一种工程验证分析方法及装置制造方法及图纸

本发明专利技术实施例提供一种工程验证分析方法及装置，该方法包括：将待验证工程图片输入至训练好的神经网络模型，输出与待验证工程图片对应的质量类型标签，神经网络模型为基于样本工程图片以及预先确定的样本工程图片质量类型标签进行训练后得到；根据神经网络模型输出的质量类型标签，获取待验证工程图片对应的验证结果。由于神经网络模型为基于样本工程图片以及预先确定的样本工程图片质量类型标签进行训练后得到，从而神经网络模型能够将样本工程图片的特征数据与标签类型进行关联学习。将待验证工程图片输入至训练好的神经网络模型，能够输出与待验证工程图片对应的质量类型标签，从而使工程验证分析过程更加高效，质量识别结果更为准确。

An Engineering Verification Analysis Method and Device

【技术实现步骤摘要】
一种工程验证分析方法及装置
本专利技术实施例涉及通信领域，尤其涉及一种工程验证分析方法及装置。
技术介绍
现代化通信网络，例如高质量的家庭宽带通信网络，为现代化社会的信息交互带来了极大的便捷性。因此，通信网络建设的质量一直都是各通信运营商的重点关注对象。4G业务和宽带业务在经过网络的不断发展和市场规模的不断扩大后，越来越需要精细化的网络建设和维护来保障网络的质量。4G业务和宽带业务在通信网络的安装和维护中，需要对安装后的网络以及维修后的网络进行工程质量的验证。目前，主要通过专业的工程师对安装和维修后的装维工单进行人工全量质检。由于用户基数较大，通信网络的安装和维修业务量大，每天质检工单量达万张以上，而且服务质量要求高。目前的工程验证方法，不仅人力物力花费巨大，且质量是否达标全靠人工判断，主观性大。
技术实现思路
为了解决上述问题，本专利技术实施例提供一种工程验证分析方法及装置。第一方面，本专利技术实施例提供一种工程验证分析方法，包括：将待验证工程图片输入至训练好的神经网络模型，输出与所述待验证工程图片对应的质量类型标签，所述神经网络模型为基于样本工程图片以及预先确定的样本工程图片质量类型标签进行训练后得到；根据所述神经网络模型输出的质量类型标签，获取所述待验证工程图片对应的验证结果。第二方面，本专利技术实施例提供一种工程验证分析装置，包括：输入模块，用于将待验证工程图片输入至训练好的神经网络模型，输出与所述待验证工程图片对应的质量类型标签，所述神经网络模型为基于样本工程图片以及预先确定的样本工程图片质量类型标签进行训练后得到；处理模块，用于根据所述神经网络模型输出的质量类型标签，获取所述待验证工程图片对应的验证结果。第三方面，本专利技术实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本专利技术第一方面工程验证分析方法的步骤。第四方面，本专利技术实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本专利技术第一方面工程验证分析方法的步骤。本专利技术实施例提供的工程验证分析方法，由于神经网络模型为基于样本工程图片以及预先确定的样本工程图片质量类型标签进行训练后得到，从而神经网络模型能够将样本工程图片的特征数据与标签类型进行关联学习。将待验证工程图片输入至训练好的神经网络模型，能够输出与所述待验证工程图片对应的质量类型标签，从而使工程验证分析过程更加高效，质量识别结果更为准确。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术工程验证分析方法实施例流程图；图2为本专利技术工程验证分析方法另一实施例流程图；图3为本专利技术工程验证分析装置实施例结构示意图；图4为本专利技术实施例提供的一种电子设备的实体结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。目前的工程验证方法，通过人工主观验证，不仅花费巨大的人力物力，而且质量是否达标全靠人工判断，主观性大。为解决这一问题，本专利技术实施例提供一种工程验证分析方法。该方法可应用于上述4G业务和宽带业务在通信网络的安装和维护的工程验证场景，也可以用于其它类似场景，例如后续发展的5G业务通信网络的安装与维护。本专利技术实施例对应用场景不作具体限定。另外，该方法对应的执行主体可以为执行该方法的计算机，也可以为独立设置的工程验证分析装置，本专利技术实施例对此也不作具体限定。为了便于说明，本专利技术实施例以执行主体为执行该方法的计算机为例，对本专利技术实施例提供的工程验证分析方法进行阐述。图1为本专利技术工程验证分析方法实施例流程图，如图1所示，本专利技术实施例提供一种工程验证分析方法，包括：101，将待验证工程图片输入至训练好的神经网络模型，输出与待验证工程图片对应的质量类型标签，神经网络模型为基于样本工程图片以及预先确定的样本工程图片质量类型标签进行训练后得到。在101中，待验证工程图片是本方法的识别对象，可以是一线装维人员针对每张装维工单(安装、维修的订单)的工程验收图片，验收图片可以有多张。样本工程图片是预先已经获知其质量类型以及将对应的已知质量类型作为标签的大量样本库中的工程验收图片。例如，历史经人工验证的装维工单对应的工程验收图片，经过一定的验证，其人工验证得到的质量类型与真实质量类型确实一致，将此类工程验收图片作为样本工程图片。建立的神经网络模型通过大量的此类样本工程图片进行训练，能够得到训练好的神经网络，对于后续输入的待验证工程图片能够快速准确得到相应的质量类型标签。质量类型标签可根据需求进行定义，例如为合格、不合格，或为优秀、良好及不合格。对于输入的样本工程图片，神经网络模型对每一样本工程图片提取特征数据，通过神经网络模型不断对其时特征数据的学习，从而能够对具有相应特征数据的待验证工程图片和对应的质量类型进行关联，进而准确判断出待验证工程图片的质量类型。102，根据神经网络模型输出的质量类型标签，获取待验证工程图片对应的验证结果。神经网络模型的输出结果为质量类型标签，根据该标签可获得待验证工程图片的质量类型，根据质量类型进一步获取验证结果。例如结果为合格、不合格。本专利技术实施例提供的工程验证分析方法，由于神经网络模型为基于样本工程图片以及预先确定的样本工程图片质量类型标签进行训练后得到，从而神经网络模型能够将样本工程图片的特征数据与标签类型进行关联学习。将待验证工程图片输入至训练好的神经网络模型，能够输出与待验证工程图片对应的质量类型标签，从而使工程验证分析过程更加高效，质量识别结果更为准确。基于上述实施例的内容，作为一种可选实施例，上述神经网络模型可包括卷积神经网络(ConvolutionalNeuralNetworks,简称CNN)，CNN是一类包含卷积计算且具有深度结构的前馈神经网络。基于上述实施例的内容，作为一种可选实施例，若获取的待验证工程图片对应的验证结果为不合格，则在待验证工程图片对应的装维工程整改后，将整改后的待验证工程图片输入至神经网络模型，输出与整改后的待验证工程图片对应的质量类型标签。通过训练好的神经网络模型对待验证工程图片进行验证，若获取的待验证工程图片对应的验证结果为不合格，则需对相应的装维工程进行整改。整改完成后，获取该装维工程整改完工后的工程图片。将整改完工后的工程图片作为整改后的待验证图片输入神经网络模型进行验证，获取对应的质量类型标签，根据对应的质量类型标签获取验证结果，如合格或不合格，若不合格，则再次整改。本实施例提供的工程验证分析方法，在获取的待验证工程图片对应的验证结果为不合格情况下，整改后再次输入神经网络模型进行训练，使验证过程更完善。基于上述实施例的内容，作为一种可选实施例，神经网络模型包括本文档来自技高网...

【技术保护点】
1.一种工程验证分析方法，其特征在于，包括：将待验证工程图片输入至训练好的神经网络模型，输出与所述待验证工程图片对应的质量类型标签，所述神经网络模型为基于样本工程图片以及预先确定的样本工程图片质量类型标签进行训练后得到；根据所述神经网络模型输出的质量类型标签，获取所述待验证工程图片对应的验证结果。

【技术特征摘要】
1.一种工程验证分析方法，其特征在于，包括：将待验证工程图片输入至训练好的神经网络模型，输出与所述待验证工程图片对应的质量类型标签，所述神经网络模型为基于样本工程图片以及预先确定的样本工程图片质量类型标签进行训练后得到；根据所述神经网络模型输出的质量类型标签，获取所述待验证工程图片对应的验证结果。2.根据权利要求1所述的方法，其特征在于，若获取的待验证工程图片对应的验证结果为不合格，则在待验证工程图片对应的装维工程整改后，将整改后的待验证工程图片输入至所述神经网络模型，输出与所述整改后的待验证工程图片对应的质量类型标签。3.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括:LeNet网络模型、AlexNet网络模型或InceptionV3网络模型。4.根据权利要求1所述的方法，其特征在于，所述将待验证工程图片输入至训练好的神经网络模型之前，还包括：采用Tensorflow对所述样本工程图片预处理后，输入至神经网络模型进行训练。5.根据权利要求1所述的方法，其特征在于，所述将待验证工程图片输入至训练好的神经网络模型之前，还包括：对所述样本工程图片进行数据增强后，输入至神经网络模型进行训练，所述数据增强包括，图像大小调整、...

【专利技术属性】
技术研发人员：于洁，王旭阳，
申请(专利权)人：北京市天元网络技术股份有限公司，
类型：发明
国别省市：北京,11