多任务处理的方法、装置及存储介质制造方法及图纸

本公开涉及一种多任务处理的方法、装置及存储介质，上述方法包括：获取历史监控图像，将所述历史监控图像制作为数据集，并对所述数据集进行标注处理；通过基网络连接多个目标头网络，组成多任务模型；使用经过所述标注处理之后的所述数据集对所述多任务模型进行训练；通过训练之后的多任务模型对获取到的实时监控图像进行检测，以实现多任务处理。采用上述技术手段，解决现有技术中，单个神经网络模型无法满足复杂场景的业务需求，无法同时处理多个任务等问题。任务等问题。任务等问题。

【技术实现步骤摘要】
多任务处理的方法、装置及存储介质


[0001]本公开涉及人工智能领域，尤其涉及一种多任务处理的方法、装置及存储介质。

技术介绍

[0002]随着科技的发展，人工智能广泛应用于各行各业。说起人工智能，必然涉及神经网络模型，现有的神经网络模型只能针对单个场景或单个任务，比如目标检测模型，只能用于检测目标对象。但是神经网络模型的应用，往往涉及复杂场景或多个任务。对于复杂场景的多个任务，现有技术，需要多个网络模型来完成各自对应场景下的任务，这就不能保证实时性，并且每张实时采集的图像需要分别进入多个模型，对运行资源要求也很高，就没有办法在现场实际应用部署。
[0003]在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下技术问题：单个神经网络模型无法满足复杂场景的业务需求，无法同时处理多个任务等问题。

技术实现思路

[0004]为了解决上述技术问题或者至少部分地解决上述技术问题，本公开的实施例提供了一种多任务处理的方法、装置及存储介质，以至少解决现有技术中，煤炭工业上的安全监控需要依赖硬件传感器，同时报警内容单一的问题。
[0005]本公开的目的是通过以下技术方案实现的：第一方面，本公开的实施例提供了一种多任务处理的方法，包括：获取历史监控图像，将所述历史监控图像制作为数据集，并对所述数据集进行标注处理；通过基网络连接多个目标头网络，组成多任务模型；使用经过所述标注处理之后的所述数据集对所述多任务模型进行训练；通过训练之后的多任务模型对获取到的实时监控图像进行检测，以实现多任务处理。<br/>[0006]在一个示例性实施例中，包括：所述基网络为轻量化神经网络去除全连接层和输出层后剩余的部分网络；所述目标头网络包括：多层卷积层和输出层，所述输出层包括：全连接层和归一化指数层。
[0007]在一个示例性实施例中，所述多个目标头网络包括：分割头网络、检测头网络和分类头网络；所述基网络连接所述分割头网络，用于处理传送带的轨迹调节任务；所述基网络连接所述检测头网络，用于处理异常事件的检测任务；所述基网络连接所述分类头网络，用于处理传送带功率的控制任务。
[0008]在一个示例性实施例中，所述使用经过所述标注处理之后的所述数据集对所述多任务模型进行训练，包括：以所述基网络连接每个所述目标头网络的整体作为一个待训练模型，分别训练多个待训练模型；其中，在所述多个待训练模型的整个训练过程中：第一次训练，在不冻结所述基网络的参数的情况下，训练当前的待训练模型，以根据训练结果更新所述基网络和当前的目标头网络的参数；非第一次训练，在冻结所述基网络的情况下，训练当前的待训练模型，以根据所述训练结果更新当前的目标头网络的参数；在分别训练多个
待训练模型之后，在不冻结所述基网络的参数的情况下，训练所述多任务模型，以根据所述训练结果更新所述基网络和所述多个目标头网络的参数。
[0009]在一个示例性实施例中，所述对所述数据集进行标注处理，包括：构建分割标签：标记所述历史监控图像中的传送带的边缘点；构建检测标签：标记所述历史监控图像中的第一目标对象，其中，所述第一目标对象和异常事件相关；构建分类标签：根据所述传送带是否存在第二目标对象，标记所述历史监控图像。
[0010]在一个示例性实施例中，根据训练结果更新所述参数，包括：根据损失函数的计算结果更新所述参数；和/或根据所述参数的梯度的反转值更新所述参数，包括：计算所述参数的梯度，得到关于所述梯度和所述参数的二元组列表；根据所述二元组列表实现所述参数到所述梯度的梯度变换因子的映射；根据所述映射得到梯度的反转值，并根据所述反转值更新所述参数。
[0011]在一个示例性实施例中，所述通过训练之后的多任务模型对获取到的实时监控图像进行检测，以实现多任务处理，包括：当所述多任务模型检测到实时监控图像中的传送带偏离预定轨迹，启动所述传送带的轨迹调节任务；和/或根据所述多任务模型检测到所述传送带上是否存在第二目标对象，启动所述传送带功率的控制任务；和/或启动异常事件的检测任务，当所述多任务模型检测到实时监控图像存在第一目标对象，发出报警。
[0012]第二方面，本公开的实施例提供了一种多任务处理的方法，包括：获取待处理任务指令，根据所述待处理任务指令，从多个目标头网络中确定出任务头网络；通过基网络连接所述任务头网络，组成待处理任务模型，其中，所述基网络连接所述多个目标头网络组成的多个任务模型已经通过训练，学习并保存有所述任务模型输入图像和输出检测结果之间的对应关系，所述多个任务模型包括所述待处理任务模型；通过所述待处理任务模型对获取到的实时监控图像进行检测，以完成待处理任务。
[0013]第三方面，本公开的实施例提供了一种多任务处理的装置，包括：标注模块，用于获取历史监控图像，将所述历史监控图像制作为数据集，并对所述数据集进行标注处理；模型模块，用于通过基网络连接多个目标头网络，组成多任务模型；训练模块，用于使用经过所述标注处理之后的所述数据集对所述多任务模型进行训练；检测模块，通过训练之后的多任务模型对获取到的实时监控图像进行检测，以实现多任务处理。
[0014]第四方面，本公开的实施例提供了一种电子设备。上述电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现如上所述的多任务处理的方法或图像处理的方法。
[0015]第五方面，本公开的实施例提供了一种计算机可读存储介质。上述计算机可读存储介质上存储有计算机程序，上述计算机程序被处理器执行时实现如上所述的多任务处理的方法或图像处理的方法。
[0016]本公开实施例提供的上述技术方案与现有技术相比至少具有如下优点的部分或全部：获取历史监控图像，将所述历史监控图像制作为数据集，并对所述数据集进行标注处理；通过基网络连接多个目标头网络，组成多任务模型；使用经过所述标注处理之后的所述数据集对所述多任务模型进行训练；通过训练之后的多任务模型对获取到的实时监控图像进行检测，以实现多任务处理。因为，本公开实施例可以通过基网络连接多个目标头网络，
组成多任务模型，通过训练之后的多任务模型对获取到的实时监控图像进行检测，以实现多任务处理，因此，采用上述技术手段，可以解决现有技术中，单个神经网络模型无法满足复杂场景的业务需求，无法同时处理多个任务等问题，进而提高人工智能中，处理任务的效率。
附图说明
[0017]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0018]为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0019]图1示意性示出了本公开实施例一种多任务处理的方法的计算机终端的硬件结构框图；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多任务处理的方法，其特征在于，包括：获取历史监控图像，将所述历史监控图像制作为数据集，并对所述数据集进行标注处理；通过基网络连接多个目标头网络，组成多任务模型；使用经过所述标注处理之后的所述数据集对所述多任务模型进行训练；通过训练之后的多任务模型对获取到的实时监控图像进行检测，以实现多任务处理。2.根据权利要求1所述的方法，其特征在于，包括：所述基网络为轻量化神经网络去除全连接层和输出层后剩余的部分网络；所述目标头网络包括：多层卷积层和输出层，所述输出层包括：全连接层和归一化指数层。3.根据权利要求1所述的方法，其特征在于，所述多个目标头网络包括：分割头网络、检测头网络和分类头网络；所述基网络连接所述分割头网络，用于处理传送带的轨迹调节任务；所述基网络连接所述检测头网络，用于处理异常事件的检测任务；所述基网络连接所述分类头网络，用于处理传送带功率的控制任务。4.根据权利要求1所述的方法，其特征在于，所述使用经过所述标注处理之后的所述数据集对所述多任务模型进行训练，包括：以所述基网络连接每个所述目标头网络的整体作为一个待训练模型，分别训练多个待训练模型；其中，在所述多个待训练模型的整个训练过程中：第一次训练，在不冻结所述基网络的参数的情况下，训练当前的待训练模型，以根据训练结果更新所述基网络和当前的目标头网络的参数；非第一次训练，在冻结所述基网络的情况下，训练当前的待训练模型，以根据所述训练结果更新当前的目标头网络的参数；在分别训练多个待训练模型之后，在不冻结所述基网络的参数的情况下，训练所述多任务模型，以根据所述训练结果更新所述基网络和所述多个目标头网络的参数。5.根据权利要求1所述的方法，其特征在于，所述对所述数据集进行标注处理，包括：构建分割标签：标记所述历史监控图像中的传送带的边缘点；构建检测标签：标记所述历史监控图像中的第一目标对象，其中，所述第一目标对象和异常事件相关；构建分类标签：根据所述传送带是否存在第二目标对象，标记所述历史监控图...

【专利技术属性】
技术研发人员：李江昀，皇甫玉彬，刘博伟，魏冬，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：