【技术实现步骤摘要】
本专利技术涉及图像识别与分类，具体是基于深度学习的二手设备图像识别与分类方法。
技术介绍
1、深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助，它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。
2、而传统的对二手设备的图像进行识别的方法，存在如下的一些弊端：二手设备的图像数据来源非常广泛，因此，难免存在图像质量上的一些差异，比如图像模糊和图像的某些参数不达标等，在获取到的大量二手设备的图像数据中，不同设备类型对应的图像数据的样本数据不均衡，例如，有的设备类型的图像数据过多，而有的则较少，对于样本较少的图像数据，其识别的准确性不高，如何解决这些问题是我们目前所需要考虑的。
技术实现思路
1、为了解决上述问题，本专利技术的目的在于提供基于深度学习的二手设备图像识别与分类方法。
2、本专利技术的目的可以通过以下技术方案实现：基于深度学习的二手设备图像识别与分类方法，包括以下步骤：
3、步骤s1：获取若干数据量的二手设备的图像数据，并按照二手设备的设备类型对图像数据进行类别划分，进而形成若干个图像类集合，获取图像类集合的质量参数，并根据质量参数选择是否进行数据增强操作；
4、步骤s2：统计不同图像类集合的占比权重，并与预设的建模权重进行比对，进而根据比对结果定位出不平衡图像类集合，并对不平衡图像类集合进行类别平衡处理；
5、步骤s3
6、进一步的，获取若干数据量的二手设备的图像数据，并按照二手设备的设备类型对图像数据进行类别划分，进而形成若干个图像类集合的过程包括：
7、获取若干数据量的二手设备的图像数据，并记图像数据的数据量为d，设置若干个图像识别队列，图像识别队列用于识别图像数据对应二手设备的设备类型，对图像识别队列进行编号，记为i，i＝1，2，3，……，n，其中n为大于0的自然数；
8、获取编号为i的图像识别队列的数据处理容量，记为d[i]，设置并发运行队列数目，记为s，进而获取图像识别队列的工作批次，记工作批次为n，n＝floor(d/(d[i]×s))+e，其中，floor()表示向下取整函数，当d/(d[i]×s)的取值为整数时，e的取值为0，否则，e的取值为1；
9、进行n次，每次并发s个图像识别队列的类别划分工作，将同一个设备类型的二手设备的图像数据封装为一个图像类集合，进而形成若干个不同设备类型对应的图像类集合。
10、进一步的，获取图像类集合的质量参数，并根据质量参数选择是否进行数据增强操作的过程包括：
11、所述图像类集合设置有相应的质量参数，质量参数包括图像清晰度、图像对比度、图像尺寸以及图像噪声，分别记各自对应的数值为cs1、cs2和cs3，判断图像类集合的图像尺寸是否符合预设的规范尺寸，若不符合，则将其图像尺寸裁剪为规范尺寸，否则，则不进行任何操作，预设清晰度阈值、对比度阈值以及噪声阈值，并分别记为λ1、λ2以及λ3；
12、当cs1≥λ1，cs2≥λ2且cs3≥λ3这三个条件同时满足时，则不进行数据增强操作，若三个条件中有任意一个不满足，则对不满足的质量参数部分进行数据增强操作，数据增强操作包括图片曝光、对比度调节以及噪声过滤。
13、进一步的，统计不同图像类集合的占比权重，并与预设的建模权重进行比对，进而根据比对结果定位出不平衡图像类集合的过程包括：
14、将同一类别的图像类集合进行归类，并对归类后不同的图像类集合进行编号，记编号为j，j＝1，2，3，……，m，其中m为大于0的自然数，获取不同图像类集合构成的总集合数目，记总集合数目为c总，获取每个编号对应的图像类集合各自的数目，记为c[j]；
15、进而根据c总和c[j]生成不同图像类集合的占比权重，记编号为j的图像类集合的的占比权重为w[j]，则有w[j]＝c[j]/c总，预设编号为j的图像类集合的建模权重，记建模权重为w`[j]，若w[j]＜w`[j]，则将w[j]对应的图像类集合定位为不平衡图像类集合，若w[j]≥w`[j]，则标识w[j]对应的图像类集合不是不平衡图像类集合。
16、进一步的，对不平衡图像类集合进行类别平衡处理的过程包括：
17、对不平衡图像类集合进行的类别平衡处理包括不同的处理类型，处理类型包括数据重采样和类别权重调整，优先执行数据重采样，数据重采样的内容为：对w[j]＜w`[j]对应部分的图像类集合增大采样频率，进而使得满足w[j]≥w`[j]，若数据重采样无法处理不平衡图像类集合，则继续使用类别权重调整进行处理；
18、类别权重调整的内容如下：将不属于不平衡图像类集合的部分标记为高权重图像集，获取高权重图像集的超额权重，记超额权重为w超额，则有w超额＝w[j]－w`[j]，将不平衡图像类集合的部分标记为低权重图像集，获取低权重图像集的差额权重，记差额权重为w差额，则有w差额＝|w[j]－w`[j]|，对超额权重w超额对应的高权重图像集进行样本数减少，对差额权重w差额对应的低权重图像集进行样本数增加，进而使得全部的高权重图像集和低权重图像集都转换为最佳平衡图像类集合，对最佳平衡图像类集合有w[j]＝w`[j]。
19、进一步的，采用深度学习技术建立不同图像类集合的识别模型的过程包括：
20、获取若干个完成类别平衡处理的图像类集合，并通过深度学习技术构建出每个图像类集合的建模元素，判断建模元素的元素尺度和元素格式是否符合预先设置的元素尺度和元素格式，若是，则不对建模元素进行任何操作，若否，则将建模元素转换为设置的元素尺度和元素格式；
21、获取每个图像类集合对应建模元素的识别维度系数，记识别维度系数为γ，设置维度区间，维度区间包括低纬度识别区间、中纬度识别区间以及高维度识别区间，并分别记为ω1、ω2和ω3；
22、其中，0≤γ≤1，ω1取值为[0，0.4]，ω2取值为(0.4，0.8]，ω3的取值为(0.8，1]；
23、当γ∈ω1时，汇总相应的建模元素生成低纬度模型图层；
24、当γ∈ω2时，汇总相应的建模元素生成中纬度模型图层；
25、当γ∈ω3时，汇总相应的建模元素生成高纬度模型图层；
26、拼接低纬度模型图层、中纬度模型图层以及高纬度模型图层，进而生成每个图像类集合对应的识别模型，将图像类集合的编号与识别模型进行绑定关联，并作为识别模型的认证id。
27、进一步的，通过获取样本数据对识别模型进行训练的过程包括：
28、获取每种设备类型的二手设备对应的样本数据，进而获取每种设备类型的样本数据的数据量，记本文档来自技高网...
【技术保护点】
1.基于深度学习的二手设备图像识别与分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的二手设备图像识别与分类方法，其特征在于，获取若干数据量的二手设备的图像数据，并按照二手设备的设备类型对图像数据进行类别划分，进而形成若干个图像类集合的过程包括：
3.根据权利要求2所述的基于深度学习的二手设备图像识别与分类方法，其特征在于，获取图像类集合的质量参数，并根据质量参数选择是否进行数据增强操作的过程包括：
4.根据权利要求3所述的基于深度学习的二手设备图像识别与分类方法，其特征在于，统计不同图像类集合的占比权重，并与预设的建模权重进行比对，进而根据比对结果定位出不平衡图像类集合的过程包括：
5.根据权利要求4所述的基于深度学习的二手设备图像识别与分类方法，其特征在于，对不平衡图像类集合进行类别平衡处理的过程包括：
6.根据权利要求5所述的基于深度学习的二手设备图像识别与分类方法，其特征在于，采用深度学习技术建立不同图像类集合的识别模型的过程包括：
7.根据权利要求6所述的基于深度学习的二手
8.根据权利要求7所述的基于深度学习的二手设备图像识别与分类方法，其特征在于，设置二手设备识别任务，将经过不同训练次数的识别模型与二手设备识别任务进行关联，进而获取识别结果并展示的过程包括：
...【技术特征摘要】
1.基于深度学习的二手设备图像识别与分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的二手设备图像识别与分类方法，其特征在于，获取若干数据量的二手设备的图像数据，并按照二手设备的设备类型对图像数据进行类别划分，进而形成若干个图像类集合的过程包括：
3.根据权利要求2所述的基于深度学习的二手设备图像识别与分类方法，其特征在于，获取图像类集合的质量参数，并根据质量参数选择是否进行数据增强操作的过程包括：
4.根据权利要求3所述的基于深度学习的二手设备图像识别与分类方法，其特征在于，统计不同图像类集合的占比权重，并与预设的建模权重进行比对，进而根据比对结果定位出不平衡图像类集合...
【专利技术属性】
技术研发人员：宇文立朋，李铁亮，宿馨元，刘伟，
申请(专利权)人：河北玖库网络科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。