图像模型训练方法及其图像识别方法、工程智慧管理系统
摘要文本
本发明公开了一种图像模型训练方法及其图像识别方法、工程智慧管理系统，涉及图像处理及工程管理技术领域。本发明的训练方法将通过转化频率选择全局搜索阶段和局部搜索，解决了独立采用蝙蝠算法或蝴蝶算法造成的易陷入局部最优、参数自适应性不足、收敛速度慢等问题，提高计算机处理图像数据的效率，减少执行时间。本发明的图像识别方法利用该本发明的训练方法不断修改该过程中特征处理的参数，以损失函数最小化为目标，完善了机器学习的精确度，提高了图像检测的效率。本发明的工程智慧管理系统可解决工程中的不规范行为检测及钢筋参数检测的问题，有利于提高建筑施工的监理效率和智能化程度。
申请人信息
- 申请人:成都数喆数据科技有限公司; 上海数喆数据科技股份有限公司
- 申请人地址:610096 四川省成都市高新区锦云东三巷1号B座209室
- 发明人: 成都数喆数据科技有限公司; 上海数喆数据科技股份有限公司
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 图像模型训练方法及其图像识别方法、工程智慧管理系统 |
| 专利类型 | 发明授权 |
| 申请号 | CN202311820222.3 |
| 申请日 | 2023/12/27 |
| 公告号 | CN117475263B |
| 公开日 | 2024/3/15 |
| IPC主分类号 | G06V10/774 |
| 权利人 | 成都数喆数据科技有限公司; 上海数喆数据科技股份有限公司 |
| 发明人 | 余凤华 |
| 地址 | 四川省成都市高新区锦云东三巷1号B座209室; 上海市杨浦区国和路60号(集中登记地) |
专利主权项内容
1.一种图像模型训练方法，其特征在于：包括以下步骤：S1、获取施工现场的训练图像数据集；S2、将训练图像数据集输入至图像检测模型，并通过hABOBA算法进行处理，得到优化策略、当前的损失函数值；S3、根据优化策略更新图像检测模型的参数，直至得到损失函数的最小值，完成对图像检测模型的训练；所述步骤S2进一步包括：S2-1、将训练图像数据集输入至图像检测模型，得到正负样本数据集、当前的损失函数值；S2-2、设置拟合的标准解的适应度、初始优化策略；S2-3、根据正负样本数据集的匹配度，得到每个样本的精确度和刺激强度；S2-4、判断每个样本的刺激强度是否达到了收敛标准；若是则将初始优化策略作为优化策略，结束迭代；反之则对初始优化策略进行更新并进入步骤S2-5；S2-5、对所有样本的精确度进行计算，得到对应的转化频率；S2-6、根据公式：得到第个样本的气味感知值/>，即当前解的适应度；其中，/>表示时刻/>对应的传感器模式，/>表示时刻/>对应的传感器模式，/>表示最大迭代次数，/>表示第/>个样本的刺激强度，/>表示时刻/>对应的气味幂指数，/>表示时刻/>对应的气味幂指数；S2-7、对第个样本在/>区间内选取一个随机数；S2-8、判断第个样本的随机数是否小于对应的转化频率；若是则进入步骤S2-9；反之则进入步骤S2-10；S2-9、采用蝴蝶优化算法对当前时刻下的第/>个样本的位置进行更新，并进入步骤S2-11；S2-10、采用蝙蝠算法对当前时刻下的第/>个样本的平均响度进行更新；S2-11、判断第个样本的更新后的平均响度是否小于原平均响度，且当前解的适应度是否小于拟合的标准解的适应度；若否，则返回步骤S2-7；若是，则得到更新后的优化策略并更新平均响度和转化频率，并进入步骤S2-12；S2-12、判断值是否小于样本总数；若是则将/>值加1并返回步骤S2-6；反之则将更新后的优化策略作为优化策略，结束迭代。