本發(fā)明涉及場景物料狀態(tài)識別，具體為一種場景物料及物料狀態(tài)的小樣本識別方法。

背景技術(shù)：

1、目前，物料及物料狀態(tài)識別技術(shù)主要運用機器深度學(xué)習(xí)技術(shù)。

2、機器深度學(xué)習(xí)的主要優(yōu)點有：模型基于深度神經(jīng)網(wǎng)絡(luò)構(gòu)架，對數(shù)據(jù)圖片進行特征學(xué)習(xí)，對圖像識別類準(zhǔn)確度高，通用性強，同時具備了標(biāo)準(zhǔn)化、自動化和模塊化的基本特征。無需人工介入，深度學(xué)習(xí)使用大量正負(fù)樣本進行學(xué)習(xí)，基于算法自行提取其中特征值。可以精確繪制物料邊緣，場景視角變化也不影響其判斷。

3、但是其中不足主要是：所需樣本量大，對于小樣本量圖片識別無法有效提取其中特征值，導(dǎo)致在正負(fù)樣本判斷過程中效果極差，無法達到預(yù)期效果；對于指標(biāo)改變需要重新學(xué)習(xí)，由算法重新提取特征值，從而需要大量新的正負(fù)樣本以供學(xué)習(xí)。

4、總的來說傳統(tǒng)機器識別，需要逾萬的正負(fù)樣本，而對于一些室內(nèi)商業(yè)應(yīng)用場景，樣本量嚴(yán)重不足，很難過百，這樣傳統(tǒng)物料識別的學(xué)習(xí)，無法滿足。而且由于這個商業(yè)場景，需要識別的物料種類又較多，傳統(tǒng)成熟的訓(xùn)練模型，訓(xùn)練費用昂貴，且無法滿足要求，所以一直無法上機器識別。

5、為此提供一種場景物料及物料狀態(tài)的小樣本識別方法，在場景物料及場景物料狀態(tài)識別上，在低樣本量的情況下實現(xiàn)高準(zhǔn)確度。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種場景物料及物料狀態(tài)的小樣本識別方法，以解決上述背景技術(shù)中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種場景物料及物料狀態(tài)的小樣本識別方法，包括以下步驟：

3、s1：接入現(xiàn)有機器識別模型、機器學(xué)習(xí)模型；

4、s2：建立差異比對的標(biāo)準(zhǔn)樣本，賦予差異比對t/f的閾值；

5、s3：獲得原始圖像，設(shè)備對場景進行拍攝得到原始圖像；

6、s4：物料及物料狀態(tài)識別，基于機器深度學(xué)習(xí)技術(shù)及現(xiàn)有模型對原始圖像進行場景內(nèi)物料識別及物料狀態(tài)識別；

7、s5：人工校驗識別判斷，人工對機器識別結(jié)果校驗，判斷是否符合，若不符合，則進入樣本差異性比對模塊；

8、s6：人工校審差異比對結(jié)果的正確率；建立人工標(biāo)簽機制，根據(jù)機器識別，及差異比對的結(jié)果正確率，調(diào)整人工介入的范圍；

9、s7：人工校審結(jié)果返回差異比對模型，差異比對模型自動調(diào)整閾值，不斷提升差異模型的準(zhǔn)確率；

10、s8：所有結(jié)果一邊輸出給業(yè)務(wù)智能系統(tǒng)，同時作為訓(xùn)練集，返還機器學(xué)習(xí)模型訓(xùn)練，循環(huán)訓(xùn)練，機器識別學(xué)習(xí)的識別能力和準(zhǔn)確率。

11、優(yōu)選的，s4中，物料及物料狀態(tài)識別時，基于神經(jīng)網(wǎng)絡(luò)的分割方法的基本思想，通過訓(xùn)練多層感知機來得到線性決策函數(shù)，然后用決策函數(shù)對像素進行分類來達到分割的目的。

12、優(yōu)選的，s7中，進行差異性對比時，在計算結(jié)構(gòu)信息時需要去掉亮度信息即需要減掉圖像的均值。

13、優(yōu)選的，s7中，進行差異性對比時，計算結(jié)構(gòu)信息時需要歸一化圖像的方差。

14、優(yōu)選的，s7中，進行差異化對比時，計算結(jié)構(gòu)信息的方式如下：亮度比較：

15、

16、對比度比較：

17、

18、結(jié)構(gòu)相似性比較：

19、

20、其中，c1,c2,c3均是一個小的常數(shù)，用于避免分母為零的情況，增加計算的穩(wěn)定性，u(x),u(y)分別為圖像x和y的均值，d(x),d(y)為圖像的標(biāo)準(zhǔn)差，代表圖像的對比度，d(x,y)為圖像x,y的協(xié)方差。

21、優(yōu)選的，圖像質(zhì)量q＝[l(x,y)^a]×[c(x,y)^b]×[s(x,y)^c]

22、其中a，b，c分別用來控制亮度、對比度和結(jié)構(gòu)相似性三個要素的權(quán)重參數(shù)，c1，c2，c3為比較小的數(shù)值，以避免除以零的錯誤，并確保計算的穩(wěn)定性，c1＝(k1×l)^2,c2＝(k2×l)^2,c3＝c2/2,k1<<1,k2<<1，l為像素的最大值。

23、優(yōu)選的，l為像素的最大值，取值255。

24、優(yōu)選的，s4中，在進行物料及物料狀態(tài)識別前，對原始圖像進行優(yōu)化，提高原始圖像的質(zhì)量。

25、優(yōu)選的，s8中，定期評估s7中差異性比對模型的性能，包括準(zhǔn)確率、召回率指標(biāo)，根據(jù)評估結(jié)果調(diào)整模型參數(shù)，優(yōu)化模型結(jié)構(gòu)。

26、優(yōu)選的，s8中，基于積累的物料信息和狀態(tài)數(shù)據(jù)構(gòu)建知識圖譜，幫助系統(tǒng)更好地理解物料間的關(guān)聯(lián)性和物料狀態(tài)的變化規(guī)律。

27、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

28、本發(fā)明利用差異比對結(jié)果持續(xù)提供機器深度學(xué)習(xí)提供素材：這種方法能夠不斷利用新產(chǎn)生的數(shù)據(jù)來改進模型，確保模型的準(zhǔn)確性和時效性，在小樣本條件下實現(xiàn)場景狀態(tài)準(zhǔn)確判讀：即使可用數(shù)據(jù)量較小，該方法也能有效地進行物料狀態(tài)的識別，物料狀態(tài)及物料狀態(tài)識別對樣本量的自適應(yīng)：這種識別方法能夠適應(yīng)不同的數(shù)據(jù)規(guī)模，從幾乎沒有樣本學(xué)習(xí)到擁有大量樣本均可應(yīng)用。這種方法能夠在數(shù)據(jù)量有限的情況下依然保持較高的識別精度，并且通過持續(xù)的學(xué)習(xí)過程不斷提高自身的性能。

技術(shù)特征：

1.一種場景物料及物料狀態(tài)的小樣本識別方法，其特征在于：包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種場景物料及物料狀態(tài)的小樣本識別方法，其特征在于：s4中，物料及物料狀態(tài)識別時，基于神經(jīng)網(wǎng)絡(luò)的分割方法的基本思想，通過訓(xùn)練多層感知機來得到線性決策函數(shù)，然后用決策函數(shù)對像素進行分類來達到分割的目的。

3.根據(jù)權(quán)利要求1所述的一種場景物料及物料狀態(tài)的小樣本識別方法，其特征在于：s7中，進行差異性對比時，在計算結(jié)構(gòu)信息時需要去掉亮度信息即需要減掉圖像的均值。

4.根據(jù)權(quán)利要求3所述的一種場景物料及物料狀態(tài)的小樣本識別方法，其特征在于：s7中，進行差異性對比時，計算結(jié)構(gòu)信息時需要歸一化圖像的方差。

5.根據(jù)權(quán)利要求4所述的一種場景物料及物料狀態(tài)的小樣本識別方法，其特征在于：s7中，進行差異化對比時，計算結(jié)構(gòu)信息的方式如下：亮度比較：

6.根據(jù)權(quán)利要求5所述的一種場景物料及物料狀態(tài)的小樣本識別方法，其特征在于：圖像質(zhì)量q＝[l(x,y)^a]×[c(x,y)^b]×[s(x,y)^c]

7.根據(jù)權(quán)利要求6所述的一種場景物料及物料狀態(tài)的小樣本識別方法，其特征在于：l為像素的最大值，取值255。

8.根據(jù)權(quán)利要求1所述的一種場景物料及物料狀態(tài)的小樣本識別方法，其特征在于：s4中，在進行物料及物料狀態(tài)識別前，對原始圖像進行優(yōu)化，提高原始圖像的質(zhì)量。

9.根據(jù)權(quán)利要求1所述的一種場景物料及物料狀態(tài)的小樣本識別方法，其特征在于：s8中，定期評估s7中差異性比對模型的性能，包括準(zhǔn)確率、召回率指標(biāo)，根據(jù)評估結(jié)果調(diào)整模型參數(shù)，優(yōu)化模型結(jié)構(gòu)。

10.根據(jù)權(quán)利要求1所述的一種場景物料及物料狀態(tài)的小樣本識別方法，其特征在于：s8中，基于積累的物料信息和狀態(tài)數(shù)據(jù)構(gòu)建知識圖譜，幫助系統(tǒng)更好地理解物料間的關(guān)聯(lián)性和物料狀態(tài)的變化規(guī)律。

技術(shù)總結(jié)
本發(fā)明涉及場景物料狀態(tài)識別技術(shù)領(lǐng)域，公開了一種場景物料及物料狀態(tài)的小樣本識別方法，S1：獲得原始圖像，設(shè)備對場景進行拍攝得到原始圖像；S2：物料及物料狀態(tài)識別；S3：識別判斷；S4：差異性比對，本發(fā)明利用差異比對結(jié)果持續(xù)提供機器深度學(xué)習(xí)提供素材：這種方法能夠不斷利用新產(chǎn)生的數(shù)據(jù)來改進模型，確保模型的準(zhǔn)確性和時效性，在小樣本條件下實現(xiàn)場景狀態(tài)準(zhǔn)確判讀：即使可用數(shù)據(jù)量較小，該方法也能有效地進行物料狀態(tài)的識別，從幾乎沒有樣本到擁有大量樣本均可應(yīng)用。這種方法能夠在數(shù)據(jù)量有限的情況下依然保持較高的識別精度，并且通過持續(xù)的學(xué)習(xí)過程不斷提高自身的性能。

技術(shù)研發(fā)人員：劉鉦鴻,盛智超
受保護的技術(shù)使用者：廣州云點數(shù)據(jù)科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9