[发明专利]一种基于特征匹配网络的小样本仪表盘图像识别方法在审

专利信息
申请号: 202111588513.5 申请日: 2021-12-23
公开(公告)号: CN114462478A 公开(公告)日: 2022-05-10
发明(设计)人: 姚楠;赵雨希;刘子全;吴曦;王真;单光瑞;秦剑华;潘建亚;朱雪琼;薛海 申请(专利权)人: 国网江苏省电力有限公司电力科学研究院;国网江苏省电力有限公司;江苏省电力试验研究院有限公司
主分类号: G06K9/62 分类号: G06K9/62;G06N3/04;G06N3/08;G06V10/75;G06V10/74;G06V10/774;G06V10/764;G06V10/82
代理公司: 苏州市中南伟业知识产权代理事务所(普通合伙) 32257 代理人: 刘卉
地址: 211103 江*** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 特征 匹配 网络 样本 仪表盘 图像 识别 方法
【说明书】:

发明公开一种基于特征匹配网络的小样本仪表盘图像识别方法,具体步骤如下:步骤1:获取仪表盘图像数据集;步骤2:采用特征匹配模块提取步骤1获取的仪表盘图像数据集中的原始特征,构建预测函数g(q,s);步骤3:使用训练集对CFM网络模型进行训练;步骤4:迭代执行步骤2和步骤3,直至达到迭代次数完成训练,采用训练好的CFM网络模型进行仪表盘损坏检测。本发明通过采用特征匹配模块,能够将比较图像之间具有高度相关性的特征关联起来,并鼓励模型更多地关注这些特征,从而推广到查询图像和支持图像之间存在较大的类内变化,减小无关噪声的影响,以应对少量镜头学习挑战。

技术领域

本发明涉及图像处理领域,尤其涉及一种基于特征匹配网络的小样本仪表盘图像识别方法。

背景技术

与传统的图像识别需要从大量图像中学习的参数模型,该类别数据量较少,这意味着,由于缺乏足够的支持信息,分类器需要准确地评估相似度。

但是在仪表盘识别过程中,由于仪表盘颜色,型号不同,破损的仪表盘和完好的仪表盘在图像处理的角度下差异并不明显,难免会出现很多噪声,尤其是在样本量较少的情况下。

通过特征匹配模块更多地关注比较图像之间具有高相关性的特征,该特征匹配块可以将相关特征对齐在一起,并尽量忽略一些不相关的特征。通过在少镜头识别网络的不同层中应用所提出的特征匹配块,可以将比较图像中的多尺度信息合并到最终的级联匹配特征中,从而进一步提高识别性能,并通过关系学习得到更好的泛化。

发明内容

为解决现有技术中的不足,本发明提供一种基于特征匹配网络的小样本仪表盘图像识别方法,通过对每个位置的特征的相似性匹配来比较图像的特征,即来自同一类别的对象相对应的两个位置将获得高度匹配,解决了由于数据样本较少所带来的支持信息不足,差异性较小的问题。

本发明中主要采用的技术方案为:

一种基于特征匹配网络的小样本仪表盘图像识别方法,具体步骤如下:

步骤1:获取仪表盘图像数据集;

步骤2:采用特征匹配模块提取步骤1获取的仪表盘图像数据集中的原始特征,构建预测函数g(q,s);

步骤3:使用训练集对CFM网络模型进行训练;

步骤4:迭代执行步骤2和步骤3,直至达到迭代次数完成训练,采用训练好的CFM网络模型进行仪表盘损坏检测。

优选地,所述步骤2中的特征匹配模块的结构如下:

所述特征匹配模块包括两个输入,查询图像集和支持图像集,所述查询图像集和支持图像集的大小均H×W×C,所述查询图像集采用1×1×Cm的卷积核η映射得到结果η(q),所述支持图像集采用1×1×Cm的卷积核映射得到的结果为,所述支持图像集采用1×1×Cm大小的卷积核ω映射得到结果ω(s),分别将η(q)和展开为二维矩阵,并进行矩阵乘积和softmax操作,最终得到h(q,s),如公式(1)所示:

式中,η(q)和展开后,每一行都代表一个被提取到的特征,因此,查询图像集的第i个特征与支持图像集的第j个特征的相似性如公式(2)所示:

随后,将ω(s)展开为二维矩阵,再通过与h(q,s)的矩阵乘法得到最终的匹配特征如公式(3)所示:

g(q,s)=h(q,s)ω(s) (3);

那么,g(q,s)中单个位置的特征如公式(4)所示:

其中,ω(sj)表示为ω(s)的第j个特征;

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于国网江苏省电力有限公司电力科学研究院;国网江苏省电力有限公司;江苏省电力试验研究院有限公司,未经国网江苏省电力有限公司电力科学研究院;国网江苏省电力有限公司;江苏省电力试验研究院有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202111588513.5/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top