[發(fā)明專利]基于人工智能的數(shù)據(jù)同分布判別方法、裝置、設(shè)備及介質(zhì)

有效

• 申請?zhí)枺?/td>: 202310507945.1
• 申請日: 2023-05-08
• 公開（公告）號: CN116226789B
• 公開（公告）日: 2023-08-18
• 發(fā)明（設(shè)計(jì)）人: 何良雨;王戩鑫;劉彤;張文剛;梅能華
• 申請（專利權(quán)）人: 鋒睿領(lǐng)創(chuàng)（珠海）科技有限公司
• 主分類號: G06F18/25
• 分類號: G06F18/25;G06F18/20;G06F18/15;G06V10/20;G06V10/80;G06V10/84
• 代理公司: 深圳眾鼎專利商標(biāo)代理事務(wù)所(普通合伙) 44325
• 代理人: 張美君

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，尤其涉及一種基于人工智能的數(shù)據(jù)同分布判別方法、裝置、設(shè)備及介質(zhì)。該方法將獲取的所有初始特征拼接為拼接特征，將拼接特征均分為特征塊，根據(jù)特征塊在拼接特征中的相對位置，構(gòu)建編號信息并與特征塊融合嵌入，得到嵌入特征，將嵌入特征輸入對應(yīng)的編碼器，輸出目標(biāo)特征，以任一目標(biāo)特征作為當(dāng)前特征，根據(jù)編號順序，確定當(dāng)前特征對應(yīng)的編號信息之前的所有編號信息，將所有編號信息對應(yīng)的目標(biāo)特征和當(dāng)前特征相加，將得到的M個(gè)融合特征輸入預(yù)測器，根據(jù)輸出的M個(gè)概率進(jìn)行判別，得到判別結(jié)果，對多個(gè)待判別數(shù)據(jù)和參考數(shù)據(jù)的初始特征聯(lián)合判別，僅通過調(diào)整參考數(shù)據(jù)即可泛用至多場景，提高同分布判別的泛用性及效率。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，尤其涉及一種基于人工智能的數(shù)據(jù)同分布判別方法、裝置、設(shè)備及介質(zhì)。

背景技術(shù)

在智能制造領(lǐng)域，產(chǎn)品檢測通常由機(jī)器進(jìn)行智能檢測，檢測項(xiàng)包括表面缺陷檢測、產(chǎn)品尺寸檢測、產(chǎn)品標(biāo)識檢測等。其中，產(chǎn)品標(biāo)識檢測包括對產(chǎn)品標(biāo)識的內(nèi)容一致性進(jìn)行判斷，以避免標(biāo)識信息錯(cuò)誤。現(xiàn)有的標(biāo)識內(nèi)容一致性判斷方法通常采用模板匹配方法或基于深度學(xué)習(xí)的字符識別方法實(shí)現(xiàn)。

但是，模板匹配方法主要基于形狀或圖像灰度的相似度來對標(biāo)識內(nèi)容的一致性進(jìn)行判斷，因此對工況要求較為苛刻，通常需要采用復(fù)雜繁瑣的預(yù)處理來保證采集圖像和標(biāo)識模板圖像的工況參數(shù)一致，例如圖像校正、圖像灰度化等，而且泛用性較差，有時(shí)標(biāo)識形狀或標(biāo)識文本字體稍有變化，便需要重新進(jìn)行標(biāo)識模板圖像的設(shè)置。基于深度學(xué)習(xí)的字符識別方法通常先對標(biāo)識的語義信息進(jìn)行識別，再通過識別結(jié)果的比對來進(jìn)行標(biāo)識內(nèi)容一致性的判斷，相較于模板匹配方式泛用性有一定的提升，但也需要針對產(chǎn)品標(biāo)識選擇相應(yīng)的訓(xùn)練集進(jìn)行字符識別模型訓(xùn)練，模型具有局限性并且泛化能力有限，例如，當(dāng)產(chǎn)品標(biāo)識中只包含數(shù)字，則采用標(biāo)識內(nèi)由數(shù)字構(gòu)成的樣本組成訓(xùn)練集，導(dǎo)致訓(xùn)練得到的字符識別模型僅能夠在以包含數(shù)字的產(chǎn)品標(biāo)識之間進(jìn)行泛用，并且模型識別精度受光照變化和印刷字體差異等影響，若產(chǎn)品標(biāo)識中出現(xiàn)字母，則該模型難以擴(kuò)展到包含字母的產(chǎn)品標(biāo)識檢測中，需要重新采集數(shù)據(jù)訓(xùn)練模型。因此，如何提升產(chǎn)品標(biāo)識內(nèi)容一致性判斷的泛化性和效率成為亟待解決的問題。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明實(shí)施例提供了一種基于人工智能的數(shù)據(jù)同分布判別方法、裝置、設(shè)備及介質(zhì)，以解決產(chǎn)品標(biāo)識內(nèi)容一致性判斷的泛用性和效率較差的問題。

第一方面，本發(fā)明實(shí)施例提供一種基于人工智能的數(shù)據(jù)同分布判別方法，所述數(shù)據(jù)同分布判別方法包括：

獲取描述目標(biāo)產(chǎn)品信息的參考數(shù)據(jù)，獲取所述參考數(shù)據(jù)和N個(gè)待判別數(shù)據(jù)分別對應(yīng)的初始特征，將所有初始特征拼接，得到拼接特征，N為大于零的整數(shù)；

將所述拼接特征均分為M個(gè)不重疊的特征塊，針對任一個(gè)特征塊，根據(jù)所述特征塊在所述拼接特征中的相對位置，構(gòu)建對應(yīng)所述特征塊的編號信息，M為大于一的奇數(shù)；

將所述特征塊與所述編號信息進(jìn)行融合嵌入，得到對應(yīng)所述特征塊的嵌入特征，使用對應(yīng)所述特征塊的編碼器對所述嵌入特征進(jìn)行特征提取，得到對應(yīng)所述特征塊的目標(biāo)特征；

針對M個(gè)目標(biāo)特征中任一目標(biāo)特征，將所述目標(biāo)特征作為當(dāng)前特征，根據(jù)所有編號信息確定的編號順序，確定所述當(dāng)前特征對應(yīng)的編號信息之前的所有編號信息，將所有編號信息對應(yīng)的目標(biāo)特征和所述當(dāng)前特征相加，得到對應(yīng)所述目標(biāo)特征的融合特征；

使用預(yù)設(shè)的預(yù)測器分別對M個(gè)融合特征進(jìn)行預(yù)測，得到對應(yīng)融合特征的表征所述參考數(shù)據(jù)和所述N個(gè)待判別數(shù)據(jù)屬于同分布的概率，根據(jù)所述M個(gè)融合特征對應(yīng)的概率，對所述N個(gè)待判別數(shù)據(jù)和所述參考數(shù)據(jù)是否屬于同分布進(jìn)行判別，得到判別結(jié)果。

第二方面，本發(fā)明實(shí)施例提供一種基于人工智能的數(shù)據(jù)同分布判別裝置，所述數(shù)據(jù)同分布判別裝置包括：

特征獲取模塊，用于獲取描述目標(biāo)產(chǎn)品信息的參考數(shù)據(jù)，獲取所述參考數(shù)據(jù)和N個(gè)待判別數(shù)據(jù)分別對應(yīng)的初始特征，將所有初始特征拼接，得到拼接特征，N為大于零的整數(shù)；