的戴口罩和非规范的戴口罩。另一方面，通过单任务的目标识别训练获取的目标特征，不能直接应用到相关待识别目标的检测中，需要针对所述相关待识别目标构建新的训练模型。例如，对椅子进行单任务目标识别的模型，在对桌子的目标识别的应用中表现效果一般。因此单任务目标识别模型的泛用性和鲁棒性较低。
技术实现思路
[0004]本专利技术提供一种用品识别方法、装置及计算机可读存储介质，其主要目的在于。
[0005]为实现上述目的，本专利技术提供的一种用品识别方法，包括：
[0006]获取训练图片集，根据预构建的用品分类标签及用品穿戴级别标签，对所述训练图片集进行用品分类的标注及用品穿戴级别的标注，得到标注后的图片集；
[0007]以所述标注后的图片集为样本集，利用所述样本集及所述用品分类标签，对预构建的多目标识别模型进行分类训练直到所述分类训练的误差值满足第一预设条件；
[0008]根据所述用品分类标签及所述多目标识别模型构建多任务学习模型；
[0009]利用所述样本集、所述用品分类标签及所述用品穿戴级别标签，对所述多任务学习模型进行多任务训练直到所述多任务训练的误差值满足第二预设条件；
[0010]利用所述多任务学习模型对待识别图片进行用品分类及用品穿戴级别的识别，得到所述待识别图片的用品分类及用品的穿戴级别。
[0011]可选地，所述所述利用所述样本集及所述用品分类标签，对预构建的多目标识别模型进行分类训练直到所述分类训练的误差值满足第一预设条件，包括：
[0012]根据所述用品分类标签，对所述预构建的多目标识别模型进行参数初始化；
[0013]利用所述样本集对参数初始化后的所述多目标识别模型进行分类训练，得到所述样本集的分类特征集；
[0014]利用预测函数对所述分类特征集进行分类概率计算，得到所述样本集的分类结果；
[0015]利用预构建的第一损失函数，判断所述用品分类结果和所述样本集的用品分类真实标签之间的误差值是否满足第一预设条件；
[0016]若所述误差值不满足所述第一预设条件，则返回根据所述用品分类标签，对所述预构建的多目标识别模型进行参数初始化的步骤；
[0017]若所述误差值满足所述第一预设条件，则退出所述分类训练。
[0018]可选地，所述根据所述用品分类标签及所述多目标识别模型构建多任务学习模型，包括：
[0019]统计所述用品分类标签的数量；
[0020]根据所述用品分类标签的数量，在所述多目标识别模型中添加相同数量的网络分支，得到多任务学习模型。
[0021]可选地，所述利用所述样本集、所述用品分类标签及所述用品穿戴级别标签，对所述多任务学习模型进行多任务训练直到所述多任务训练的误差值满足第二预设条件，包括：
[0022]利用所述用品分类标签及所述用品穿戴级别标签，对所述多任务学习模型进行参数初始化；
[0023]利用所述样本集对参数初始化后的所述多任务学习模型进行多任务训练，得到所述样本集的分类特征集及用品穿戴特征集；
[0024]利用预测函数对所述样本集的分类特征集及用品穿戴特征集进行用品分类及穿戴级别概率计算，得到所述样本集的用品分类结果及穿戴级别结果；
[0025]利用预构建的第二损失函数，计算所述用品分类结果与所述样本集的用品分类真实标签之间的分类误差值和所述穿戴级别结果与所述样本集的用品穿戴级别真实标签之间的穿戴级别误差值；
[0026]判断所述分类误差值及所述穿戴级别误差值是否满足第二预设条件；
[0027]若所述分类误差值及所述穿戴级别误差值不满足所述第二预设条件，返回利用所述用品分类标签及所述用品穿戴级别标签，对所述多任务学习模型进行参数初始化的步骤；
[0028]若所述分类误差值及所述穿戴级别误差值满足所述第二预设条件，则退出所述多任务训练。
[0029]可选地，所述利用所述多任务学习模型对待识别图片进行用品分类及用品穿戴级别的识别，包括：
[0030]利用所述多任务学习模型，对待识别图片进行用品分类特征提取及用品穿戴级别特征提取，得到所述待识别图片的用品分类特征及用品穿戴级别特征；
[0031]利用预测函数，对所述用品分类特征及用品穿戴级别特征进行用品分类及穿戴级别概率计算，得到所述样本集的用品分类及穿戴级别结果。
[0032]可选地，所述得到所述待识别图片的用品分类及用品的穿戴级别之后，还包括：
[0033]根据所述用品分类及所述用品的穿戴级别，匹配预构建的预警信息库，得到对应的预警信息；
[0034]将所述预警信息同步到预构建的消息发送模块。
[0035]可选地，所述对所述训练图片集进行用品分类的标注及用品穿戴级别的标注之
前，还包括：
[0036]利用预构建的图像去噪模型对所述训练图片集进行去噪处理。
[0037]为了解决上述问题，本专利技术还提供一种用品识别装置，所述装置包括：
[0038]图片标注模块，用于获取训练图片集，根据预构建的用品分类标签及用品穿戴级别标签，对所述训练图片集进行用品分类的标注及用品穿戴级别的标注，得到标注后的图片集；
[0039]分类训练模块，用于以所述标注后的图片集为样本集，利用所述样本集及所述用品分类标签，对预构建的多目标识别模型进行分类训练直到所述分类训练的误差值满足第一预设条件；
[0040]多任务训练模块，用于根据所述用品分类标签及所述多目标识别模型构建多任务学习模型；利用所述样本集、所述用品分类标签及所述用品穿戴级别标签，对所述多任务学习模型进行多任务训练直到所述多任务训练的误差值满足第二预设条件；
[0041]用品识别模块，用于利用所述多任务学习模型对待识别图片进行用品分类及用品穿戴级别的识别，得到所述待识别图片的用品分类及用品的穿戴级别。
[0042]为了解决上述问题，本专利技术还提供一种电子设备，所述电子设备包括：
[0043]存储器，存储至少一个指令；及
[0044]处理器，执行所述存储器中存储的指令以实现上述所述的用品识别方法。
[0045]为了解决上述问题，本专利技术还提本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用品识别方法，其特征在于，所述方法包括：获取训练图片集，根据预构建的用品分类标签及用品穿戴级别标签，对所述训练图片集进行用品分类的标注及用品穿戴级别的标注，得到标注后的图片集；以所述标注后的图片集为样本集，利用所述样本集及所述用品分类标签，对预构建的多目标识别模型进行分类训练直到所述分类训练的误差值满足第一预设条件；根据所述用品分类标签及所述多目标识别模型构建多任务学习模型；利用所述样本集、所述用品分类标签及所述用品穿戴级别标签，对所述多任务学习模型进行多任务训练直到所述多任务训练的误差值满足第二预设条件；利用所述多任务学习模型对待识别图片进行用品分类及用品穿戴级别的识别，得到所述待识别图片的用品分类及用品的穿戴级别。2.如权利要求1所述的用品识别方法，其特征在于，所述利用所述样本集及所述用品分类标签，对预构建的多目标识别模型进行分类训练直到所述分类训练的误差值满足第一预设条件，包括：根据所述用品分类标签，对所述预构建的多目标识别模型进行参数初始化；利用所述样本集对参数初始化后的所述多目标识别模型进行分类训练，得到所述样本集的分类特征集；利用预测函数对所述分类特征集进行分类概率计算，得到所述样本集的分类结果；利用预构建的第一损失函数，判断所述用品分类结果和所述样本集的用品分类真实标签之间的误差值是否满足第一预设条件；若所述误差值不满足所述第一预设条件，则返回根据所述用品分类标签，对所述预构建的多目标识别模型进行参数初始化的步骤；若所述误差值满足所述第一预设条件，则退出所述分类训练。3.如权利要求1所述的用品识别方法，其特征在于，所述根据所述用品分类标签及所述多目标识别模型构建多任务学习模型，包括：统计所述用品分类标签的数量；根据所述用品分类标签的数量，在所述多目标识别模型中添加相同数量的网络分支，得到多任务学习模型。4.如权利要求1所述的用品识别方法，其特征在于，所述利用所述样本集、所述用品分类标签及所述用品穿戴级别标签，对所述多任务学习模型进行多任务训练直到所述多任务训练的误差值满足第二预设条件，包括：利用所述用品分类标签及所述用品穿戴级别标签，对所述多任务学习模型进行参数初始化；利用所述样本集对参数初始化后的所述多任务学习模型进行多任务训练，得到所述样本集的分类特征集及用品穿戴特征集；利用预测函数对所述样本集的分类特征集及用品穿戴特征集进行用品分类及穿戴级别概率计算，得到所述样本集的用品分类结果及穿戴级别结果；利用预构建的第二损失函数，计算所述用品分类结果与所述样本集的用品分类真实标签之间的分类误差值和所述穿戴级别结果与所述样本集的用品穿戴级别真实标签之间的穿戴级别误差值；
【专利技术属性】
技术研发人员：袁宏进，曾凡涛，刘玉宇，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。