【技術實現步驟摘要】
本專利技術涉及人工智能，具體而言，涉及一種基于圖像識別的異常識別方法、裝置及設備。
技術介紹
1、隨著工業互聯網的發展，面向能源科技的生產管理逐實現信息化升級。在實際運行過程中，實時監控管理是保障能源科技工廠安全穩定運行的關鍵。對于垃圾焚燒發電廠而言，傳統的實時監控管理技術基于人工巡檢實現，但是這種方式存在巡檢效率低下和異常分析準確性較差的問題。
技術實現思路
1、第一方面，本專利技術實施例提供了一種基于圖像識別的異常識別方法，應用于智能視覺識別設備，所述方法包括：
2、將目標巡檢任務對應的圖形化巡檢記錄加載到完成調試的異常圖像判別算法，得到所述目標巡檢任務中的各個巡檢圖像塊所對應的異常巡檢狀態判別觀點；所述異常圖像判別算法是通過遷移學習調試所得的；所述圖形化巡檢記錄是根據所述目標巡檢任務的巡檢圖像塊隊列獲得的；
3、依據所述各個巡檢圖像塊所對應的異常巡檢狀態判別觀點，確定所述目標巡檢任務的巡檢異常識別結果。
4、在上述方面下，所述將目標巡檢任務對應的圖形化巡檢記錄加載到完成調試的異常圖像判別算法之前，所述方法還包括：
5、將所述巡檢圖像塊隊列加載至描述特征挖掘組件，根據所述描述特征挖掘組件對所述巡檢圖像塊隊列進行關聯圖像塊描述向量，得到所述目標巡檢任務的原始關聯圖像塊描述向量關系網；所述描述特征挖掘組件是根據深度可逆殘差塊調試得到的；
6、將所述巡檢圖像塊隊列和所述原始關聯圖像塊描述向量關系網進行組合，得到所述目標巡檢任
7、在上述方面下，所述將目標巡檢任務對應的圖形化巡檢記錄加載到完成調試的異常圖像判別算法，得到所述目標巡檢任務中的各個巡檢圖像塊所對應的異常巡檢狀態判別觀點，包括：
8、將目標巡檢任務對應的圖形化巡檢記錄加載到所述異常圖像判別算法的圖像描述優化組件，根據所述圖像描述優化組件確定所述目標巡檢任務對應的關聯圖像塊強化描述向量關系網；
9、將所述巡檢圖像塊隊列和所述關聯圖像塊強化描述向量關系網進行組合，得到已優化圖形化巡檢記錄；
10、將所述已優化圖形化巡檢記錄加載到所述異常圖像判別算法的異常事件識別組件，根據所述異常事件識別組件確定所述目標巡檢任務中的各個巡檢圖像塊所對應的異常巡檢狀態判別觀點。
11、在上述方面下，所述圖像描述優化組件包括可逆層、循環層、聚合層和至少一個特征綜合層；
12、所述將目標巡檢任務對應的圖形化巡檢記錄加載到所述異常圖像判別算法的圖像描述優化組件，根據所述圖像描述優化組件確定所述目標巡檢任務對應的關聯圖像塊強化描述向量關系網，包括：
13、將所述圖形化巡檢記錄加載到所述可逆層，根據所述可逆層獲得所述圖形化巡檢記錄的巡檢要素卷積向量；
14、將所述圖形化巡檢記錄加載到所述循環層，根據所述循環層獲得所述圖形化巡檢記錄的巡檢要素時序向量；
15、將所述巡檢要素卷積向量和所述巡檢要素時序向量加載到所述聚合層，根據所述聚合層對所述巡檢要素卷積向量和所述巡檢要素時序向量進行組合，得到聯動巡檢要素向量；
16、將所述聯動巡檢要素向量加載到所述特征綜合層，根據所述特征綜合層得到所述目標巡檢任務對應的關聯圖像塊強化描述向量關系網；
17、其中，所述異常事件識別組件包括可逆層、循環層、聚合層和判別決策層；所述將所述已優化圖形化巡檢記錄加載到所述異常圖像判別算法的異常事件識別組件，根據所述異常事件識別組件確定所述目標巡檢任務中的各個巡檢圖像塊所對應的異常巡檢狀態判別觀點，包括：
18、將所述已優化圖形化巡檢記錄加載到所述可逆層，根據所述可逆層獲得所述已優化圖形化巡檢記錄的巡檢要素卷積向量；
19、將所述已優化圖形化巡檢記錄加載到所述循環層，根據所述循環層獲得所述已優化圖形化巡檢記錄的巡檢要素時序向量；
20、將所述巡檢要素卷積向量和所述巡檢要素時序向量加載到所述聚合層，根據所述聚合層對所述巡檢要素卷積向量和所述巡檢要素時序向量進行組合，得到聯動巡檢要素向量；
21、將所述聯動巡檢要素向量加載到所述判別決策層，根據所述判別決策層得到所述目標巡檢任務中的各個巡檢圖像塊所對應的異常巡檢狀態判別觀點。
22、在上述方面下，所述異常圖像判別算法的調試步驟包括：
23、獲得包括若干個巡檢圖像塊隊列學習示例的算法調試樣例信息集；其中，每個巡檢圖像塊隊列學習示例的第一圖像描述特征集是依據具有牽涉的關聯圖像塊隊列集合確定的，且所述關聯圖像塊隊列集合中的關聯圖像塊隊列的個數大于等于預設值；每個巡檢圖像塊隊列學習示例的第二圖像描述特征集是依據具有牽涉的關聯圖像塊隊列集合的池化特征確定的；
24、根據所述算法調試樣例信息集，對異常圖像判別算法包含的圖像描述優化組件和異常事件識別組件進行循環調試，直至符合預設的調試期望；
25、其中，每輪循環調試過程包括：根據從所述算法調試樣例信息集篩選的巡檢圖像塊隊列學習示例以及對應的第二圖像描述特征集，通過所述圖像描述優化組件，得到相應的圖像示例強化描述特征集，并依據所述圖像示例強化描述特征集與所述巡檢圖像塊隊列學習示例的第一圖像描述特征集，確定第一算法調試代價變量；將所述圖像示例強化描述特征集和所述巡檢圖像塊隊列學習示例進行組合后分別加載到所述異常事件識別組件和用于聯合調試的判別組件，并根據獲得的輸出觀點，確定第二算法調試代價變量；依據所述第一算法調試代價變量和所述第二算法調試代價變量，分別對所述圖像描述優化組件和所述異常事件識別組件進行算法參量改進。
26、在上述方面下，所述巡檢圖像塊隊列學習示例的第二圖像描述特征集根據以下步驟獲取：
27、根據所述巡檢圖像塊隊列學習示例，從預設巡檢圖像池中檢索所述巡檢圖像塊隊列學習示例對應的若干個關聯圖像塊隊列，并將所述若干個關聯圖像塊隊列組成所述巡檢圖像塊隊列學習示例具有牽涉的關聯圖像塊隊列集合；
28、對所述巡檢圖像塊隊列學習示例具有牽涉的關聯圖像塊隊列集合進行池化，得到關聯圖像塊隊列集合的池化特征；
29、依據所述關聯圖像塊隊列集合的池化特征，確定所述巡檢圖像塊隊列學習示例的第二圖像描述特征集。
30、在上述方面下，所述根據從所述算法調試樣例信息集篩選的巡檢圖像塊隊列學習示例以及對應的第二圖像描述特征集，通過所述圖像描述優化組件，得到相應的圖像示例強化描述特征集，包括：
31、將所述巡檢圖像塊隊列學習示例加載至描述特征挖掘組件，得到所述巡檢圖像塊隊列學習示例的原始學習示例圖像描述特征集；所述描述特征挖掘組件是根據深度可逆殘差塊調試得到的；
32、將所述巡檢圖像塊隊列學習示例、所述巡檢圖像塊隊列學習示例的第二圖像描述特征集和所述原始學習示例圖像描述特征集進行組合，得到第一圖形化巡檢記錄學習示例特征集；
33、將所述第一圖形化巡檢記錄學習示例特本文檔來自技高網...
【技術保護點】
1.一種基于圖像識別的異常識別方法，其特征在于，應用于智能視覺識別設備，所述方法包括：
2.如權利要求1所述的方法，其特征在于，所述將目標巡檢任務對應的圖形化巡檢記錄加載到完成調試的異常圖像判別算法之前，所述方法還包括：
3.如權利要求1所述的方法，其特征在于，所述將目標巡檢任務對應的圖形化巡檢記錄加載到完成調試的異常圖像判別算法，得到所述目標巡檢任務中的各個巡檢圖像塊所對應的異常巡檢狀態判別觀點，包括：
4.如權利要求3所述的方法，其特征在于，所述圖像描述優化組件包括可逆層、循環層、聚合層和至少一個特征綜合層；
5.如權利要求1所述的方法，其特征在于，所述異常圖像判別算法的調試步驟包括：
6.如權利要求5所述的方法，其特征在于，所述巡檢圖像塊隊列學習示例的第二圖像描述特征集根據以下步驟獲取：
7.如權利要求5所述的方法，其特征在于，所述根據從所述算法調試樣例信息集篩選的巡檢圖像塊隊列學習示例以及對應的第二圖像描述特征集，通過所述圖像描述優化組件，得到相應的圖像示例強化描述特征集，包括：
8.如權
9.一種異常識別裝置，其特征在于，其上存儲有計算機程序，所述計算機程序運行時實現權利要求1-8任一項所述的方法。
10.一種智能視覺識別設備，其特征在于，包括處理引擎、網絡模塊和存儲器，所述處理引擎和所述存儲器通過所述網絡模塊通信，所述處理引擎用于從所述存儲器中讀取計算機程序并運行，以實現權利要求1-8任一項所述的方法。
...【技術特征摘要】
1.一種基于圖像識別的異常識別方法，其特征在于，應用于智能視覺識別設備，所述方法包括：
2.如權利要求1所述的方法，其特征在于，所述將目標巡檢任務對應的圖形化巡檢記錄加載到完成調試的異常圖像判別算法之前，所述方法還包括：
3.如權利要求1所述的方法，其特征在于，所述將目標巡檢任務對應的圖形化巡檢記錄加載到完成調試的異常圖像判別算法，得到所述目標巡檢任務中的各個巡檢圖像塊所對應的異常巡檢狀態判別觀點，包括：
4.如權利要求3所述的方法，其特征在于，所述圖像描述優化組件包括可逆層、循環層、聚合層和至少一個特征綜合層；
5.如權利要求1所述的方法，其特征在于，所述異常圖像判別算法的調試步驟包括：
6.如權利要求5所述的方法，其特征在于，所述巡檢圖像塊隊列學習示例的第二圖像描述特征集根據以下步驟獲取：
7...
【專利技術屬性】
技術研發人員：陳輝，郭海濤，張愛慶，劉志恒，陳東旭，
申請(專利權)人：北京朝陽環境集團有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。