装备识别方法、装置、计算机设备和存储介质制造方法及图纸

本发明专利技术涉及计算机视觉技术领域，提供了一种装备识别方法、装置、计算机设备和存储介质，所述方法包括：获取装备图像，基于多层标签分类体系预测所述装备图像的装备类别，得到候选标签序列；对所述装备图像进行文本检测，基于提取的装备数字型号确定所述装备图像的细粒度标签；构建与所述多层标签分类体系对应且带有边权重的图结构，所述边权重为所述候选标签序列和所述细粒度标签中各标签的得分；将所述图结构中加权最大路径对应的多层标签确定为所述装备图像的识别结果。采用本方法能够提高识别速度和性能。识别速度和性能。识别速度和性能。

【技术实现步骤摘要】
装备识别方法、装置、计算机设备和存储介质


[0001]本专利技术属于计算机视觉
，尤其涉及一种装备识别方法、装置、计算机设备和存储介质。

技术介绍

[0002]随着军队信息化水平的提高，信息系统的侦查能力得到了加强，使得各类平台得到的侦查图像急剧增加，因此，从侦查图像中获取信息已成为了准确判断战场形势的直接和有效的手段。其中，研究装备智能识别分类问题能快速有效地处理侦查图像，提供重要的参考信息。
[0003]由于装备种类繁多，且许多同类别的装备间差异较小，所以装备图像的检测识别相比于一般图像分类而言是更具有挑战性的。目前存在三类识别装备的方法，包括基于同样卷积神经网络的方法、基于定位
‑
识别的方法和基于网络集成的方法。然而，这三类方法大部分考虑的都是理想场景中的装备图像，对于实际应用场景中装备图像来说速度和性能有所降低。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高识别速度和性能的装备识别方法、装置、计算机设备和存储介质。
[0005]本专利技术提供一种装备识别方法，包括：
[0006]获取装备图像，基于多层标签分类体系预测所述装备图像的装备类别，得到候选标签序列；
[0007]对所述装备图像进行文本检测，基于提取的装备数字型号确定所述装备图像的细粒度标签；
[0008]构建与所述多层标签分类体系对应且带有边权重的图结构，所述边权重为所述候选标签序列和所述细粒度标签中各标签的得分；
[0009]将所述图结构中加权最大路径对应的多层标签确定为所述装备图像的识别结果
[0010]在其中一个实施例中，所述获取装备图像，基于多层标签分类体系预测所述装备图像的装备类别，得到候选标签序列，包括：
[0011]基于多层标签分类体系且采用预设模型策略训练得到多层标签分类模型；
[0012]利用所述多层标签分类模型预测所述装备图像的装备类别，得到所述装备图像的候选标签序列。
[0013]在其中一个实施例中，所述对所述装备图像进行文本检测，基于提取的装备数字型号确定所述装备图像的细粒度标签，包括：
[0014]利用文本区域检测模型对所述装备图像进行文本检测，确定所述装备图像中的文本区域；
[0015]对所述文本区域进行OCR识别，得到装备数字型号；
[0016]根据所述装备数字型号与细粒度标签的映射关系，确定所述装备图像的细粒度标签。
[0017]在其中一个实施例中，所述构建与所述多层标签分类体系对应且带有边权重的图结构，所述边权重为所述候选标签序列和所述细粒度标签中各标签的得分，包括：
[0018]将所述多层标签分类体系中各标签作为节点构建对应的图结构；
[0019]从所述图结构中分别确定所述候选标签序列和所述细粒度标签中各标签对应的节点以及所述节点对应的父节点；
[0020]将所述标签的得分作为边权重赋值给所述节点与所述父节点之间的有向边。
[0021]在其中一个实施例中，所述将所述图结构中加权最大路径对应的多层标签确定为所述装备图像的识别结果，包括：
[0022]以所述图结构的根节点为起点往下进行遍历，根据各节点的预设权重以及边的权重计算每条遍历路径的加权值；
[0023]确定所述加权值最大的遍历路径，将加权值最大的所述遍历路径对应的多层标签作为所述装备图像的识别结果。
[0024]在其中一个实施例中，所述获取装备图像之前，还包括：
[0025]获取侦查图像；
[0026]将所述侦查图像输入至VGG模型，利用所述VGG模型过滤所述侦查图像中的非装备图像，输出装备图像。
[0027]在其中一个实施例中，所述加权值的计算公式如下：
[0028][0029]其中，P
nm
为起点S到终点S
nm
存在的一条可达路径，z为路径上节点数量，S
ni
为路径上其中一个节点，W
sni
为节点S
ni
的预设权重，score
sni
为有向边的边权重。
[0030]一种装备识别装置，包括：
[0031]分类模块，用于获取装备图像，基于多层标签分类体系预测所述装备图像的装备类别，得到候选标签序列；
[0032]细粒度识别模块，用于对所述装备图像进行文本检测，基于提取的装备数字型号确定所述装备图像的细粒度标签；
[0033]构建模块，用于构建与所述多层标签分类体系对应且带有边权重的图结构，所述边权重为所述候选标签序列和所述细粒度标签中各标签的得分；
[0034]结果确定模块，用于将所述图结构中加权最大路径对应的多层标签确定为所述装备图像的识别结果。
[0035]本专利技术还提供一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器存储由计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的装备识别方法的步骤。
[0036]本专利技术还提供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实现上述任一项所述的装备识别方法的步骤。
[0037]上述装备识别方法、装置、计算机设备和存储介质，在获取装备图像之后，首先基于多层标签分类体系预测装备图像的装备类别，得到候选标签序列，同时对装备图像进行
文本检测，基于提取的装备数字型号确定装备图像的细粒度标签；然后通过构建与多层标签分类体系对应且带有边权重的图结构，其中边权重为候选标签序列和细粒度标签中各标签的得分，最后确定图结构中加权最大路径对应的多层标签为装备图像的识别结果。该方法通过递进的策略，将装备的识别分为装备体系分类和细粒度标签识别，之后再借助图结构结合两种结果来确定最准确的标签作为识别结果，从而能够进一步提高实际应用场景中装备图像的识别速度和性能。并且，在装备整体结构相似、类间差异小的情况下，通过关注关键且可区分的数字型号，以提取更加有利的分类特征，提高识别的性能。
附图说明
[0038]图1为一个实施例中装备识别方法的应用环境图。
[0039]图2为一个实施例中装备识别方法的流程示意图。
[0040]图3为一个实施例中装备的多层标签分类体系示意图。
[0041]图4为一个实施例中多层标签分类体系的图结构示意图。
[0042]图5为一个实施例中带有边权重的多层标签分类体系的图结构示意图。
[0043]图6为一个实施例中装备识别装置的结构框图。
具体实施方式
[0044]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0045]本申请提供的装备识别方法，可以应用于如图1所示的应用环境中，该应用环境涉及终端102和服务器104。其中，终端102通过网络与服务器104进行通信。终端1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种装备识别方法，其特征在于，包括：获取装备图像，基于多层标签分类体系预测所述装备图像的装备类别，得到候选标签序列；对所述装备图像进行文本检测，基于提取的装备数字型号确定所述装备图像的细粒度标签；构建与所述多层标签分类体系对应且带有边权重的图结构，所述边权重为所述候选标签序列和所述细粒度标签中各标签的得分；将所述图结构中加权最大路径对应的多层标签确定为所述装备图像的识别结果。2.根据权利要求1所述的方法，其特征在于，所述获取装备图像，基于多层标签分类体系预测所述装备图像的装备类别，得到候选标签序列，包括：基于多层标签分类体系且采用预设模型策略训练得到多层标签分类模型；利用所述多层标签分类模型预测所述装备图像的装备类别，得到所述装备图像的候选标签序列。3.根据权利要求1所述的方法，其特征在于，所述对所述装备图像进行文本检测，基于提取的装备数字型号确定所述装备图像的细粒度标签，包括：利用文本区域检测模型对所述装备图像进行文本检测，确定所述装备图像中的文本区域；对所述文本区域进行OCR识别，得到装备数字型号；根据所述装备数字型号与细粒度标签的映射关系，确定所述装备图像的细粒度标签。4.根据权利要求1所述的方法，其特征在于，所述构建与所述多层标签分类体系对应且带有边权重的图结构，所述边权重为所述候选标签序列和所述细粒度标签中各标签的得分，包括：将所述多层标签分类体系中各标签作为节点构建对应的图结构；从所述图结构中分别确定所述候选标签序列和所述细粒度标签中各标签对应的节点以及所述节点对应的父节点；将所述标签的得分作为边权重赋值给所述节点与所述父节点之间的有向边。5.根据权利要求1所述的方法，其特征在于，所述将所述图结构中加权最大路径对应的多层标签确定为所述装备图像的识别结果，包括：以所述图结构的根节点为起点往下进行遍历，根据各节点的预设...

【专利技术属性】
技术研发人员：郭建京，周忠诚，索红亮，李佳，张圣栋，黄九鸣，
申请(专利权)人：湖南四方天箭信息科技有限公司，
类型：发明
国别省市：