[發(fā)明專利]裝備識(shí)別方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202210448459.2
• 申請(qǐng)日: 2022-04-27
• 公開(kāi)（公告）號(hào): CN115035329A
• 公開(kāi)（公告）日: 2022-09-09
• 發(fā)明（設(shè)計(jì)）人: 郭建京;周忠誠(chéng);索紅亮;李佳;張圣棟;黃九鳴
• 申請(qǐng)（專利權(quán)）人: 湖南四方天箭信息科技有限公司
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/82;G06V10/84;G06V20/62;G06V30/146;G06N3/04;G06K9/62
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明涉及計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，提供了一種裝備識(shí)別方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)，所述方法包括：獲取裝備圖像，基于多層標(biāo)簽分類體系預(yù)測(cè)所述裝備圖像的裝備類別，得到候選標(biāo)簽序列；對(duì)所述裝備圖像進(jìn)行文本檢測(cè)，基于提取的裝備數(shù)字型號(hào)確定所述裝備圖像的細(xì)粒度標(biāo)簽；構(gòu)建與所述多層標(biāo)簽分類體系對(duì)應(yīng)且?guī)в羞厵?quán)重的圖結(jié)構(gòu)，所述邊權(quán)重為所述候選標(biāo)簽序列和所述細(xì)粒度標(biāo)簽中各標(biāo)簽的得分；將所述圖結(jié)構(gòu)中加權(quán)最大路徑對(duì)應(yīng)的多層標(biāo)簽確定為所述裝備圖像的識(shí)別結(jié)果。采用本方法能夠提高識(shí)別速度和性能。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，尤其涉及一種裝備識(shí)別方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)。

背景技術(shù)

隨著軍隊(duì)信息化水平的提高，信息系統(tǒng)的偵查能力得到了加強(qiáng)，使得各類平臺(tái)得到的偵查圖像急劇增加，因此，從偵查圖像中獲取信息已成為了準(zhǔn)確判斷戰(zhàn)場(chǎng)形勢(shì)的直接和有效的手段。其中，研究裝備智能識(shí)別分類問(wèn)題能快速有效地處理偵查圖像，提供重要的參考信息。

由于裝備種類繁多，且許多同類別的裝備間差異較小，所以裝備圖像的檢測(cè)識(shí)別相比于一般圖像分類而言是更具有挑戰(zhàn)性的。目前存在三類識(shí)別裝備的方法，包括基于同樣卷積神經(jīng)網(wǎng)絡(luò)的方法、基于定位-識(shí)別的方法和基于網(wǎng)絡(luò)集成的方法。然而，這三類方法大部分考慮的都是理想場(chǎng)景中的裝備圖像，對(duì)于實(shí)際應(yīng)用場(chǎng)景中裝備圖像來(lái)說(shuō)速度和性能有所降低。

發(fā)明內(nèi)容

基于此，有必要針對(duì)上述技術(shù)問(wèn)題，提供一種能夠提高識(shí)別速度和性能的裝備識(shí)別方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)。

本發(fā)明提供一種裝備識(shí)別方法，包括：

獲取裝備圖像，基于多層標(biāo)簽分類體系預(yù)測(cè)所述裝備圖像的裝備類別，得到候選標(biāo)簽序列；

對(duì)所述裝備圖像進(jìn)行文本檢測(cè)，基于提取的裝備數(shù)字型號(hào)確定所述裝備圖像的細(xì)粒度標(biāo)簽；

構(gòu)建與所述多層標(biāo)簽分類體系對(duì)應(yīng)且?guī)в羞厵?quán)重的圖結(jié)構(gòu)，所述邊權(quán)重為所述候選標(biāo)簽序列和所述細(xì)粒度標(biāo)簽中各標(biāo)簽的得分；

將所述圖結(jié)構(gòu)中加權(quán)最大路徑對(duì)應(yīng)的多層標(biāo)簽確定為所述裝備圖像的識(shí)別結(jié)果

在其中一個(gè)實(shí)施例中，所述獲取裝備圖像，基于多層標(biāo)簽分類體系預(yù)測(cè)所述裝備圖像的裝備類別，得到候選標(biāo)簽序列，包括：

基于多層標(biāo)簽分類體系且采用預(yù)設(shè)模型策略訓(xùn)練得到多層標(biāo)簽分類模型；

利用所述多層標(biāo)簽分類模型預(yù)測(cè)所述裝備圖像的裝備類別，得到所述裝備圖像的候選標(biāo)簽序列。

在其中一個(gè)實(shí)施例中，所述對(duì)所述裝備圖像進(jìn)行文本檢測(cè)，基于提取的裝備數(shù)字型號(hào)確定所述裝備圖像的細(xì)粒度標(biāo)簽，包括：

利用文本區(qū)域檢測(cè)模型對(duì)所述裝備圖像進(jìn)行文本檢測(cè)，確定所述裝備圖像中的文本區(qū)域；

對(duì)所述文本區(qū)域進(jìn)行OCR識(shí)別，得到裝備數(shù)字型號(hào)；

根據(jù)所述裝備數(shù)字型號(hào)與細(xì)粒度標(biāo)簽的映射關(guān)系，確定所述裝備圖像的細(xì)粒度標(biāo)簽。

在其中一個(gè)實(shí)施例中，所述構(gòu)建與所述多層標(biāo)簽分類體系對(duì)應(yīng)且?guī)в羞厵?quán)重的圖結(jié)構(gòu)，所述邊權(quán)重為所述候選標(biāo)簽序列和所述細(xì)粒度標(biāo)簽中各標(biāo)簽的得分，包括：

將所述多層標(biāo)簽分類體系中各標(biāo)簽作為節(jié)點(diǎn)構(gòu)建對(duì)應(yīng)的圖結(jié)構(gòu)；

從所述圖結(jié)構(gòu)中分別確定所述候選標(biāo)簽序列和所述細(xì)粒度標(biāo)簽中各標(biāo)簽對(duì)應(yīng)的節(jié)點(diǎn)以及所述節(jié)點(diǎn)對(duì)應(yīng)的父節(jié)點(diǎn)；

將所述標(biāo)簽的得分作為邊權(quán)重賦值給所述節(jié)點(diǎn)與所述父節(jié)點(diǎn)之間的有向邊。

在其中一個(gè)實(shí)施例中，所述將所述圖結(jié)構(gòu)中加權(quán)最大路徑對(duì)應(yīng)的多層標(biāo)簽確定為所述裝備圖像的識(shí)別結(jié)果，包括：