基于层深度和感受野的信息化设备的稳定性检测方法技术

本申请涉及智慧安全领域下的智能状态监控，其具体地公开了一种基于层深度和感受野的信息化设备的稳定性检测方法，其基于深度学习的计算机视觉的方法，对图像进行分析和识别来判断托架的稳定性。具体地，通过使用具有更大卷积核的第二卷积神经网络进一步提取第一特征图的特征基础上的更深层和更大感受野的图像特征，并将权值向量在样本维度上对第一特征图进行加权后通过分类器进行分类，通过这样的方式，提高图像分类的精度。

【技术实现步骤摘要】
基于层深度和感受野的信息化设备的稳定性检测方法
本专利技术涉及智慧安全领域下的智能状态监控，且更为具体地，涉及一种基于层深度和感受野的信息化设备的稳定性检测方法、基于层深度和感受野的信息化设备的稳定性检测系统和电子设备。
技术介绍
随着现代社会的信息化水平的提高，越来越多的信息化设备在野外使用。例如，在河道附近使用包括显示屏的信息化设备，以便提供人们可能关心的信息。为了安装和拆卸的方便，在河道附近使用信息化设备时一般会使用托架，即将信息化设备放到托架的上方，并由托架对信息化设备进行支撑。然而，河道附近的托架摆放的地面通常并不平整，且受土壤条件的影响，土壤容易发生变形，这就导致托架摆放在地面上时会产生稳定性的问题，同时也影响信息化设备的稳定性。因此，期待一种用于判断信息化设备的稳定性的技术方案。目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为信息化设备的稳定性检测提供了新的解决思路和方案。
技术实现思路
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于层深度和感受野的信息化设备的稳定性检测方法、基于层深度和感受野的信息化设备的稳定性检测系统和电子设备，其基于深度学习的计算机视觉的方法，对图像进行分析和识别来判断托架的稳定性。具体地，通过使用具有更大卷积核的第二卷积神经网络进一步提取第一特征图的特征基础上的更深层和更大感受野的图像特征，并将权值向量在样本维度上对第一特征图进行加权后通过分类器进行分类，通过这样的方式，提高图像分类的精度。根据本申请的一个方面，提供了一种基于层深度和感受野的信息化设备的稳定性检测方法，其包括：通过放置于托架上的信息化设备的图像采集设备采集用于安装所述托架的支撑面的多张图像；将所述多张图像通过第一卷积神经网络，以获得第一特征图；将所述第一特征图通过第二卷积神经网络，以获得第二特征图，其中，所述第二卷积神经网络的第二卷积核大于所述第一卷积神经网络的第一卷积核；将所述第二特征图在样本维度的每个特征矩阵分别通过一个或多个全连接层，以获得由多个特征值组成的权值向量；基于所述权值向量在样本维度上对所述第一特征图的各个特征矩阵进行加权，以获得分类特征图；以及将所述分类特征图通过分类器，以获得分类结果，所述分类结果用于表示放置在托架上的信息化设备的稳定性是否符合预设要求。在上述基于层深度和感受野的信息化设备的稳定性检测方法中，通过放置于托架上的信息化设备的图像采集设备采集用于安装所述托架的支撑面的多张图像，包括：通过所述图像采集设备采集所述支撑面的预设数量的图像；以及，以预设时间间隔从所述预设数量的图像中筛选出所述多张图像。在上述基于层深度和感受野的信息化设备的稳定性检测方法中，将所述第二特征图在样本维度的每个特征矩阵分别通过一个或多个全连接层，以获得由多个特征值组成的权值向量，包括：对所述多个特征值进行归一化处理；以及，将归一化处理后的所述多个特征值按样本维度进行排列，以获得所述权值向量。在上述基于层深度和感受野的信息化设备的稳定性检测方法中，所述第一卷积神经网络和所述第二卷积神经网络除卷积核外具有相同的网络结构。在上述基于层深度和感受野的信息化设备的稳定性检测方法中，所述第一卷积神经网络和所述第二卷积神经网络为深度残差网络。在上述基于层深度和感受野的信息化设备的稳定性检测方法中，将所述分类特征图通过分类器，以获得分类结果，包括：将所述分类特征图通过一个或多个全连接层，以获得分类特征向量；将所述分类特征向量输入Softmax分类函数，以获得所述放置在托架上的信息化设备的稳定性符合预设要求的第一概率，以及，所述放置在托架上的信息化设备的稳定性不符合预设要求的第二概率；以及，基于所述第一概率和所述第二概率，获得所述分类结果。根据本申请的另一方面，提供了一种基于层深度和感受野的信息化设备的稳定性检测系统，其包括：图像获取单元，用于通过放置于托架上的信息化设备的图像采集设备采集用于安装所述托架的支撑面的多张图像；第一特征图生成单元，用于将所述图像获取单元获得的所述多张图像通过第一卷积神经网络，以获得第一特征图；第二特征图生成单元，用于将所述第一特征图生成单元获得的所述第一特征图通过第二卷积神经网络，以获得第二特征图，其中，所述第二卷积神经网络的第二卷积核大于所述第一卷积神经网络的第一卷积核；权值向量生成单元，用于将所述第二特征图生成单元获得的所述第二特征图在样本维度的每个特征矩阵分别通过一个或多个全连接层，以获得由多个特征值组成的权值向量；分类特征图生成单元，用于基于所述权值向量生成单元获得的所述权值向量在样本维度上对所述第一特征图的各个特征矩阵进行加权，以获得分类特征图；以及分类结果生成单元，用于将所述分类特征图生成单元获得的所述分类特征图通过分类器，以获得分类结果，所述分类结果用于表示放置在托架上的信息化设备的稳定性是否符合预设要求。在上述基于层深度和感受野的信息化设备的稳定性检测系统中，所述图像获取单元，包括：图像采集子单元，用于通过所述图像采集设备采集所述支撑面的预设数量的图像；以及，图像筛选子单元，用于以预设时间间隔从所述图像采集子单元获得的所述预设数量的图像中筛选出所述多张图像。在上述基于层深度和感受野的信息化设备的稳定性检测系统中，所述权值向量生成单元，包括：归一化处理子单元，用于对所述多个特征值进行归一化处理；以及，排列子单元，用于将所述归一化处理子单元获得的所述归一化处理后的多个特征值按样本维度进行排列，以获得所述权值向量。在上述基于层深度和感受野的信息化设备的稳定性检测系统中，所述第一卷积神经网络和所述第二卷积神经网络除卷积核外具有相同的网络结构。在上述基于层深度和感受野的信息化设备的稳定性检测系统中，所述第一卷积神经网络和所述第二卷积神经网络为深度残差网络。在上述基于层深度和感受野的信息化设备的稳定性检测系统中，所述分类结果生成单元，包括：分类特征向量生成子单元，用于将所述分类特征图通过一个或多个全连接层，以获得分类特征向量；概率值生成子单元，用于将所述分类特征向量生成子单元获得的所述分类特征向量输入Softmax分类函数，以获得所述放置在托架上的信息化设备的稳定性符合预设要求的第一概率，以及，所述放置在托架上的信息化设备的稳定性不符合预设要求的第二概率；以及，分类子单元，用于基于所述概率值生成子单元获得的所述第一概率和所述第二概率，获得所述分类结果。根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于层深度和感受野的信息化设备的稳定性检测方法。根据本申请的再又一方面，提本文档来自技高网...

【技术保护点】
1.一种基于层深度和感受野的信息化设备的稳定性检测方法，其特征在于，包括：/n通过放置于托架上的信息化设备的图像采集设备采集用于安装所述托架的支撑面的多张图像；/n将所述多张图像通过第一卷积神经网络，以获得第一特征图；/n将所述第一特征图通过第二卷积神经网络，以获得第二特征图，其中，所述第二卷积神经网络的第二卷积核大于所述第一卷积神经网络的第一卷积核；/n将所述第二特征图在样本维度的每个特征矩阵分别通过一个或多个全连接层，以获得由多个特征值组成的权值向量；/n基于所述权值向量在样本维度上对所述第一特征图的各个特征矩阵进行加权，以获得分类特征图；以及/n将所述分类特征图通过分类器，以获得分类结果，所述分类结果用于表示放置在托架上的信息化设备的稳定性是否符合预设要求。/n

【技术特征摘要】
1.一种基于层深度和感受野的信息化设备的稳定性检测方法，其特征在于，包括：
通过放置于托架上的信息化设备的图像采集设备采集用于安装所述托架的支撑面的多张图像；
将所述多张图像通过第一卷积神经网络，以获得第一特征图；
将所述第一特征图通过第二卷积神经网络，以获得第二特征图，其中，所述第二卷积神经网络的第二卷积核大于所述第一卷积神经网络的第一卷积核；
将所述第二特征图在样本维度的每个特征矩阵分别通过一个或多个全连接层，以获得由多个特征值组成的权值向量；
基于所述权值向量在样本维度上对所述第一特征图的各个特征矩阵进行加权，以获得分类特征图；以及
将所述分类特征图通过分类器，以获得分类结果，所述分类结果用于表示放置在托架上的信息化设备的稳定性是否符合预设要求。


2.根据权利要求1所述的基于层深度和感受野的信息化设备的稳定性检测方法，其中，通过放置于托架上的信息化设备的图像采集设备采集用于安装所述托架的支撑面的多张图像，包括：
通过所述图像采集设备采集所述支撑面的预设数量的图像；以及
以预设时间间隔从所述预设数量的图像中筛选出所述多张图像。


3.根据权利要求1所述的基于层深度和感受野的信息化设备的稳定性检测方法，其中，将所述第二特征图在样本维度的每个特征矩阵分别通过一个或多个全连接层，以获得由多个特征值组成的权值向量，包括：
对所述多个特征值进行归一化处理；以及
将归一化处理后的所述多个特征值按样本维度进行排列，以获得所述权值向量。


4.根据权利要求1所述的基于层深度和感受野的信息化设备的稳定性检测方法，其中，所述第一卷积神经网络和所述第二卷积神经网络除卷积核外具有相同的网络结构。


5.根据权利要求1所述的基于层深度和感受野的信息化设备的稳定性检测方法，其中，所述第一卷积神经网络和所述第二卷积神经网络为深度残差网络。


6.根据权利要求1所述的基于层深度和感受野的信息化设备的稳定性检测方法，其中，将所述分类特征图通过分类器，以获得分类结果，包括：
将所述分类特征图通过一个或多个全连接层，以获得分类特征向量；
将所述分类特征向量输入Softmax分类函数，以获得所述放置在托架上的信息化设备的稳定性符合预设要求的第...

【专利技术属性】
技术研发人员：杨雨欣，
申请(专利权)人：成都莉娣扬科技有限公司，
类型：发明
国别省市：四川;51