图像识别方法、装置、系统和计算机设备制造方法及图纸

本申请涉及一种图像识别方法、装置、系统和计算机设备。所述方法包括：获取待识别图像；根据多场景蒸馏模型对所述待识别图像进行识别；所述多场景蒸馏模型根据多个用于识别预设场景的神经网络模型获取；根据识别结果确定所述待识别图像是否异常。采用本方法能够通过多个场景下每一个场景分别对应神经网络模型生成一个适用于多场景识别的多场景蒸馏模型，再通过获取当前场景内的待识别图像，经过多场景蒸馏模型对待识别图像进行识别，即可根据识别结果判断当前场景下的待识别图像是否异常。结果判断当前场景下的待识别图像是否异常。结果判断当前场景下的待识别图像是否异常。

【技术实现步骤摘要】
图像识别方法、装置、系统和计算机设备


[0001]本申请涉及目标检测
，特别是涉及一种图像识别方法、图像识别装置、图像识别系统和计算机设备。

技术介绍

[0002]随着计算机与人工智能技术的进步，计算机目标检测技术逐渐被应用到各个智能识别领域。目标检测是计算机视觉领域的基本任务之一，学术界已有将近二十年的研究历史。近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。在施工现场，为了保证施工安全性，需要对施工现场的安监场景和输电缺陷检测场景进行目标检测，以发现施工现场存在的安全隐患。
[0003]目前，对于安监场景和输电缺陷检测场景的图像识别是通过摄像头对施工现场内的事物进行巡检拍照，然后传至地面计算端进行图像识别。由于这种方法是离线的，因此无法做到识别的实时性，且只能对单一场景进行识别。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够实时对获取到的多场景内的图像进行识别的图像识别方法、装置、系统和计算机设备。
[0005]第一方面，本申请提供了一种图像识别方法。所述方法包括：
[0006]获取待识别图像；
[0007]根据多场景蒸馏模型对所述待识别图像进行识别；所述多场景蒸馏模型根据多个用于识别预设场景的神经网络模型获取；
[0008]根据识别结果确定所述待识别图像是否异常。
[0009]在其中一个实施例中，所述根据多场景蒸馏模型对所述待识别图像进行识别前，还包括：/>[0010]获取各用于识别所述预设场景的神经网络模型；
[0011]根据各所述神经网络模型的损失函数构建多场景模仿损失函数；
[0012]基于所述多场景模仿损失函数对各所述神经网络模型进行权重蒸馏融合得到所述多场景蒸馏模型。
[0013]在其中一个实施例中，所述根据各所述神经网络模型构的损失函数构建多场景模仿损失函数，包括：
[0014]根据各所述神经网络模型的输出类别和输出位置分别计算测试集中若干个待测试图像的类别损失和位置损失；
[0015]根据所述类别损失及所述位置损失按照如下公式构建所述多场景模仿损失函数：
[0016][0017]其中，N为预设场景的类别数量，j为第j个预设场景，K为各类所述预设场景对应的
所述测试集中待测试图像的数量，i为同一测试集中第i个待测试图像，L
cls
为所述待测试图像的类别损失，L
loc
为所述待测试图像的位置损失。
[0018]在其中一个实施例中，所述基于所述多场景模仿损失函数对各所述神经网络模型进行权重蒸馏融合得到所述多场景蒸馏模型，包括：
[0019]提取各所述神经网络模型的核心权重，对所述核心权重进行权重融合，并基于所述多场景模仿损失函数训练得到所述多场景蒸馏模型；其中，所述核心权重为蒸馏过程中学生模型从老师模型中学习到的内容。
[0020]在其中一个实施例中，所述根据多场景蒸馏模型对所述待识别图像进行识别前，所述方法还包括：
[0021]对所述待测试图像进行预处理，所述预处理包括去雾处理、滤波处理中的至少一种。
[0022]在其中一个实施例中，所述预设场景包括行为识别场景和缺陷识别场景，所述识别结果包括行为识别结果和缺陷识别结果，所述根据识别结果确定所述待识别图像是否异常，包括：
[0023]当所述行为识别结果和所述缺陷识别结果中的一个存在异常，确定所述待识别图像异常，并输出报警信号。
[0024]在其中一个实施例中，所述根据识别结果确定所述待识别图像是否异常，还包括：
[0025]当所述行为识别结果和所述缺陷识别结果都正常，确定所述待识别图像正常。
[0026]第二方面，本申请还提供了一种图像识别装置。所述装置包括：
[0027]图像获取模块，用于获取待识别图像；
[0028]图像识别模块，与所述图像采集模块连接，用于根据多场景蒸馏模型对所述待识别图像进行识别；所述多场景蒸馏模型根据多个用于识别预设场景的神经网络模型获取；
[0029]异常判断模块，与所述图像识别模块连接，用于根据识别结果确定所述待识别图像是否异常。
[0030]第三方面，本申请还提供了一种图像识别系统。所述系统包括：
[0031]图像采集设备，用于采集待识别图像；
[0032]终端设备，与所述图像采集设备连接，用于获取所述待识别图像，根据多场景蒸馏模型对所述待识别图像进行识别；所述多场景蒸馏模型根据多个用于识别预设场景的神经网络模型获取，根据识别结果确定所述待识别图像是否异常。
[0033]第四方面，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本申请实施例中任一项所述方法的步骤。
[0034]第五方面，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本申请实施例中任一项所述方法的步骤。
[0035]第六方面，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本申请实施例中任意项所述方法的步骤。
[0036]上述图像识别方法、装置、系统、计算机设备、存储介质和计算机程序产品，其中，可获取待识别图像，根据多场景蒸馏模型对所述待识别图像进行识别，根据识别结果确定
所述待识别图像是否异常，显然，通过多个场景下每一个场景分别对应神经网络模型生成一个适用于多场景识别的多场景蒸馏模型，再通过获取当前场景内的待识别图像，经过多场景蒸馏模型对待识别图像进行识别，即可根据识别结果判断当前场景下的待识别图像是否异常。若待识别图像是在施工现场的安监场景下采集的，则可以根据待识别图像是否异常来判断施工人员的安全情况；若待识别图像是在施工现场的输电缺陷检测场景下采集的，则可以根据待识别图像是否异常来判断输电线路是否存在缺陷情况。通过构建多场景蒸馏模型以便于在施工现场的不同场景中均可以实时监控现场的安全情况。
附图说明
[0037]图1为一个实施例中图像识别方法的应用环境图；
[0038]图2为一个实施例中图像识别方法的流程示意图；
[0039]图3为另一个实施例中一个图像识别方法的流程示意图；
[0040]图4为一个实施例中获取神经网络模型的流程示意图；
[0041]图5为一个实施例中构建多场景模仿损失函数的流程示意图；
[0042]图6一个实施例中知识蒸馏压缩模型的流程示意图；
[0043]图7又一个实施例中一个图像识别方法的流程示意图；
[0044]图8一个实施例中判断待识别图像是否异常的流程示意图；
[0045]图9一个实施例中图像识别装置的结构框图；
[0046]图10个实施例中图像识别系统的结构框图；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像识别方法，其特征在于，包括：获取待识别图像；根据多场景蒸馏模型对所述待识别图像进行识别；所述多场景蒸馏模型根据多个用于识别预设场景的神经网络模型获取；根据识别结果确定所述待识别图像是否异常。2.根据权利要求1所述的方法，其特征在于，所述根据多场景蒸馏模型对所述待识别图像进行识别前，还包括：获取各用于识别所述预设场景的神经网络模型；根据各所述神经网络模型的损失函数构建多场景模仿损失函数；基于所述多场景模仿损失函数对各所述神经网络模型进行权重蒸馏融合得到所述多场景蒸馏模型。3.根据权利要求2所述的方法，其特征在于，所述根据各所述神经网络模型构的损失函数构建多场景模仿损失函数，包括：根据各所述神经网络模型的输出类别和输出位置分别计算测试集中若干个待测试图像的类别损失和位置损失；根据所述类别损失及所述位置损失按照如下公式构建所述多场景模仿损失函数：其中，N为预设场景的类别数量，j为第j个预设场景，K为各类所述预设场景对应的所述测试集中待测试图像的数量，i为同一测试集中第i个待测试图像，L
cls
为所述待测试图像的类别损失，L
loc
为所述待测试图像的位置损失。4.根据权利要求2所述的方法，其特征在于，所述基于所述多场景模仿损失函数对各所述神经网络模型进行权重蒸馏融合得到所述多场景蒸馏模型，包括：提取各所述神经网络模型的核心权重，对所述核心权重进行权重融合，并基于所述多场景模仿损失函数训练得到所述多场景蒸馏模型；其中，所述核心权重为蒸馏过程中学生模型从老师模型中学习到...

【专利技术属性】
技术研发人员：包若愚，田家霖，陈翀，罗超玮，
申请(专利权)人：南方电网通用航空服务有限公司，
类型：发明
国别省市：