一种基于机器视觉的图像识别模型持续优化系统的制作方法

1.本发明涉及机器视觉领域，尤其涉及一种基于机器视觉的图像识别模型持续优化系统。


背景技术：

2.随着时代的发展，以机器视觉技术为基础的智能巡检应用在很多场景下已经代替传统的人工巡检，伴随着智能巡检场景的日益增多，对图像识别模型的定制化场景化要求也逐渐提高，通用图像识别模型的效果也愈发无法满足各类场景的需求。
3.在传统的应用场景下，模型构建和智能巡检的日常过程是割裂的两套体系，即智能巡检系统只负责日常基于图像识别的巡检工作，智能巡检系统所依赖的场景化模型的生产和优化又是在另外一个体系内完成，完成之后再部署到智能巡检系统内进行工作，这样的一个工作方式，效率低，成本高，同时也是对资源的极大浪费。


技术实现要素：

4.本发明就是针对以上不足，为基于机器视觉的智能巡检系统的模型优化提供一种基于机器视觉的图像识别模型持续优化系统，以解决智能巡检场景中识别模型不能持续智能优化和更新的问题。
5.为达到上述目的，本发明的技术方案具体是这样实现的：
6.本发明公开了一种基于机器视觉的图像识别模型持续优化系统，包括智能巡检模块、识别图像管理模块、智能标注图片与模型管理模块、模型自动构建优化模块和模型自动更新部署模块，所述智能巡检模块、识别图像管理模块、模型自动构建优化模块和模型自动更新部署模块均与智能标注图片与模型管理模块连接，智能巡检模块基于接入视频或图像按特定模型和规则进行巡检并将指定识别图像上报，识别图像管理模块对智能巡检模块上报的带识别结果的图片进行维护和管理，智能标注图片与模型管理模块对识别图像管理模块上报的误识别图片进行核验和确定，并对误识别图片进行重新标注和标注核验，模型自动构建优化模块基于重新标注后的素材图片进行调优并构建图像识别模型，模型自动更新部署模块将更新后的模型重新部署到智能巡检模块中，持续自动重复整个过程，完成图像识别模型持续优化，通过该方法，降低图像识别模型优化成本，提高图像识别模型优化效率，构建出一个完善的图像识别模型的自动化持续优化系统。
7.作为本发明进一步的方案，所述智能巡检模块中分为两大核心部分，分别为巡检逻辑部分和识别模型部分，对于巡检逻辑部分，需要对视频或图片的接入和输出进行逻辑定义，从外部的采集设备或系统获取视频或图片，并将这些图片送入系统内部依托模型进行推理，并按照定义好的逻辑将输出结果进行输出，输出的内容为报告消息，消息图片，消息图片内识别出来的识别对象的位置信息或带标注框的图片，而模型部分则是定义图片或视频内需要识别什么对象的核心部件，简而言之，有什么模型巡检逻辑才能根据模型定义巡检不同的内容。
8.作为本发明进一步的方案，所述识别图像管理模块会将智能巡检模块中输出的消息进行存储和管理，本模块所管理的图片和消息将会是本系统的核心数据源，在这些结论数据的基础上，我们依赖人工智能手段，即让模型之间互相进行检测和人工上报的方式，将智能巡检模块中，模型识别错误的部分筛选出来，并将这些筛选出来的误识别图片输出到智能标注图片与模型管理模块中。
9.作为本发明进一步的方案，智能标注图片与模型管理模块是本系统的中枢模块，其他四个模块均会与本模块进行交互，智能标注图片与模型管理模块从智能巡检模块和识别图像管理模块获取标注为异常的源图片数据与相关信息，并对这些识别异常的图片进行二次处理，在智能标注图片与模型管理模块内，首先拥有智能标注能力，即针对特定识别对象，可以对图片素材进行人工智能标注，标注之后再由人工进行核验和优化，优化之后将标注好的图片输出到模型自动构建优化模块对模型进行训练，并将训练结果模型获取过来进行历史版本管理。
10.作为本发明进一步的方案，模型自动构建优化模块获取标注图片，针对模型上报的误识别特点，智能化调整参数和投喂图片素材，自动化训练模型，并将训练生成的模型输出到模型自动更新部署模块。
11.作为本发明进一步的方案，模型自动更新部署模块对模型进行管理，既保证了模型自动更新部署模块将接收到的模型在智能巡检模块中进行部署，并将特定版本传输到智能标注图片与模型管理模块，如果部署遇到问题或者模型在使用过程中遇到重大问题，可以从智能标注图片与模型管理模块中获取历史版本进行回滚部署或者选择指定版本进行部署。
12.作为本发明进一步的方案，本发明公开了一种基于机器视觉的图像识别模型持续优化系统，通过持续集成的方式，对模型再巡检应用中误识别图片进行追踪，处理和优化模型，通过环环相扣的集成方案，保证整个系统在使用过程中，模型识别效果持续优化，能够迅速适应各类智能巡检场景，提高效率，降低场景复制成本。
附图说明
13.为了更清楚地说明本发明实施例的技术方案，下面将对实施例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一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
14.图1为本发明实施例提供的系统框图。
具体实施方式
15.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
16.参见图1，本发明公开了一种基于机器视觉的图像识别模型持续优化系统，包括智能巡检模块、识别图像管理模块、智能标注图片与模型管理模块、模型自动构建优化模块和
模型自动更新部署模块，所述智能巡检模块、识别图像管理模块、模型自动构建优化模块和模型自动更新部署模块均与智能标注图片与模型管理模块连接，智能巡检模块基于接入视频或图像按特定模型和规则进行巡检并将指定识别图像上报，识别图像管理模块对智能巡检模块上报的带识别结果的图片进行维护和管理，智能标注图片与模型管理模块对识别图像管理模块上报的误识别图片进行核验和确定，并对误识别图片进行重新标注和标注核验，模型自动构建优化模块基于重新标注后的素材图片进行调优并构建图像识别模型，模型自动更新部署模块将更新后的模型重新部署到智能巡检模块中，持续自动重复整个过程，完成图像识别模型持续优化，通过该方法，降低图像识别模型优化成本，提高图像识别模型优化效率，构建出一个完善的图像识别模型的自动化持续优化系统。
17.优选的，智能巡检模块可以从监控摄像头，个人可穿戴设备，行车记录仪，无人机和云端服务器等设备获取视频流或图片流，这些流文件往往来自于特定的位置或者场景，于是这些流文件会根据其属性类型、位置特征或所属场景被传输到对应的场景化模型进行处理，在处理过程中，智能巡检模块逻辑会将图片中识别出来的各类对象按照一定的规则定位为各种类型的消息，并将指定的包含图片，文本及图像信息的消息输出到识别图像管理模块。
18.优选的，识别图像管理模块获取到消息之后，会对用户展示，当用户发现这些识别图片有误识别，可以在系统中将这些图片进行标记为误识别图片类型，同时可以将这些素材输出到其他类似模型中进行交叉验证，判定对象是否识别正确，如识别验证结果与识别结果不符合，也会被标记为误识别图片类型，这些被标记的图片会输出到智能标注图片与模型管理模块。
19.优选的，智能标注图片与模型管理模块获取到误识别图片之后，需要对这些图片基于特定模型进行二次智能标注，标注完成后会让用户进行人工核验，如果标注有误，则会人工进行干预和调整，最终保证输出的标记图片都是符合项目需求的模型素材，同时当模型生成之后，会反向输出会本模块，本模块会对模式生成的所有版本进行维护管理，以供自动化部署和各版本模型的灵活部署。
20.优选的，模型自动构建优化模块获取到标记图片之后，会自动训练模型，在这个过程中，一般不需要人工进行参数调整，本模块会将所有素材分割成两份，一份用于模型构建，另一份用于模型效果验证，最终本模块会将生成模型和模型置信度等属性标签输出到模型自动更新部署模块。
21.优选的，模型自动更新部署模块获取到模型和模型属性标签之后，会对模型属性进行判断，如果符合部署标准，会将模型部署到智能巡检模块，并将之输出到智能标注图片与模型管理模块进行存储，如果模型不符合部署要求，则会将结果输出到智能标注图片与模型管理模块，并将质量信息提供给用户。
22.以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。