图像识别的自学习方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种图像识别的自学习方法、装置、设备及存储介质，属于智能监控技术领域。本发明专利技术通过确定自学习系统中预先设定的学习任务，并将所述学习任务解耦成多个学习任务；获取图像数据，并利用通识模型对所述图像数据进行特征提取，所述图像数据由本地数据和现场数据构成；判断各个学习任务是否满足自学条件；控制满足所述自学习条件的学习任务对应的任务模型基于提到的特征数据进行自学习训练，通过各个完成自学习训练的任务模型进行图像识别，通过上述方式实现多任务之间完全解耦，判断各学习任务是否进行自学习，缓解任务间数据不平衡、小样本以及无效训练等带来的影响，提升了自学习系统的灵活性。提升了自学习系统的灵活性。提升了自学习系统的灵活性。

【技术实现步骤摘要】
图像识别的自学习方法、装置、设备及存储介质


[0001]本专利技术涉及智能监控
，尤其涉及一种图像识别的自学习方法、装置、设备及存储介质。

技术介绍

[0002]在工业场景下，现场数据存在一定的未知性，如小样本、高度重复样本等，现有的自学习系统不能根据现场数据的实际情况判断是否开启自学习方案，一般会根据经验对某些特定情况预先设置对应的处理方案，如小样本、样本不均衡。特定情况覆盖范围小，存在一定的局限性，当数据存在超出预先设置方案的问题时，系统仍会启动自学习方案，可能会出现自学习后性能变差的情况；同时，对于多任务情况，现有自学习系统不能进行任务的完全解耦，当某些任务达到要求或数据量较少等，无法控制该任务对应的模型不参与训练，最终所有任务对应的模型都会进行更新，导致整个自学习系统的灵活性差。
[0003]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

[0004]本专利技术的主要目的在于提供一种图像识别的自学习方法、装置、设备及存储介质，旨在解决现有技术无法基于实际情况判断是否进行自学习并且不能进行多任务的完全解耦，导致整个自学习系统的灵活性差的技术问题。
[0005]为实现上述目的，本专利技术提供了一种图像识别的自学习方法，所述图像识别的自学习方法包括以下步骤：
[0006]确定自学习系统中预先设定的学习任务，并将所述学习任务解耦成多个学习任务；
[0007]获取图像数据，并利用通识模型对所述图像数据进行特征提取，所述图像数据由本地数据和现场数据构成；
[0008]判断各个学习任务是否满足自学条件；
[0009]控制满足所述自学习条件的学习任务对应的任务模型基于提到的特征数据进行自学习训练，通过各个完成自学习训练的任务模型进行图像识别。
[0010]可选地，所述判断各个学习任务是否满足自学条件，包括：
[0011]在所述自学习系统满足更新条件时，从触发样本中选取预设比例的样本，并根据所述从触发样本中选取预设比例的样本和预设样本构建测试集；
[0012]通过所述测试集对各个学习任务对应的任务模型进行测试，得到测试结果；
[0013]若所述测试结果不符合预设条件，则判定对应的学习任务满足自学习条件。
[0014]可选地，所述判断各个学习任务是否满足自学条件，还包括：
[0015]在所述自学习系统满足更新条件时，获取各个学习任务在触发样本中对应的样本量；
[0016]若所述样本量达到样本量阈值，则判定对应的学习任务满足自学习条件。
[0017]可选地，所述图像识别的自学习方法还包括：
[0018]在触发样本的样本数量达到预设数量或触发样本的持续时长达到预设时长时，判定所述自学习系统满足更新条件。
[0019]可选地，所述判断各个学习任务是否满足自学条件，还包括：
[0020]获取用户输入的设置需求；
[0021]基于所述设置需求确定需要更新的任务模型；
[0022]判定所述需要更新的任务模型对应的学习任务满足自学习条件。
[0023]可选地，所述判断各个学习任务是否满足自学条件，还包括：
[0024]计算各个学习任务包含的现场数据与各个学习任务对应的历史数据字典之间的相似度；
[0025]若所述相似度未达到相似度阈值，则判定对应的学习任务满足自学习条件。
[0026]可选地，所述图像识别的自学习方法还包括：
[0027]将各个学习任务所包含的本地数据按类别进行聚类，得到聚类中心，并所述聚类中心作为初始数据字典；
[0028]按类别将初始数据字典分别存入队列，得到历史数据字典，所述队列的最大长度不超过预设长度。
[0029]此外，为实现上述目的，本专利技术还提出一种图像识别的自学习装置，所述图像识别的自学习装置包括：
[0030]划分模块，用于确定自学习系统中预先设定的学习任务，并将所述学习任务解耦成多个学习任务；
[0031]获取模块，用于获取图像数据，并利用通识模型对所述图像数据进行特征提取，所述图像数据由本地数据和现场数据构成；
[0032]判断模块，用于判断各个学习任务是否满足自学条件；
[0033]控制模块，用于控制满足所述自学习条件的学习任务对应的任务模型基于提到的特征数据进行自学习训练，通过各个完成自学习训练的任务模型进行图像识别。
[0034]此外，为实现上述目的，本专利技术还提出一种图像识别的自学习设备，所述图像识别的自学习设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行的图像识别的自学习程序，所述图像识别的自学习程序配置为实现如上文所述的图像识别的自学习方法。
[0035]此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有图像识别的自学习程序，所述图像识别的自学习程序被处理器执行时实现如上文所述的图像识别的自学习方法。
[0036]本专利技术通过确定自学习系统中预先设定的学习任务，并将所述学习任务解耦成多个学习任务；获取图像数据，并利用通识模型对所述图像数据进行特征提取，所述图像数据由本地数据和现场数据构成；判断各个学习任务是否满足自学条件；控制满足所述自学习条件的学习任务对应的任务模型基于提到的特征数据进行自学习训练，通过各个完成自学习训练的任务模型进行图像识别，通过上述方式实现多任务之间完全解耦，判断各学习任务是否进行自学习，缓解任务间数据不平衡、小样本以及无效训练等带来的影响，提升了自
学习系统的灵活性。
附图说明
[0037]图1是本专利技术实施例方案涉及的硬件运行环境的图像识别的自学习设备的结构示意图；
[0038]图2为本专利技术图像识别的自学习方法第一实施例的流程示意图；
[0039]图3为本专利技术图像识别的自学习方法一实施例中整体系统框架示意图；
[0040]图4为本专利技术图像识别的自学习方法第二实施例的流程示意图；
[0041]图5为本专利技术图像识别的自学习方法第三实施例的流程示意图；
[0042]图6为本专利技术图像识别的自学习装置第一实施例的结构框图。
[0043]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0044]应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0045]参照图1，图1为本专利技术实施例方案涉及的硬件运行环境的图像识别的自学习设备结构示意图。
[0046]如图1所示，该图像识别的自学习设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像识别的自学习方法，其特征在于，所述图像识别的自学习方法包括：确定自学习系统中预先设定的学习任务，并将所述学习任务解耦成多个学习任务；获取图像数据，并利用通识模型对所述图像数据进行特征提取，所述图像数据由本地数据和现场数据构成；判断各个学习任务是否满足自学条件；控制满足所述自学习条件的学习任务对应的任务模型基于提到的特征数据进行自学习训练，通过各个完成自学习训练的任务模型进行图像识别。2.如权利要求1所述的图像识别的自学习方法，其特征在于，所述判断各个学习任务是否满足自学条件，包括：在所述自学习系统满足更新条件时，从触发样本中选取预设比例的样本，并根据所述从触发样本中选取预设比例的样本和预设样本构建测试集；通过所述测试集对各个学习任务对应的任务模型进行测试，得到测试结果；若所述测试结果不符合预设条件，则判定对应的学习任务满足自学习条件。3.如权利要求1所述的图像识别的自学习方法，其特征在于，所述判断各个学习任务是否满足自学条件，还包括：在所述自学习系统满足更新条件时，获取各个学习任务在触发样本中对应的样本量；若所述样本量达到样本量阈值，则判定对应的学习任务满足自学习条件。4.如权利要求2或3所述的图像识别的自学习方法，其特征在于，所述图像识别的自学习方法还包括：在触发样本的样本数量达到预设数量或触发样本的持续时长达到预设时长时，判定所述自学习系统满足更新条件。5.如权利要求1所述的图像识别的自学习方法，其特征在于，所述判断各个学习任务是否满足自学条件，还包括：获取用户输入的设置需求；基于所述设置需求确定需要更新的任务模型；判定所述需要更新的任务模型对应的学习任务满足自...

【专利技术属性】
技术研发人员：李响，邹紫盛，郭阶添，谭文明，任烨，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：