本發(fā)明涉及圖像識別，尤其是涉及一種基站設(shè)備識別方法、裝置、設(shè)備及介質(zhì)。

背景技術(shù)：

1、基站設(shè)備識別任務(wù)是通過拍攝到的圖片識別圖片中出現(xiàn)的基站設(shè)備的具體型號，廣泛應(yīng)用于設(shè)備稽核、開站驗收等任務(wù)中?，F(xiàn)有的針對各類設(shè)備的識別技術(shù)方案大多都在提升準(zhǔn)確率上做各種各樣的改進(jìn)優(yōu)化，比如優(yōu)化損失函數(shù)、更改模型結(jié)構(gòu)等，但針對這種數(shù)量龐大，需要長期迭代優(yōu)化，迭代周期長，會極大消耗人力物力且效率低下。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基站設(shè)備識別方法、裝置、設(shè)備及介質(zhì)，用以解決現(xiàn)有基站設(shè)備識別方法識別效率低的問題。

2、為了達(dá)到上述目的，第一方面，本發(fā)明提供基站設(shè)備識別方法，包括：

3、基于旋轉(zhuǎn)檢測模型，檢測出第一圖像的第一關(guān)鍵區(qū)域，其中，所述第一圖像是針對目標(biāo)基站設(shè)備的圖像；所述第一關(guān)鍵區(qū)域包括所述目標(biāo)基站設(shè)備的標(biāo)識信息；

4、基于文字識別模型，識別出所述第一關(guān)鍵區(qū)域內(nèi)的符合設(shè)備標(biāo)識規(guī)則的第一標(biāo)識信息；

5、基于訓(xùn)練后的特征提取模型，提取所述第一關(guān)鍵區(qū)域的第一特征信息；

6、檢索預(yù)設(shè)特征庫，獲得與所述第一特征信息匹配的第二標(biāo)識信息；

7、根據(jù)所述第一標(biāo)識信息和所述第二標(biāo)識信息，確定所述目標(biāo)基站設(shè)備的標(biāo)識信息。

8、在一些實施例中，所述根據(jù)所述第一標(biāo)識信息和所述第二標(biāo)識信息，確定所述目標(biāo)基站設(shè)備的標(biāo)識信息，包括：

9、在所述第一標(biāo)識信息與所述第二標(biāo)識信息一致的情況下，將所述第一標(biāo)識信息或所述第二標(biāo)識信息確定為所述目標(biāo)基站設(shè)備的標(biāo)識信息；或者，

10、在所述第一標(biāo)識信息與所述第二標(biāo)識信息不一致，且所述文字識別模型的置信度高于所述訓(xùn)練后的特征提取模型的置信度的情況下，將所述第一標(biāo)識信息確定為所述目標(biāo)基站設(shè)備的標(biāo)識信息；或者，

11、在所述第一標(biāo)識信息與所述第二標(biāo)識信息不一致，且所述訓(xùn)練后的特征提取模型的置信度高于所述文字識別模型的置信度的情況下，將所述第二標(biāo)識信息確定為所述目標(biāo)基站設(shè)備的標(biāo)識信息。

12、在一些實施例中，所述基于旋轉(zhuǎn)檢測模型，檢測出第一圖像的第一關(guān)鍵區(qū)域，包括：

13、將所述第一圖像輸入至包圍框的邊緣感知向量bbavectors旋轉(zhuǎn)檢測模型進(jìn)行檢測，確定所述第一關(guān)鍵區(qū)域；其中，bbavectors旋轉(zhuǎn)檢測模型包括至少兩個卷積層，所述至少兩個卷積層中至少一個卷積層為空洞卷積。

14、在一些實施例中，所述方法還包括：

15、獲取由多個圖像樣本構(gòu)成的訓(xùn)練數(shù)據(jù)集；

16、利用所述訓(xùn)練數(shù)據(jù)集訓(xùn)練特征提取模型，獲得訓(xùn)練后的特征提取模型，所述特征提取模型包括多尺度特征提取器和高頻特征提取器。

17、在一些實施例中，所述利用所述訓(xùn)練數(shù)據(jù)集訓(xùn)練特征提取模型，獲得訓(xùn)練后的特征提取模型，包括：

18、將所述圖像樣本輸入至所述多尺度特征提取器，獲得第一特征圖；

19、將所述第一特征圖輸入至所述高頻特征提取器，獲得高頻特征信息；

20、將所述第一特征圖與所述高頻特征信息進(jìn)行融合處理后，獲得所述圖像樣本的預(yù)測特征信息；

21、根據(jù)目標(biāo)損失函數(shù)，訓(xùn)練所述特征提取模型，獲得訓(xùn)練后的特征提取模型；其中，所述目標(biāo)損失函數(shù)包括加性角度間隔損失函數(shù)和交叉熵?fù)p失函數(shù)，所述加性角度間隔損失函數(shù)基于所述圖像樣本的預(yù)測特征信息確定，所述交叉熵?fù)p失函數(shù)基于所述圖像樣本的預(yù)測特征信息和所述圖像樣本的真實特征信息確定。

22、在一些實施例中，所述將所述圖像樣本輸入至所述多尺度特征提取器，獲得第一特征圖，包括：

23、對所述圖像樣本進(jìn)行多尺度處理，獲得多個尺度不同的中間圖像；

24、對每個所述中間圖像分別進(jìn)行卷積操作，獲得多個尺度不同的特征圖；

25、將每個所述特征圖分別輸入至對應(yīng)的殘差模塊進(jìn)行特征提取后，執(zhí)行特征融合處理，獲得所述第一特征圖。

26、在一些實施例中，所述高頻特征提取器包括平均池化層和最鄰近插值上采樣層；

27、所述將所述第一特征圖輸入至所述高頻特征提取器，獲得高頻特征信息，包括：

28、將所述第一特征圖輸入至所述平均池化層進(jìn)行尺寸縮減處理，獲得低頻特征圖；

29、將所述低頻特征圖輸入至所述最鄰近插值上采樣層進(jìn)行放大處理，獲得放大后的低頻特征圖；

30、將所述第一特征圖減去所述放大后的低頻特征圖，獲得所述高頻特征信息。

31、在一些實施例中，所述訓(xùn)練數(shù)據(jù)集包括正樣本集合和負(fù)樣本集合，所述正樣本集合包括多個圖像正樣本，所述負(fù)樣本集合包括多個圖像負(fù)樣本；所述方法還包括：

32、在所述圖像樣本的預(yù)測特征信息與所述圖像樣本的真實特征信息不一致的情況下，確定所述圖像樣本為錯誤樣本；

33、將所述錯誤樣本加入所述負(fù)樣本集合中，獲取更新后的訓(xùn)練數(shù)據(jù)集；

34、基于所述更新后的訓(xùn)練數(shù)據(jù)集，訓(xùn)練所述特征提取模型，獲得訓(xùn)練后的特征提取模型。

35、在一些實施例中，本發(fā)明的方法還包括：

36、獲取多個第二圖像，每個所述第二圖像對應(yīng)的基站設(shè)備的型號不同；

37、針對每個所述第二圖像，基于所述旋轉(zhuǎn)檢測模型，檢測出所述第二圖像的第二關(guān)鍵區(qū)域；

38、基于所述訓(xùn)練后的特征提取模型，提取所述第二關(guān)鍵區(qū)域的第二特征信息；

39、對所述第二特征信息依次進(jìn)行歸一化、平均及過濾操作后，添加至預(yù)設(shè)特征庫內(nèi)。

40、第二方面，本發(fā)明實施例還提供一種基站設(shè)備識別裝置，包括：

41、第一檢測模塊，用于基于旋轉(zhuǎn)檢測模型，檢測出第一圖像的第一關(guān)鍵區(qū)域，其中，所述第一圖像是針對目標(biāo)基站設(shè)備的圖像；所述第一關(guān)鍵區(qū)域包括所述目標(biāo)基站設(shè)備的標(biāo)識信息；

42、文字識別模塊，用于基于文字識別模型，識別出所述第一關(guān)鍵區(qū)域內(nèi)的符合設(shè)備標(biāo)識規(guī)則的第一標(biāo)識信息；

43、第一特征提取模塊，用于基于訓(xùn)練后的特征提取模型，提取所述第一關(guān)鍵區(qū)域的第一特征信息；

44、檢索模塊，用于檢索預(yù)設(shè)特征庫，獲得與所述第一特征信息匹配的第二標(biāo)識信息；

45、第一處理模塊，用于根據(jù)所述第一標(biāo)識信息和所述第二標(biāo)識信息，確定所述目標(biāo)基站設(shè)備的標(biāo)識信息。

46、第三方面，本發(fā)明實施例還提供一種基站設(shè)備識別設(shè)備，包括處理器和收發(fā)器，所述收發(fā)器在處理器的控制下接收和發(fā)送數(shù)據(jù)，所述處理器用于執(zhí)行以下操作：

47、基于旋轉(zhuǎn)檢測模型，檢測出第一圖像的第一關(guān)鍵區(qū)域，其中，所述第一圖像是針對目標(biāo)基站設(shè)備的圖像；所述第一關(guān)鍵區(qū)域包括所述目標(biāo)基站設(shè)備的標(biāo)識信息；

48、基于文字識別模型，識別出所述第一關(guān)鍵區(qū)域內(nèi)的符合設(shè)備標(biāo)識規(guī)則的第一標(biāo)識信息；

49、基于訓(xùn)練后的特征提取模型，提取所述第一關(guān)鍵區(qū)域的第一特征信息；

50、檢索預(yù)設(shè)特征庫，獲得與所述第一特征信息匹配的第二標(biāo)識信息；

51、根據(jù)所述第一標(biāo)識信息和所述第二標(biāo)識信息，確定所述目標(biāo)基站設(shè)備的標(biāo)識信息。

52、第四方面，本發(fā)明實施例還提供一種基站設(shè)備識別設(shè)備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運(yùn)行的程序；所述處理器執(zhí)行所述程序時實現(xiàn)如第一方面所述的基站設(shè)備識別方法。

53、第五方面，本發(fā)明實施例還提供一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，該程序被處理器執(zhí)行時實現(xiàn)如第一方面所述的基站設(shè)備識別方法中的步驟。

54、第六方面，本發(fā)明實施例還提供一種計算機(jī)程序產(chǎn)品，包括計算機(jī)指令，所述計算機(jī)指令被處理器執(zhí)行時實現(xiàn)如第一方面所述的基站設(shè)備識別方法中的步驟。

55、本發(fā)明的上述技術(shù)方案至少具有如下有益效果：

56、本發(fā)明實施例中，基于旋轉(zhuǎn)檢測模型，檢測出第一圖像的第一關(guān)鍵區(qū)域，其中，第一圖像是針對目標(biāo)基站設(shè)備的圖像；第一關(guān)鍵區(qū)域包括所述目標(biāo)基站設(shè)備的標(biāo)識信息；基于文字識別模型，識別出第一關(guān)鍵區(qū)域內(nèi)的符合設(shè)備標(biāo)識規(guī)則的第一標(biāo)識信息；基于訓(xùn)練后的特征提取模型，提取第一關(guān)鍵區(qū)域的第一特征信息；檢索預(yù)設(shè)特征庫，獲得與第一特征信息匹配的第二標(biāo)識信息；根據(jù)第一標(biāo)識信息和第二標(biāo)識信息，確定所述目標(biāo)基站設(shè)備的標(biāo)識信息，這樣，通過上述處理，能夠快速識別出基站設(shè)備的型號，提升設(shè)備識別效率。