(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111638755.0 (22)申请日 2021.12.2 9 (71)申请人 天翼物联科技有限公司 地址 510335 广东省广州市海珠区 阅江西 路366号广报中心南塔21层 (72)发明人 柳博　孔勇平　钟致民　张英全　 陈博　余冬苹　曾金梁　钟培勋　 程绪猛　许旭薇　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 代理人 郑宏谋 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种锁体识别模型的训练方法、 系统、 装置 及存储介质 (57)摘要 本申请公开了一种锁体识别模型的训练方 法、 系统、 装置及存储介质。 该方法通过 获取锁体 样本信息； 对锁体样本信息进行预处理后， 通过 SE‑Resnet‑50模块进行特征提取处理， 得到样本 特征图信息； 将样本特征图信息输入反卷积层融 合模块， 得到融合的特征图信息； 将融合的特征 图信息输入预测模块， 得到锁体识别结果； 根据 锁体识别结果的误差信息， 对锁体识别模型进行 训练， 得到训练好的锁体识别模型。 该系统包括 获取模块、 第一处理模块、 第二处理模块、 融合模 块、 结果预测模块和训练模块。 通过使用上述方 法， 有利于提高得到的锁体识别模型的识别精 度， 使得得到的锁体识别模型能够满足用户的需 求。 本申请可广泛应用于人工智能技 术领域内。 权利要求书2页 说明书8页 附图1页 CN 114373107 A 2022.04.19 CN 114373107 A 1.一种锁体识别模型的训练方法， 其特征在于， 所述锁体识别模型包括SE ‑Resnet‑50 模块、 反卷积层融合模块和预测模块， 所述方法包括以下步骤： 获取锁体样本信 息； 其中， 所述锁体样本信 息包括已安装锁体的图像信息， 门板的种类 信息和门板的厚度信息； 对所述锁体样本信息进行 预处理， 得到预处 理的锁体样本信息； 通过所述SE ‑Resnet‑50模块对所述预处理的锁体样本信息进行特征提取处理， 得到样 本特征图信息； 将所述样本特 征图信息 输入所述反卷积层融合模块， 得到融合的特 征图信息； 将所述融合的特 征图信息 输入所述预测模块， 得到锁体识别结果； 根据所述锁体识别结果的误差信息， 对所述锁体识别模型进行训练， 得到训练好的锁 体识别模型。 2.根据权利要求1所述的锁体识别模型的训练方法， 其特征在于， 所述将所述样本特征 图信息输入所述反卷积层融合模块， 得到融合的特 征图信息， 包括： 对所述样本特 征图信息进行反卷积处 理， 得到初步特 征图信息； 对所述初步特 征图信息进行第一卷积和Batc hNorm处理， 得到深层特 征图信息； 对所述样本特征图信息、 所述初步特征图信息和所述深层特征图信息进行融合处理， 得到融合的特 征图信息 。 3.根据权利要求1所述的锁体识别模型的训练方法， 其特征在于， 所述将所述融合的特 征图信息 输入所述预测模块， 得到锁体识别结果， 包括： 对所述融合的特 征图信息进行第二卷积处 理， 得到初步预测特 征图信息； 对所述融合的特 征图信息进行第三卷积处 理， 得到深层预测特 征图信息； 对所述初步预测特征图信 息和所述深层预测特征图信 息进行融合处理， 得到锁体识别 结果； 其中， 所述第二卷积处 理和所述第三卷积处 理采用具有不同的卷积核的卷积层。 4.根据权利要求1所述的锁体识别模型的训练方法， 其特征在于， 所述对所述锁体样本 信息进行 预处理， 得到预处 理的锁体样本信息， 包括： 对所述锁体样本信息进行 数据增强处 理， 得到增强的锁体样本信息； 对所述增强的锁体样本信息进行归一 化和切片处理， 得到归一 化的锁体样本信息； 对所述归一 化的锁体样本信息进行转换处 理， 得到预处 理的锁体样本信息 。 5.根据权利要求4所述的锁体识别模型的训练方法， 其特征在于， 所述对所述归一化的 锁体样本信息进行转换处 理， 得到预处 理的锁体样本信息， 包括： 对所述归一 化的锁体样本信息转换b box值， 得到初步 转换样本信息； 将所述初步 转换样本信息中overlap小于预定阈值的信息删除， 得到转换样本信息； 对所述转换样本信息转换b box值， 并进行色彩处 理， 得到预处 理的锁体样本信息 。 6.根据权利要求1所述的锁体识别模型的训练方法， 其特征在于， 所述根据所述锁体识 别结果的误差信息， 对所述锁体识别模型进行训练， 包括： 根据所述锁体识别结果的位置误差信 息和置信度误差信 息， 对所述锁体识别模型进行 训练。 7.一种锁体识别方法， 其特 征在于， 包括以下步骤：权　利　要　求　书 1/2 页 2 CN 114373107 A 2获取锁体信息； 将所述锁体信 息输入到如权利要求1 ‑6中任一项所述的锁体识别 模型的训练方法所得 到的锁体识别模型中， 得到锁体识别结果。 8.一种锁体识别模型的训练系统， 其特征在于， 所述锁体识别模型包括SE ‑Resnet‑50 模块、 反卷积层融合模块和预测模块， 所述系统包括： 获取模块， 用于获取锁体样本信息； 其中， 所述锁体样本信 息包括已安装锁体的图像信 息， 门板的种类信息和门板的厚度信息； 第一处理模块， 用于对所述锁体样本信息进行 预处理， 得到预处 理的锁体样本信息； 第二处理模块， 用于通过所述SE ‑Resnet‑50模块对所述预处理的锁体样本信息进行特 征提取处 理， 得到样本特 征图信息； 融合模块， 用于将所述样本特征图信息输入所述反卷积层融合模块， 得到融合的特征 图信息； 结果预测模块， 用于将所述融合的特 征图信息 输入所述预测模块， 得到锁体识别结果； 训练模块， 用于根据 所述锁体识别结果的误差信息， 对所述锁体识别模型进行训练， 得 到训练好的锁体识别模型。 9.一种锁体识别模型的训练装置， 其特 征在于， 包括： 至少一个处 理器； 至少一个存 储器， 用于存 储至少一个程序； 当所述至少一个程序被所述至少一个处理器执行， 使得所述至少一个处理器实现如权 利要求1‑6中任一项所述的锁体识别模型的训练方法。 10.一种计算机可读存储介质， 其中存储有处理器可执行的程序， 其特征在于： 所述处 理器可执行的程序在由处理器执行时用于实现如权利要求 1‑6中任一项 所述的锁体识别模 型的训练方法。权　利　要　求　书 2/2 页 3 CN 114373107 A 3