器件安装检测方法、装置和计算机设备和存储介质制造方法及图纸

本申请涉及一种器件安装检测方法、装置、计算机设备和存储介质。所述方法包括：获取训练图像信息，并在训练图像信息中进行轮廓标记且注明每一轮廓内的器件种类形成训练图像集；在一待训练的神经网络模型中输入所述训练图像集后进行有监督学习迭代训练，直至收敛；其中所述待训练的神经网络模型为浅层网络，包括残差函数；训练完成的神经网络模型的损失函数中包括轮廓边缘损失函数；获取待识别区域的图像信息；使用训练完成的神经网络模型进行识别，与各器件的预设标准位置对比生成异常信息。采用本方法能够通过利用浅层网络提升神经网络模型的运算速度，且通过增加轮廓边缘损失函数能够增加计算各器件之间的相对位置的准确性。确性。确性。

【技术实现步骤摘要】
器件安装检测方法、装置和计算机设备和存储介质


[0001]本申请涉及卷积神经网络
，特别是涉及一种器件安装检测方法、装置、计算机设备和存储介质。

技术介绍

[0002]有监督学习是一种从标签化训练数据集中推断出函数的机器学习任务，与无监督学习相对。图像识别技术是利用计算机对对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术。有监督学习的图像识别技术，需要先提供标签化的图片数据集，经过反复训练和矫正得到模型。
[0003]基于卷积神经网络的图像识别：将待训练的第二图像识别模型中的每层卷积神经网络，分别与训练完的第一图像识别模型中的一个子网络相对应。根据训练完的第一图像识别模型中每个子网络的输入和输出，对待训练的第二图像识别模型中的每层卷积神经网络的参数进行初始化处理。将样本图像输入参数初始化处理后的待训练的第二图像识别模型，根据待训练的第二图像识别模型的输出和样本图像的标签，对待训练的第二图像识别模型进行训练。
[0004]图像数据采集平台：包括三部分：1)流媒体服务模块：可以通过标准视频流协议RTSP或者提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种器件安装检测方法，其特征在于，包括：获取训练图像信息，并在训练图像信息中进行轮廓标记且注明每一轮廓内的器件种类形成训练图像集；在一待训练的神经网络模型中输入所述训练图像集后进行有监督学习迭代训练，直至收敛；其中所述待训练的神经网络模型为浅层网络，包括残差函数；训练完成的神经网络模型的损失函数中包括轮廓边缘损失函数；获取待识别区域的图像信息；使用训练完成的神经网络模型对所述待识别区域的图像信息进行识别，识别出图像信息中各器件的种类及所在位置的边缘；根据各器件的种类及所在位置的边缘计算各器件之间的相对位置，并与各器件的预设标准位置对比生成异常信息。2.根据权利要求1所述的器件安装检测方法，其特征在于，在对待训练的神经网络模型进行有监督学习迭代训练之前，还包括：计算合适的神经网络层数，其为在一残差深层网络中加入残差单元构建恒等映射关系，设其中的残差函数F(x)＝H(x)
‑
x，其中H(x)是原始映射函数，F(x)为残差函数，x代表输入，求出使得H(x)
‑
x＝0时的残差函数F(x)；将所述残差函数F(x)添入残差深层网络中使其变为浅层网络，将该浅层网络作为所述待训练的神经网络模型。3.根据权利要求1所述的器件安装检测方法，其特征在于，所述将所述残差函数F(x)添入残差深层网络中使其变为浅层网络过程中，将残差深层网络中的卷积层和批量归一化层做参数合并。4.根据权利要求3所述的器件安装检测方法，其特征在于，所述将残差深层网络中的卷积层和批量归一化层做参数合并，具体包括：设所述卷积层的计算公式为：Y＝W*X+B；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式1)其中，W为权重；X为输入值，X包含xi～xn；B为卷积偏置；设所述批量归一化层的计算公式为：yi＝γ*xi+β；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式2)其中，μ为输入值xi～xn的平均值，δ为输入值xi～xn的方差，ε为一个很小的数，γ是缩放因子，β是偏移量；将所述卷积层和所述批量归一化层融合后的公式为：将所述卷积层和所述批量归一化层融合后的公式为：Wm＝W*α；
...

【专利技术属性】
技术研发人员：张悦，徐基法，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：