CN112700428A - 一种交换机背板元件识别方法及装置 - Google Patents
一种交换机背板元件识别方法及装置 Download PDFInfo
- Publication number
- CN112700428A CN112700428A CN202110023966.7A CN202110023966A CN112700428A CN 112700428 A CN112700428 A CN 112700428A CN 202110023966 A CN202110023966 A CN 202110023966A CN 112700428 A CN112700428 A CN 112700428A
- Authority
- CN
- China
- Prior art keywords
- backboard
- image
- switch
- position information
- training set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims description 90
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 7
- 230000009466 transformation Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/006—Mixed reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2004—Aligning objects, relative positioning of parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2016—Rotation, translation, scaling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Architecture (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种交换机背板元件识别方法及装置,获取交换机图像;将所述交换机图像输入至背板识别模型,识别得到背板在所述交换机图像中的背板位置信息;基于所述背板位置信息,确定背板图像;对所述背板图像进行矫正,得到矫正后的背板图像;将所述矫正后的背板图像输入至元件识别模型,识别得到元件在所述背板图像中的元件位置信息及元件种类。本发明实施例中利用了识别模型对交换机图像中的背板以及进一步的元件进行定位和识别,提高了对背板元件的识别效率,加快了交换机背板的虚拟化建模的处理效率。
Description
技术领域
本发明涉及工业信息技术领域,特别是涉及一种交换机背板元件识别方法及装置。
背景技术
在目前智能机房的建设中,交换机是一个重要的组成元件,机房的构建者往往为了方便对交换机的管理,需要对交换机进行虚拟建模,从而快速分配资源和定位的问题。
交换机虚拟化建模过程中,交换机背板框和交换机背板上的各个元件的定位和识别是其可视化的重要组成部分。现有技术中,识别交换机背板的元件,如:网口、电源、指示灯等,往往通过手动在绘图软件和模板设计工具中进行绘制。但是,手动绘制在面对多种不同型号的交换机背板时,都需要重新设计和绘制,费时费力,效率较低,难以满足实际的生产需求。
发明内容
针对于上述问题,本发明提供一种交换机背板元件识别方法及装置,提高了对背板元件的识别效率,加快了交换机背板的虚拟化建模的处理效率。
为了实现上述目的,本发明提供了如下技术方案:
一种交换机背板元件识别方法,包括:
获取交换机图像;
将所述交换机图像输入至背板识别模型,识别得到背板在所述交换机图像中的背板位置信息,所述背板识别模型具有将所述交换机图像对应的背板位置趋于所述交换机图像中实际的背板位置的能力;
基于所述背板位置信息,确定背板图像;
对所述背板图像进行矫正,得到矫正后的背板图像;
将所述矫正后的背板图像输入至元件识别模型,识别得到元件在所述背板图像中的元件位置信息及元件种类,所述元件识别模型具有将所述背板图像对应元件的位置和种类趋于所述背板图像中实际的元件位置和种类的能力。
可选地,所述方法还包括:
基于背板训练集,训练获得背板识别模型,包括:
获取背板训练集,所述背板训练集中包括多张标注有背板位置信息的交换机图像;
将所述背板训练集作为神经网络的训练输入,获得初始模型;
对所述初始模型进行参数调整,获得背板识别模型。
可选地,所述获取背板训练集,包括:
对每一交换机图像进行背板位置信息标注,所述背板位置信息为所述背板在所述交换机图像中目标顶点的二维坐标位置信息;
对标注好背板位置信息的交换机图像进行缩放,获得缩放后的交换机图像;
将各个缩放后的交换机图像组成背板训练集。
可选地,所述对所述背板图像进行矫正,得到矫正后的背板图像,包括:
获取所述背板图像中背板目标顶点的坐标;
将所述坐标转换为标准坐标,并将所述标准坐标对应的图像作为矫正后的背板图像。
可选地,所述方法还包括:
基于元件训练集,训练获得元件识别模型,包括:
获取元件训练集,所述元件训练集中包括多张标注有元件位置信息的背板图像;
将所述元件训练集作为神经网络的训练输入,获得初始模型;
对所述初始模型进行参数优化,获得元件识别模型。
可选地,所述获取元件训练集,包括:
在获取到的背板图像中进行裁剪,获得包括至少一个元件的子图像;
对所述子图像进行元件种类标注,获得标注后的子图像;
将所有标注后的子图像确定为元件训练集。
可选地,所述方法还包括:
基于所述元件位置信息和元件种类,绘制得到虚拟背板框。
一种交换机背板元件识别装置,包括:
获取单元,用于获取交换机图像;
第一识别单元,用于将所述交换机图像输入至背板识别模型,识别得背板在所述交换机图像中的背板位置信息,所述背板识别模型具有将所述交换机图像对应的背板位置趋于所述交换机图像中实际的背板位置的能力;
确定单元,用于基于所述背板位置信息,确定背板图像;
矫正单元,用于对所述背板图像进行矫正,得到矫正后的背板图像;
第二识别单元,用于将所述矫正后的背板图像输入至元件识别模型,识别得到元件在所述背板图像中的元件位置信息及元件种类,所述元件识别模型具有将所述背板图像对应元件的位置和种类趋于所述背板图像中实际的元件位置和种类的能力。
可选地,所述装置还包括:
第一训练单元,用于基于背板训练集,训练获得背板识别模型,所述第一训练单元包括:
第一获取子单元,用于获取背板训练集,所述背板训练集中包括多张标注有背板位置信息的交换机图像;
第一输入子单元,用于将所述背板训练集作为神经网络的训练输入,获得初始模型;
参数调整单元,用于对所述初始模型进行参数调整,获得背板识别模型。
可选地,所述第一获取子单元具体用于:
对每一交换机图像进行背板位置信息标注,所述背板位置信息为所述背板在所述交换机图像中目标顶点的二维坐标位置信息;
对标注好背板位置信息的交换机图像进行缩放,获得缩放后的交换机图像;
将各个缩放后的交换机图像组成背板训练集。
可选地,所述矫正单元包括:
第二获取子单元,用于获取所述背板图像中背板目标顶点的坐标;
转换子单元,用于将所述坐标转换为标准坐标,并将所述标准坐标对应的图像作为矫正后的背板图像。
可选地,所述装置还包括:
第二训练单元,用于基于元件训练集,训练获得元件识别模型,所述第二训练单元,包括:
第三获取子单元,用于获取元件训练集,所述元件训练集中包括多张标注有元件位置信息的背板图像;
第二输入子单元,用于将所述元件训练集作为神经网络的训练输入,获得初始模型;
参数优化子单元,用于对所述初始模型进行参数优化,获得元件识别模型。
可选地,所述第三获取子单元具体用于:
在获取到的背板图像中进行裁剪,获得包括至少一个元件的子图像;
对所述子图像进行元件种类标注,获得标注后的子图像;
将所有标注后的子图像确定为元件训练集。
可选地,所述装置还包括:
绘制单元,用于基于所述元件位置信息和元件种类,绘制得到虚拟背板框。
一种存储介质,所述存储介质存储有可执行指令,所述指令被处理器执行时实现如上任意一项所述的交换机背板元件识别方法。
一种电子设备,包括:存储器,用于存储程序;处理器,用于执行所述程序,所述程序具体用于实现如上任意一项所述的交换机背板元件识别方法。
相较于现有技术,本发明提供了一种交换机背板元件识别方法及装置,获取交换机图像;将所述交换机图像输入至背板识别模型,识别得到背板在所述交换机图像中的背板位置信息;基于所述背板位置信息,确定背板图像;对所述背板图像进行矫正,得到矫正后的背板图像;将所述矫正后的背板图像输入至元件识别模型,识别得到元件在所述背板图像中的元件位置信息及元件种类。本发明实施例中利用了识别模型对交换机图像中的背板以及进一步的元件进行定位和识别,提高了对背板元件的识别效率,加快了交换机背板的虚拟化建模的处理效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种交换机背板元件识别方法的流程示意图;
图2为本发明实施例提供的一种交换机背板元件识别装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有设定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
在本发明实施例中提供了一种交换机背板元件识别方法,该方法是基于深度学习的神经网络模型试下的,通过交换机背板图片完成对背板和背板元件的定位和是被,从而快速形成交换机背板的虚拟化建模。
参见图1,其示出了本发明实施例提供的一种交换机背板元件识别方法的流程示意图,该方法可以包括以下步骤:
S101、获取交换机图像。
其中,交换机图像是指交换机背板图像的图片,即可以是对当前交换机进行拍照获得的图像,也可以是截取的包括背板部分的交换机图像。需要说明的是,为了便于背板识别模型的处理,可以在获得交换机图像之后对其进行格式调整,使得调整后的图片能够便于识别,如图片的缩放等处理。
S102、将所述交换机图像输入至背板识别模型,识别得到背板在所述交换机图像中的背板位置信息。
所述背板识别模型具有将所述交换机图像对应的背板位置趋于所述交换机图像中实际的背板位置的能力。即背板识别模型是对背板位置信息进行深度学习的神经网络模型,可以对图像中背板框所在位置进行识别。其中,背板位置信息可以是背板框在图像中的位置。
S103、基于所述背板位置信息,确定背板图像。
S104、对所述背板图像进行矫正,得到矫正后的背板图像。
在获得了背板在交换图像中的位置信息后,可以基于该位置信息进行背板所在图像的截取,获得背板图像。然后对背板图像进行矫正,使得矫正后的图像能够便于后续模型的处理。如坐标转换、比例缩放等。
S105、将所述矫正后的背板图像输入至元件识别模型,识别得到元件在所述背板图像中的元件位置信息及元件种类。
所述元件识别模型具有将所述背板图像对应元件的位置和种类趋于所述背板图像中实际的元件位置和种类的能力。即该元件识别模型能够对图像中的元件位置和种类信息进行学习,从而使得训练后能够自动识别元件的种类和相应位置。
本发明实施例提供了一种交换机背板元件识别方法,获取交换机图像;将所述交换机图像输入至背板识别模型,识别得到背板在所述交换机图像中的背板位置信息;基于所述背板位置信息,确定背板图像;对所述背板图像进行矫正,得到矫正后的背板图像;将所述矫正后的背板图像输入至元件识别模型,识别得到元件在所述背板图像中的元件位置信息及元件种类。本发明实施例中利用了识别模型对交换机图像中的背板以及进一步的元件进行定位和识别,提高了对背板元件的识别效率,加快了交换机背板的虚拟化建模的处理效率。
下面对本发明实施例中的背板识别模型和元件识别模型进行说明。
在本发明实施例中还包括基于背板训练集,训练获得背板识别模型,包括:
获取背板训练集,所述背板训练集中包括多张标注有背板位置信息的交换机图像;
将所述背板训练集作为神经网络的训练输入,获得初始模型;
对所述初始模型进行参数调整,获得背板识别模型。
在一种可能的实施方式中,所述获取背板训练集,包括:
对每一交换机图像进行背板位置信息标注,所述背板位置信息为所述背板在所述交换机图像中目标顶点的二维坐标位置信息;对标注好背板位置信息的交换机图像进行缩放,获得缩放后的交换机图像;将各个缩放后的交换机图像组成背板训练集。其中,目标顶点可以是背板的左上、右上、右下、左下的顶点。
具体的,在对背板识别模型进行训练时,可以准备一定数量的交换机背板图像图片,并且标注好背板框在图像中的位置,若有多个交换机背板,则需要标注多个背板的位置。由于深度学习模型需要大量的图片作为训练样本,可以通过真实的交换机进行拍摄获得交换机图像,也可以从厂商提供的说明书、网站上获得对应的交换机背板图像。
在本发明实施例中标注方式优选四点标注,需要标注背板的(左上、右上、右下、左下)四个点在图片的具体二维坐标位置(x,y),也就是每个背板框需要八个数字的标注信息。为了后续元件识别模型的训练,也可以在交换机背板的元件位置(如网口、指示灯等)也在对背板框进行标注的同时进行标注,标注方法和背板框一致。
为了便于后续模型的训练,可以使得模型训练要求输入的图像为同一尺寸。因此,将标注后的图像及需要输入神经网络的图像等比例缩放到长边224ptx的分辨率下,然后将短边补黑边也补充到224ptx,这样就形成一个224x224的正方形图片用来作为训练的输入。需要说明的是,背板位置标注也需要跟随缩放比例进行适应,上面数值仅是以本发明使用的神经网络模型为例设置的,可以根据实际需求进行灵活设置,对此不进行说明。
由于交换机背板在交换机图像中的比例较大,在本发明实施例中优选12层的神经网络结构,其中第1,4,7,9,11层为stride为2的下采样层,经过12层网络的前馈后,输特征图为7x7的特征图。在7x7的特征图上后面分别连接一个7x7x2的分类模块用来进行背板框置信度判断,和一个7x7x8的回归模块用来输出背板框的具***置。
可以采用梯度下降法进行神经网络的参数优化,即输入图片经过神经网络前馈之后,得到的7x7特征图,该特征图上的每个特征点分别对应原图中(224/7*224/7)的区域,若原图中该区域确实存在交换机背板,且交并比(IOU)大于0.7,则该特征图的分类标签为1,否则为0。若分类标签为1,则该点的回归标签为具体的背板位置,回归模块需要计算着一区域的回归Loss;若为0,则该点不进行回归任务的训练。通过使用交叉熵Loss对于分类模块进行训练,使用L2Loss对回归模块进行训练。两个模块反馈的梯度都会对整个结构进行迭代的优化。
对背板识别模型的利用过程如下:
输入图像为待识别的交换机图像,将输入图像等比例长边resize到224ptx(短边无需补黑变),作为背板识别模型的网络的输入;网络前馈获得分类和回归模块的输出;根据分类模块和回归模块选出候选区域和对应的候选框;(卡阈值,如0.6,获取高置信度的候选框,这一步需要注意的是,记得把候选框重新scale到原始的大小)然后使用NMS(非极大值抑制)合并候选框,获得最终的背板整体框的位置。
在本发明实施例中还提供了一种图片矫正的方法,可以应用在对背板图像进行矫正的过程中,具体包括:
获取所述背板图像中背板目标顶点的坐标;
将所述坐标转换为标准坐标,并将所述标准坐标对应的图像作为矫正后的背板图像。
举例说明,背板图片矫正:降背板框回归出来的背板坐标(p0,p1,p2,p3)通过透视变换映射到标准坐标((0,0),(0,max_height),(max_width,0),(max_width,max_height))上,从而可以获得一个交换机背板的正视图。其中,max_height和max_width指四边形中的最长高度和最长宽度。透视变换是一种图像变换,用来矫正由于拍摄视角导致的形变
背板图片调整大小(resize):将矫正之后的背板图像,按照比例长边resize成640的图像。
在本发明实施例中还提供了基于元件训练集,训练获得元件识别模型的方法,其中,元件训练集中包括多张标注有元件位置信息的背板图像。然后将元件训练集作为神经网络的训练输入,获得初始模型,对初始模型进行参数优化,获得元件识别模型。其中,所述获取元件训练集,包括:在获取到的背板图像中进行裁剪,获得包括至少一个元件的子图像;对所述子图像进行元件种类标注,获得标注后的子图像;将所有标注后的子图像确定为元件训练集。
首先,在调整大小后的背板图像上,随机裁剪一个224x224图像作为训练的输入(要求必须包含一个或多个元件,同时标注信息切记也要做同样的多种变换,以保证可以匹配输入的训练图像)。
考虑到交换机背板元件的特性(在图片中的比例较小),我们使用12层的神经网络结构,其中第1,4,7,9,11层为stride为2的下采样层,经过12层网络的前馈后,输特征图为28x28(7层),14x14(9层),7x7(11层)的特征图,将9层和7层的输出resize成28x28的特征图,然后将(7,9,11)层的特征串联(concat)起来。在28x28的特征图上后面分别连接一个输出为28x28x2的分类模块和一个输出为28x28x8的回归模块。
使用梯度下降法进行神经网络的参数调优,具体调优方法和背板框的参数调优方法一致,此处不进行赘述。
对元件识别模型的利用过程与背板识别模型的使用过程类似,在该实施例中不进行赘述。
将调整大小之后的长边640的图像作为输入,然后根据分类模块和回归模块选出候选区域和对应的候选框,然后使用NMS(非极大值抑制)合并候选框,获得最终的背板整体框的位置。需要说明的是,由于检测模块是全卷积结构,所以使用过程中回归和分类模块的输出不是训练时候的28x28x2/8,而是和输入大小相关的,比如如果输入是448,那么这一步分类和回归模块的输出大小就是56x56x2/8。最后根据检测的元件位置和种类,绘制虚拟背板框,实现交换机背板的虚拟化建模。
参见图2,在本发明实施例中还提供了一种交换机背板元件识别装置,包括:
获取单元10,用于获取交换机图像;
第一识别单元20,用于将所述交换机图像输入至背板识别模型,识别得背板在所述交换机图像中的背板位置信息,所述背板识别模型具有将所述交换机图像对应的背板位置趋于所述交换机图像中实际的背板位置的能力;
确定单元30,用于基于所述背板位置信息,确定背板图像;
矫正单元40,用于对所述背板图像进行矫正,得到矫正后的背板图像;
第二识别单元50,用于将所述矫正后的背板图像输入至元件识别模型,识别得到元件在所述背板图像中的元件位置信息及元件种类,所述元件识别模型具有将所述背板图像对应元件的位置和种类趋于所述背板图像中实际的元件位置和种类的能力。
本发明提供了一种交换机背板元件识别装置,获取单元获取交换机图像;第一识别单元将所述交换机图像输入至背板识别模型,识别得到背板在所述交换机图像中的背板位置信息;确定单元基于所述背板位置信息,确定背板图像;矫正单元对所述背板图像进行矫正,得到矫正后的背板图像;第二识别单元将所述矫正后的背板图像输入至元件识别模型,识别得到元件在所述背板图像中的元件位置信息及元件种类。本发明实施例中利用了识别模型对交换机图像中的背板以及进一步的元件进行定位和识别,提高了对背板元件的识别效率,加快了交换机背板的虚拟化建模的处理效率。
可选地,所述装置还包括:
第一训练单元,用于基于背板训练集,训练获得背板识别模型,所述第一训练单元包括:
第一获取子单元,用于获取背板训练集,所述背板训练集中包括多张标注有背板位置信息的交换机图像;
第一输入子单元,用于将所述背板训练集作为神经网络的训练输入,获得初始模型;
参数调整单元,用于对所述初始模型进行参数调整,获得背板识别模型。
可选地,所述第一获取子单元具体用于:
对每一交换机图像进行背板位置信息标注,所述背板位置信息为所述背板在所述交换机图像中目标顶点的二维坐标位置信息;
对标注好背板位置信息的交换机图像进行缩放,获得缩放后的交换机图像;
将各个缩放后的交换机图像组成背板训练集。
可选地,所述矫正单元包括:
第二获取子单元,用于获取所述背板图像中背板目标顶点的坐标;
转换子单元,用于将所述坐标转换为标准坐标,并将所述标准坐标对应的图像作为矫正后的背板图像。
可选地,所述装置还包括:
第二训练单元,用于基于元件训练集,训练获得元件识别模型,所述第二训练单元,包括:
第三获取子单元,用于获取元件训练集,所述元件训练集中包括多张标注有元件位置信息的背板图像;
第二输入子单元,用于将所述元件训练集作为神经网络的训练输入,获得初始模型;
参数优化子单元,用于对所述初始模型进行参数优化,获得元件识别模型。
可选地,所述第三获取子单元具体用于:
在获取到的背板图像中进行裁剪,获得包括至少一个元件的子图像;
对所述子图像进行元件种类标注,获得标注后的子图像;
将所有标注后的子图像确定为元件训练集。
可选地,所述装置还包括:
绘制单元,用于基于所述元件位置信息和元件种类,绘制得到虚拟背板框。
在本发明实施例中还提供了一种存储介质,所述存储介质存储有可执行指令,所述指令被处理器执行时实现如上任意一项所述的交换机背板元件识别方法。
在本发明实施例中还提供了一种电子设备,包括:存储器,用于存储程序;处理器,用于执行所述程序,所述程序具体用于实现如上任意一项所述的交换机背板元件识别方法。
需要说明的是,上述处理器或CPU可以为特定用途集成电路(ApplicationSpecific Integrated Circuit,ASIC)、数字信号处理器(Digital Signal Processor,DSP)、数字信号处理装置(Digital Signal Processing Device,DSPD)、可编程逻辑装置(Programmable Logic Device,PLD)、现场可编程门阵列(Field Programmable GateArray,FPGA)、中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地,实现上述处理器功能的电子器件还可以为其它,本申请实施例不作具体限定。
需要说明的是,上述计算机存储介质/存储器可以是只读存储器(Read OnlyMemory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory,FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory,CD-ROM)等存储器;也可以是包括上述存储器之一或任意组合的各种终端,如移动电话、计算机、平板设备、个人数字助理等。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元,即可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能单元可以全部集成在一个处理模块中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所提供的几个方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种交换机背板元件识别方法,其特征在于,包括:
获取交换机图像;
将所述交换机图像输入至背板识别模型,识别得到背板在所述交换机图像中的背板位置信息,所述背板识别模型具有将所述交换机图像对应的背板位置趋于所述交换机图像中实际的背板位置的能力;
基于所述背板位置信息,确定背板图像;
对所述背板图像进行矫正,得到矫正后的背板图像;
将所述矫正后的背板图像输入至元件识别模型,识别得到元件在所述背板图像中的元件位置信息及元件种类,所述元件识别模型具有将所述背板图像对应元件的位置和种类趋于所述背板图像中实际的元件位置和种类的能力。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于背板训练集,训练获得背板识别模型,包括:
获取背板训练集,所述背板训练集中包括多张标注有背板位置信息的交换机图像;
将所述背板训练集作为神经网络的训练输入,获得初始模型;
对所述初始模型进行参数调整,获得背板识别模型。
3.根据权利要求2所述的方法,其特征在于,所述获取背板训练集,包括:
对每一交换机图像进行背板位置信息标注,所述背板位置信息为所述背板在所述交换机图像中目标顶点的二维坐标位置信息;
对标注好背板位置信息的交换机图像进行缩放,获得缩放后的交换机图像;
将各个缩放后的交换机图像组成背板训练集。
4.根据权利要求1所述的方法,其特征在于,所述对所述背板图像进行矫正,得到矫正后的背板图像,包括:
获取所述背板图像中背板目标顶点的坐标;
将所述坐标转换为标准坐标,并将所述标准坐标对应的图像作为矫正后的背板图像。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于元件训练集,训练获得元件识别模型,包括:
获取元件训练集,所述元件训练集中包括多张标注有元件位置信息的背板图像;
将所述元件训练集作为神经网络的训练输入,获得初始模型;
对所述初始模型进行参数优化,获得元件识别模型。
6.根据权利要求5所述的方法,其特征在于,所述获取元件训练集,包括:
在获取到的背板图像中进行裁剪,获得包括至少一个元件的子图像;
对所述子图像进行元件种类标注,获得标注后的子图像;
将所有标注后的子图像确定为元件训练集。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述元件位置信息和元件种类,绘制得到虚拟背板框。
8.一种交换机背板元件识别装置,其特征在于,包括:
获取单元,用于获取交换机图像;
第一识别单元,用于将所述交换机图像输入至背板识别模型,识别得背板在所述交换机图像中的背板位置信息,所述背板识别模型具有将所述交换机图像对应的背板位置趋于所述交换机图像中实际的背板位置的能力;
确定单元,用于基于所述背板位置信息,确定背板图像;
矫正单元,用于对所述背板图像进行矫正,得到矫正后的背板图像;
第二识别单元,用于将所述矫正后的背板图像输入至元件识别模型,识别得到元件在所述背板图像中的元件位置信息及元件种类,所述元件识别模型具有将所述背板图像对应元件的位置和种类趋于所述背板图像中实际的元件位置和种类的能力。
9.一种存储介质,其特征在于,所述存储介质存储有可执行指令,所述指令被处理器执行时实现如权利要求1-7中任意一项所述的交换机背板元件识别方法。
10.一种电子设备,其特征在于,包括:
存储器,用于存储程序;
处理器,用于执行所述程序,所述程序具体用于实现如权利要求1-7中任意一项所述的交换机背板元件识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110023966.7A CN112700428A (zh) | 2021-01-08 | 2021-01-08 | 一种交换机背板元件识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110023966.7A CN112700428A (zh) | 2021-01-08 | 2021-01-08 | 一种交换机背板元件识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112700428A true CN112700428A (zh) | 2021-04-23 |
Family
ID=75513459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110023966.7A Pending CN112700428A (zh) | 2021-01-08 | 2021-01-08 | 一种交换机背板元件识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112700428A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821272A (zh) * | 2022-06-28 | 2022-07-29 | 上海蜜度信息技术有限公司 | 图像识别方法、***、介质、电子设备及目标检测模型 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012185688A (ja) * | 2011-03-07 | 2012-09-27 | Furukawa Information Technology Kk | 文字認識方法、文字認識装置及びプログラム |
CN109635875A (zh) * | 2018-12-19 | 2019-04-16 | 浙江大学滨海产业技术研究院 | 一种基于深度学习的端到端网口检测方法 |
CN110009530A (zh) * | 2019-04-16 | 2019-07-12 | 国网山西省电力公司电力科学研究院 | 一种适用于便携式电力巡检的神经网络***和方法 |
CN110674808A (zh) * | 2019-08-28 | 2020-01-10 | 国网天津市电力公司电力科学研究院 | 一种变电站压板状态智能识别方法及装置 |
CN110827249A (zh) * | 2019-10-28 | 2020-02-21 | 上海悦易网络信息技术有限公司 | 电子设备背板外观瑕疵检测方法及设备 |
CN111428875A (zh) * | 2020-03-11 | 2020-07-17 | 北京三快在线科技有限公司 | 图像识别方法、装置及相应模型训练方法、装置 |
-
2021
- 2021-01-08 CN CN202110023966.7A patent/CN112700428A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012185688A (ja) * | 2011-03-07 | 2012-09-27 | Furukawa Information Technology Kk | 文字認識方法、文字認識装置及びプログラム |
CN109635875A (zh) * | 2018-12-19 | 2019-04-16 | 浙江大学滨海产业技术研究院 | 一种基于深度学习的端到端网口检测方法 |
CN110009530A (zh) * | 2019-04-16 | 2019-07-12 | 国网山西省电力公司电力科学研究院 | 一种适用于便携式电力巡检的神经网络***和方法 |
CN110674808A (zh) * | 2019-08-28 | 2020-01-10 | 国网天津市电力公司电力科学研究院 | 一种变电站压板状态智能识别方法及装置 |
CN110827249A (zh) * | 2019-10-28 | 2020-02-21 | 上海悦易网络信息技术有限公司 | 电子设备背板外观瑕疵检测方法及设备 |
CN111428875A (zh) * | 2020-03-11 | 2020-07-17 | 北京三快在线科技有限公司 | 图像识别方法、装置及相应模型训练方法、装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821272A (zh) * | 2022-06-28 | 2022-07-29 | 上海蜜度信息技术有限公司 | 图像识别方法、***、介质、电子设备及目标检测模型 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765278B (zh) | 一种图像处理方法、移动终端及计算机可读存储介质 | |
CN109815843B (zh) | 图像处理方法及相关产品 | |
KR20180104609A (ko) | 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법, 시스템, 기기 및 판독 가능 저장매체 | |
EP3806064A1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN109166156B (zh) | 一种摄像头标定图像的生成方法、移动终端及存储介质 | |
CN106971185B (zh) | 一种基于全卷积网络的车牌定位方法及装置 | |
CN113239982A (zh) | 检测模型的训练方法、目标检测方法、装置和电子*** | |
CN111310746B (zh) | 文本行检测方法、模型训练方法、装置、服务器及介质 | |
CN110659596A (zh) | 案管场景下人脸关键点定位方法、计算机存储介质及设备 | |
CN109348731A (zh) | 一种图像匹配的方法及装置 | |
CN111223065A (zh) | 图像矫正方法、不规则文本识别方法、装置、存储介质和设备 | |
CN113780201B (zh) | 手部图像的处理方法及装置、设备和介质 | |
CN113283355A (zh) | 一种表格图像的识别方法、装置、计算机设备及存储介质 | |
CN110443245A (zh) | 一种非限制场景下的车牌区域的定位方法、装置及设备 | |
CN111583381A (zh) | 游戏资源图的渲染方法、装置及电子设备 | |
CN112464798A (zh) | 文本识别方法及装置、电子设备、存储介质 | |
CN112802126A (zh) | 一种标定方法、装置、计算机设备和存储介质 | |
CN111488930A (zh) | 分类网络的训练方法、目标检测方法、装置和电子设备 | |
CN114387199A (zh) | 图像标注方法及装置 | |
US20200211413A1 (en) | Method, apparatus and terminal device for constructing parts together | |
CN112700428A (zh) | 一种交换机背板元件识别方法及装置 | |
CN111797715A (zh) | 车位检测方法、装置、电子设备及存储介质 | |
CN115457202B (zh) | 一种三维模型更新的方法、装置及存储介质 | |
CN112396057A (zh) | 一种字符识别方法、装置及电子设备 | |
CN113362227B (zh) | 图像处理方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Wang Peng Inventor after: Yang Xiao Inventor after: Wang Junyan Inventor after: Wang Daojia Inventor after: Yang Chengfei Inventor after: Cluster Inventor before: Wang Junyan Inventor before: Wang Daojia Inventor before: Yang Chengfei Inventor before: Cluster |