一种目标关键部位智能识别学习训练方法及其设备技术

本发明专利技术提供一种目标关键部位智能识别学习训练方法及其设备，一种目标关键部位智能识别学习训练方法包括对目标的关键部位捕获识别需求；依据识别需求在数据库中抓取捕获相关数据；依据相关数据建立数据组；对数据库进行分组，共分为n组训练组；建立相应的训练模型，在训练组中随机抽取m组进行模拟学习训练；导出相应训练结果并将训练结果与预期结果进行比对；若训练结果与预期结果符合，则导出训练结果和模型并结束训练；若训练结果和预期结果不符合，则重新进行训练学习，直至训练结果与预期结果符合，该发明专利技术解决缺少针对于识别训练的装置，识别算法建模训练效率较差，精度不足，数据不准确，且建模学习时间较长均为影响识别效果。

【技术实现步骤摘要】
一种目标关键部位智能识别学习训练方法及其设备
本专利技术涉及智能识别
，具体为一种目标关键部位智能识别学习训练方法及其设备。
技术介绍
模式识别与智能系统属控制科学与工程的二级学科，以信息处理与模式识别的理论技术为核心，以数学方法与计算机为主要工具，研究对各种媒体信息进行处理、分类和理解的方法，并在此基础上构造具有某些智能特性的系统。在光学字符识别、语音识别、人脸识别、视频追踪、医学图像处理等方面均有广泛应用。模式识别的基础理论及其在图象视频信号处理中的应用研究，运用数学和信息科学的理论与方法，从信息处理的角度，研究模式信息处理的机理、计算理论和算法，使计算机实现类似于人的视觉能力。研究数字图象和视频信息的检测、分析、传输、存储、压缩、重建等关键技术，在提出创新理论与算法的基础上，设计、研制和开发实用的高性能模式识别、图象视频处理以及医学图象处理的计算机应用系统。近年来，随着人工智能技术的发展，以深度学习方法为基础的目标识别技术，特别是基于图像的目标识别技术得到了长足进步。在目标识别算法中建模后需要大量的数据进行模拟训练。现有技术中缺少针对于识别训练的装置，现有的识别算法建模训练效率较差，导致识别后建模精度不足，数据不准确，且建模学习时间较长均为影响目标识别的识别效果。
技术实现思路
(一)解决的技术问题针对现有技术的不足，本专利技术提供了一种目标关键部位智能识别学习训练方法及其设备，以解决上述
技术介绍
中提出的问题。(二)技术方案为实现以上目的，本专利技术通过以下技术方案予以实现：一种目标关键部位智能识别学习训练方法包括对目标的关键部位捕获识别需求；依据识别需求在数据库中抓取捕获相关数据；依据相关数据建立数据组；对数据库进行分组，共分为n组训练组；建立相应的训练模型，在训练组中随机抽取m组进行模拟学习训练(m＜n；n和m均为正整数)；导出相应训练结果并将训练结果与预期结果进行比对；若训练结果与预期结果符合，则导出训练结果和模型并结束训练；若训练结果和预期结果不符合，则重新进行训练学习，直至训练结果与预期结果符合。优选的，所述重新训练学习，包括重新抓取捕获相关数据，并与原有数据库对比后分离区别数据，并将区别数据补入原有数据库形成新的数据库后，进行分组，分组后随机抽取训练组进行模拟识别学习。优选的，所述数据库包括网络数据库、云数据库以及本地数据库，且在捕获抓取时按照一定的比例抽取数据。优选的，所述网络数据库、云数据库以及本地数据库的抽取比例为1-4∶2-6∶1∶2。优选的，所述捕获识别需求具体为依据目标的关键位置的识别需求，依靠TextRank算法进行关键词提取，并在数据库中根据关键词的关联程度进行捕获抓取，形成数据组。优选的，所述数据组依据数据与关键词的关联程度不同，分为n组训练组，每组训练组以关联度为特征值通过RANSAC算法进行采样，抽取m组数据进行模拟学习训练。一种目标关键部位智能识别学习训练设备，所述学习训练设备包括有捕获模块、通讯模块、控制模块和数据备份模块，所述捕获模块通过对目标关键部位的识别需求提取关键词后，以关键字为基础进行本地检索捕捉相关联数据，并通过通讯模块检索捕捉网络数据库以及云数据库中的相关数据并加以整合形成数据组，并将相应数据组通过通讯模块发送至控制模块，控制模块对识别学习需求进行建模后，对数据组进行分组后进行模拟训练，数据备份模块用于将数据组数据和控制模块中识别过程以及识别结果数据进行存储。优选的，所述控制模块包括数据处理模块、建模模块和验证模块。优选的，所述数据处理模块依据RANSAC算法对数据组进行抽取采样后形成训练组数，并将相应训练组数据发送至建模模块，进行建模模拟训练。优选的，所述验证模块用于验证建模训练结果与预期结果是否一致符合，若符合则将训练结果和建模数据发送至数据备份模块，若不符合则发送至捕捉模块进行重新识别学习。(三)有益效果本专利技术提供了一种目标关键部位智能识别学习训练方法及其设备，具备以下有益效果：通过利用TextRank算法捕获识别目标的关键词，依据关键词在数据库中进行检索，大大提高检索的精准度和效率，同时数据库分为本地数据、网络数据库和云数据库，网络数据和云数据库为模拟学习提高大量的数据支撑，本体数据库可以便于用户添加特异性数据进行检索学习，同时在建立数据组后，进行分组并随机抽取，有效保证数据的均匀性和随机性，有助于对建模识别学习的准确度，且在建模训练后，设有验证模块对训练建模的结果进行验证，并在验证不符合后重新检索抽取部分区别数据补入数据组中，提高数据组中数据的全面性，使得数据组中数据不断完善，不断提高建模识别的准确度，直至建模识别结果符合预期要求，整个过程无需人工介入，识别训练过程简单高效，同时在训练同时为了包装数据的可溯源性设有数据备份模块，用于对数据组以及建模数据和相应的训练数据进行存储，有助于建模后对模型的逆向分析验证，保证建模的合理性，提高识别建模的准确度。附图说明图1为本专利技术目标关键部位智能识别学习训练方法流程示意图；图2为本专利技术目标关键部位智能识别学习训练设备结构示意图；图3为本专利技术控制模块结构示意图。具体实施方式下面详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。在本专利技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本专利技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接或可以相互通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本专利技术中的具体含义。在本专利技术中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第本文档来自技高网...

【技术保护点】
1.一种目标关键部位智能识别学习训练方法，其特征在于：包括/n对目标的关键部位捕获识别需求；/n依据识别需求在数据库中抓取捕获相关数据；/n依据相关数据建立数据组；/n对数据库进行分组，共分为n组训练组；/n建立相应的训练模型，在训练组中随机抽取m组进行模拟学习训练(m＜n；n和m均为正整数)；/n导出相应训练结果并将训练结果与预期结果进行比对；/n若训练结果与预期结果符合，则导出训练结果和模型并结束训练；/n若训练结果和预期结果不符合，则重新进行训练学习，直至训练结果与预期结果符合。/n

【技术特征摘要】
1.一种目标关键部位智能识别学习训练方法，其特征在于：包括
对目标的关键部位捕获识别需求；
依据识别需求在数据库中抓取捕获相关数据；
依据相关数据建立数据组；
对数据库进行分组，共分为n组训练组；
建立相应的训练模型，在训练组中随机抽取m组进行模拟学习训练(m＜n；n和m均为正整数)；
导出相应训练结果并将训练结果与预期结果进行比对；
若训练结果与预期结果符合，则导出训练结果和模型并结束训练；
若训练结果和预期结果不符合，则重新进行训练学习，直至训练结果与预期结果符合。


2.根据权利要求1所述的一种目标关键部位智能识别学习训练方法，其特征在：所述重新训练学习，包括重新抓取捕获相关数据，并与原有数据库对比后分离区别数据，并将区别数据补入原有数据库形成新的数据库后，进行分组，分组后随机抽取训练组进行模拟识别学习。


3.根据权利要求1所述的一种目标关键部位智能识别学习训练方法，其特征在于：所述数据库包括网络数据库、云数据库以及本地数据库，且在捕获抓取时按照一定的比例抽取数据。


4.根据权利要求3所述的一种目标关键部位智能识别学习训练方法，其特征在于：所述网络数据库、云数据库以及本地数据库的抽取比例为1-4∶2-6∶1∶2。


5.根据权利要求1所述的一种目标关键部位智能识别学习训练方法，其特征在于：所述捕获识别需求具体为依据目标的关键位置的识别需求，依靠TextRank算法进行关键词提取，并在数据库中根据关键词的关联程度进行捕获...

【专利技术属性】
技术研发人员：龚文凯，邹捷，黄桂林，胡戈飙，杨玎，任振远，林志驰，张霄，许瑞庆，陈大光，
申请(专利权)人：龚文凯，
类型：发明
国别省市：江西;36