一种图形特征识别方法及装置制造方法及图纸

本发明专利技术提供一种图形特征识别方法及装置，涉及图像识别技术领域，可以提升模型在面对未知数据时输出识别结果的准确性。本发明专利技术提供了一种图形特征识别方法，包括：建立全连接神经网络；其中，全连接神经网络包括特征、特征概率、激活函数以及损失函数；将全连接神经网络的传递过程中的确定权重，调整为概率分布的不确定性权重；基于不确定性权重，进行多次预测训练，获得学习权重集合；基于学习权重集合，计算预测的期望值和分布；基于输入的检测数据以及预测的期望值和分布，获得检测数据的输出结果；基于损失函数以及检测数据的输出结果，调整全连接神经网络的不确定性权重，获得图形特征识别模型；基于图形特征识别模型，进行图形特征识别。

【技术实现步骤摘要】

本专利技术涉及图像识别，特别涉及一种图形特征识别方法及装置。

技术介绍

1、常见的图像目标检测方法需要大量的数据标注信息，并需要保证各类别中数据分布相对均匀。但在实际检测场景中，无论是整体数据获取或者缺陷数据获取都存在一定困难，缺陷数据少是检测场景中的常态，因此对少量数据进行标注学习通常会遇到过拟合等技术问题导致识别效果不佳，无法将算法模型应用的工业生产中。同时，在高端制造产业的制件、产品检测中，由于产品工艺复杂、材料内部结构复杂，导致检测数据呈现的缺陷行为难以明确界定，因此已获取到的缺陷数据无法代表实际生产中可能出现的缺陷表征特点，模型在面对难以界定或者未知情况时，通常按照理想条件下的训练数据集进行判断，导致结果的不可靠，进一步限制了人工智能算法的落地效果。

技术实现思路

1、为了解决上述技术问题，提出了本专利技术。本专利技术的实施例提供了一种图形特征识别方法及装置，可以提升模型在面对未知数据时输出识别结果的准确性。

2、根据本专利技术的一个方面，提供了一种图形特征识别方法，包括：建立全连接神经本文档来自技高网...

【技术保护点】

1.一种图形特征识别方法，其特征在于，包括：

2.根据权利要求1所述的图形特征识别方法，其特征在于，将所述全连接神经网络的传递过程中的确定权重，调整为概率分布的不确定性权重，包括：

3.根据权利要求1所述的图形特征识别方法，其特征在于，基于不确定性权重，进行多次预测训练，获得学习权重集合，包括：

4.根据权利要求3所述的图形特征识别方法，其特征在于，基于学习权重集合，计算预测的期望值和分布，包括：

5.根据权利要求1所述的图形特征识别方法，其特征在于，基于输入的检测数据以及预测的期望值和分布，获得检测数据的输出结果，包括：

6....

【技术特征摘要】

1.一种图形特征识别方法，其特征在于，包括：

2.根据权利要求1所述的图形特征识别方法，其特征在于，将所述全连接神经网络的传递过程中的确定权重，调整为概率分布的不确定性权重，包括：

3.根据权利要求1所述的图形特征识别方法，其特征在于，基于不确定性权重，进行多次预测训练，获得学习权重集合，包括：

4.根据权利要求3所述的图形特征识别方法，其特征在于，基于学习权重集合，计算预测的期望值和分布，包括：

5.根据权利要求1所述的图形特征识别方法，其特征在于，基于输入的检测数据以及预测的期望值和分...

【专利技术属性】
技术研发人员：刘傲，王臻，李志华，宋晨旭，
申请(专利权)人：浪潮企业云科技山东有限公司，
类型：发明
国别省市：