[發明專利]基于層深度和感受野的信息化設備的穩定性檢測方法

在審

• 申請號: 202110075002.7
• 申請日: 2021-01-20
• 公開（公告）號: CN112733785A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 楊雨欣
• 申請（專利權）人: 成都莉娣揚科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本申請涉及智慧安全領域下的智能狀態監控，其具體地公開了一種基于層深度和感受野的信息化設備的穩定性檢測方法，其基于深度學習的計算機視覺的方法，對圖像進行分析和識別來判斷托架的穩定性。具體地，通過使用具有更大卷積核的第二卷積神經網絡進一步提取第一特征圖的特征基礎上的更深層和更大感受野的圖像特征，并將權值向量在樣本維度上對第一特征圖進行加權后通過分類器進行分類，通過這樣的方式，提高圖像分類的精度。

技術領域

本發明涉及智慧安全領域下的智能狀態監控，且更為具體地，涉及一種基于層深度和感受野的信息化設備的穩定性檢測方法、基于層深度和感受野的信息化設備的穩定性檢測系統和電子設備。

背景技術

隨著現代社會的信息化水平的提高，越來越多的信息化設備在野外使用。例如，在河道附近使用包括顯示屏的信息化設備，以便提供人們可能關心的信息。為了安裝和拆卸的方便，在河道附近使用信息化設備時一般會使用托架，即將信息化設備放到托架的上方，并由托架對信息化設備進行支撐。然而，河道附近的托架擺放的地面通常并不平整，且受土壤條件的影響，土壤容易發生變形，這就導致托架擺放在地面上時會產生穩定性的問題，同時也影響信息化設備的穩定性。

因此，期待一種用于判斷信息化設備的穩定性的技術方案。

目前，深度學習以及神經網絡已經廣泛應用于計算機視覺、自然語言處理、文本信號處理等領域。此外，深度學習以及神經網絡在圖像分類、物體檢測、語義分割、文本翻譯等領域，也展現出了接近甚至超越人類的水平。

深度學習以及神經網絡的發展為信息化設備的穩定性檢測提供了新的解決思路和方案。

發明內容

為了解決上述技術問題，提出了本申請。本申請的實施例提供了一種基于層深度和感受野的信息化設備的穩定性檢測方法、基于層深度和感受野的信息化設備的穩定性檢測系統和電子設備，其基于深度學習的計算機視覺的方法，對圖像進行分析和識別來判斷托架的穩定性。具體地，通過使用具有更大卷積核的第二卷積神經網絡進一步提取第一特征圖的特征基礎上的更深層和更大感受野的圖像特征，并將權值向量在樣本維度上對第一特征圖進行加權后通過分類器進行分類，通過這樣的方式，提高圖像分類的精度。

根據本申請的一個方面，提供了一種基于層深度和感受野的信息化設備的穩定性檢測方法，其包括：

通過放置于托架上的信息化設備的圖像采集設備采集用于安裝所述托架的支撐面的多張圖像；

將所述多張圖像通過第一卷積神經網絡，以獲得第一特征圖；

將所述第一特征圖通過第二卷積神經網絡，以獲得第二特征圖，其中，所述第二卷積神經網絡的第二卷積核大于所述第一卷積神經網絡的第一卷積核；

將所述第二特征圖在樣本維度的每個特征矩陣分別通過一個或多個全連接層，以獲得由多個特征值組成的權值向量；

基于所述權值向量在樣本維度上對所述第一特征圖的各個特征矩陣進行加權，以獲得分類特征圖；以及

將所述分類特征圖通過分類器，以獲得分類結果，所述分類結果用于表示放置在托架上的信息化設備的穩定性是否符合預設要求。

在上述基于層深度和感受野的信息化設備的穩定性檢測方法中，通過放置于托架上的信息化設備的圖像采集設備采集用于安裝所述托架的支撐面的多張圖像，包括：通過所述圖像采集設備采集所述支撐面的預設數量的圖像；以及，以預設時間間隔從所述預設數量的圖像中篩選出所述多張圖像。

在上述基于層深度和感受野的信息化設備的穩定性檢測方法中，將所述第二特征圖在樣本維度的每個特征矩陣分別通過一個或多個全連接層，以獲得由多個特征值組成的權值向量，包括：對所述多個特征值進行歸一化處理；以及，將歸一化處理后的所述多個特征值按樣本維度進行排列，以獲得所述權值向量。