[發明專利]質檢場景識別方法、裝置、計算機設備及可讀存儲介質在審
| 申請號： | 202010899535.2 | 申請日： | 2020-08-31 |
| 公開（公告）號： | CN112036312A | 公開（公告）日： | 2020-12-04 |
| 發明（設計）人： | 陳少瓊 | 申請（專利權）人： | 中國平安財產保險股份有限公司 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06K9/62;G06N3/04 |
| 代理公司： | 深圳市力道知識產權代理事務所(普通合伙) 44507 | 代理人： | 張傳義 |
| 地址： | 518000 廣東省深圳市福田區益田路*** | 國省代碼： | 廣東;44 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 質檢 場景 識別 方法 裝置 計算機 設備 可讀 存儲 介質 | ||
1.一種質檢場景識別方法，其特征在于，所述質檢場景識別方法包括以下步驟：
獲取質檢圖像，將所述質檢圖像輸入至訓練好的目標檢測模型中進行分析，得到所述目標檢測模型輸出的所述質檢圖像中與質檢場景相關的目標的置信度；
根據所述與質檢場景相關的目標的置信度，分別確定所述質檢圖像屬于加油場景的概率和屬于放油場景的概率；
根據所述質檢圖像屬于加油場景的所述概率和屬于放油場景的所述概率，確定所述質檢圖像對應的質檢場景。
2.根據權利要求1所述的質檢場景識別方法，其特征在于，所述與質檢場景相關的目標的置信度包括與加油場景相關的目標的置信度和與放油場景相關的目標的置信度；
所述根據所述與質檢場景相關的目標的置信度，分別確定所述質檢圖像屬于加油場景的概率和屬于放油場景的概率，包括：
獲取預設的加油場景概率計算公式P1＝λ1p1+λ2p2+λ3p3和放油場景概率計算公式P2＝λ1p1+λ4p4+λ5p5；
分別將所述與加油場景相關的目標的置信度代入至所述加油場景概率計算公式計算所述質檢圖像屬于加油場景的概率，將所述與放油場景相關的目標的置信度代入至所述放油場景概率計算公式計算所述質檢圖像屬于放油場景的概率，其中，
P1表示質檢圖像屬于加油場景的概率，P2表示質檢圖像屬于放油場景的概率，p1、p2和p3表示與加油場景相關的目標的置信度，p1、p4和p5表示與放油場景相關的目標的置信度，λ1、λ2和λ3表示與加油場景相關的目標的置信度對應的權重，λ1、λ4和λ5表示與放油場景相關的目標的置信度對應的權重，且λ1+λ2+λ3+λ4+λ5＝1。
3.根據權利要求1所述的質檢場景識別方法，其特征在于，所述根據所述質檢圖像屬于加油場景的概率和屬于放油場景的概率，確定所述質檢圖像對應的質檢場景，包括：
將所述質檢圖像屬于加油場景的概率和屬于放油場景的概率進行比對；
若所述質檢圖像屬于加油場景的概率大于屬于放油場景的概率，則確定所述質檢圖像對應的質檢場景為加油場景；
若所述質檢圖像屬于放油場景的概率大于屬于加油場景的概率，則確定所述質檢圖像對應的質檢場景為放油場景。
4.根據權利要求1所述的質檢場景識別方法，其特征在于，所述獲取質檢圖像，將所述質檢圖像輸入至訓練好的目標檢測模型中進行分析，得到所述目標檢測模型輸出的所述質檢圖像中與質檢場景相關的目標的置信度之前，包括：
獲取用于訓練目標檢測模型的樣本集，并創建卷積神經網絡yolov3模型；
根據所述樣本集訓練創建的yolov3模型，得到訓練好的yolov3模型，作為訓練好的目標檢測模型。
5.根據權利要求4所述的質檢場景識別方法，其特征在于，所述根據所述樣本集訓練創建的yolov3模型，得到訓練好的yolov3模型，包括：
初始化創建的yolov3模型的參數；
將所述樣本集加載至創建的yolov3模型中進行訓練，計算損失函數，以更新所述參數，直至所述損失函數收斂，得到訓練好的yolov3模型。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于中國平安財產保險股份有限公司，未經中國平安財產保險股份有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010899535.2/1.html，轉載請聲明來源鉆瓜專利網。
