本說明書涉及圖像識別，特別涉及一種復雜多特征曲線圖像自動識別方法及裝置。

背景技術：

1、目前，可以通過對具有復雜特征變化的曲線圖像人工初步分類，作為曲線圖像類型自動識別的原始數據集，為后續的工作打下堅實基礎。識別具有復雜特征曲線圖像的數據，可以為后續工作中數據的處理帶來便利，有著非常重要的應用價值。

2、對于包含了不同類型曲線圖像的曲線數據，它們的特征變化具有多樣性，如圖像中存在不確定數量的曲線，且曲線本身有著平滑和波動的區別，需要根據圖像中曲線本身的特點尋找識別方法。根據檢測到的圖像對其中需要的目標部分進行提取，將其中的干擾因素進行濾除，從而得到目標圖像是圖像識別技術的主要研究目標。曲線圖像的自動識別通常依賴于復雜的算法和技術，如計算機視覺、圖像處理、模式識別和機器學習等。這些方法結合了數學建模、統計分析和數據處理技術，以分析曲線圖像中的特征，并進行模式匹配和分類，但這些方法并沒有統一的自動處理框架，在面對特定場景下的數據模式，很難找到合適的識別方法進行處理，相應的自動曲線識別方法可以根據不同的場景逐步完善，完成相應的曲線識別任務。

3、對于具有復雜特征的曲線圖像的自動識別是一個具有挑戰性的任務，其難點主要是由于曲線圖像本身趨勢多變的特點、圖像中的噪聲和失真的存在以及數據規模的影響。由于曲線圖像可以具有各種形狀、曲率和復雜度，有些曲線可能是光滑的，而其他曲線可能具有尖銳的轉折點或不規則的形狀，在某些情況下，曲線可能交叉或重疊在一起，使得識別每條曲線的邊界和形狀變得困難，所以也使得曲線圖像的識別任務變得更為困難。并且曲線圖像通常在采集、傳輸或存儲過程中會受到噪聲和失真的影響，這可能導致曲線上出現細微的波動或不連續性，使得準確地識別曲線的形狀變得更加困難。曲線圖形可能包含大量的數據點，處理大規模數據集需要高效的算法和計算資源，并且可能會增加識別的復雜度。對于許多場景中具有波動、曲線上升趨勢較快、曲線上升趨勢較慢、上升過程中有無明顯拐點以及拐點在曲線中的位置等的不同特點的曲線圖像，需要將其識別成相應類別的曲線類型。然而，由于曲線圖像的復雜性和多樣性，完全準確地自動識別所有曲線圖像仍然是一個具有挑戰性的問題。

4、針對上述問題，目前尚未提出有效的解決方案。

技術實現思路

1、本說明書實施例提供了一種復雜多特征曲線圖像自動識別方法及裝置，以解決現有技術中識別復雜曲線的難度較大的問題。

2、本說明書實施例提供了一種復雜多特征曲線圖像自動識別方法，包括：包括：

3、獲取待識別的目標特征曲線圖像；

4、將所述目標特征曲線圖像輸入至目標卷積神經網絡分類模型中，得到所述目標特征曲線對應的目標類別；

5、其中，所述目標卷積神經網絡分類模型包括第一卷積層、多個第二卷積層、以及第三層，所述第三層包括第三卷積層、平均池化層和全連接層；所述第一卷積層用于對所述目標特征曲線圖像進行初步特征提取，所述第二卷積層中包括深度可分離卷積的倒置線性瓶頸卷積模塊，用于分析特征間的權重關系，所述第三層用于輸出分類結果。

6、在一個實施例中，所述倒置線性瓶頸卷積模塊中包括第四卷積層、第五卷積層和第六卷積層；所述第四卷積層用于對輸入的特征矩陣進行逐點卷積并根據擴充倍數改編輸出通道的維度；所述第五卷積層用于對第四卷積層輸出的特征矩陣進行逐通道卷積以進行特征提取；所述第六卷積層用于對輸入的特征矩陣進行逐點卷積并恢復原通道維度。

7、在一個實施例中，所述倒置線性瓶頸卷積模塊中還包括no-local注意力操作層，所述no-local注意力操作層用于對所述第五卷積層輸出的特征矩陣進行全局特征提取。

8、在一個實施例中，所述倒置線性瓶頸卷積模塊中還包括注意力特征融合層，所述注意力特征融合層用于對所述第六卷積層輸出的特征矩陣進行注意力特征融合。

9、在一個實施例中，所述倒置線性瓶頸卷積模塊還包括early?stopping正則化層，所述early?stopping正則化層用于在訓練過程中監控驗證集上的性能來避免過擬合，還用于在每個迭代過程結束后評估卷積神經網絡分類模型的性能，若性能沒有改善，則停止模型訓練。

10、在一個實施例中，所述目標卷積神經網絡分類模型是基于efficientnet卷積神經網絡的分類模型。

11、在一個實施例中，所述目標卷積神經網絡分類模型包括改進后的efficientnet-b0卷積神經網絡分類模型；所述efficientnet-b0卷積神經網絡分類模型包括7個第五卷積層，所述改進后的efficientnet-b0卷積神經網絡分類模型是通過在所述efficientnet-b0卷積神經網絡的第二個第五卷積層以及第三個第五卷積層之間增加一個第五卷積層，以及在所述efficientnet-b0卷積神經網絡的第六個第五卷積層以及第七個第五卷積層之間增加一個第五卷積層。

12、在一個實施例中，所述目標特征曲線圖像包括以下之一：油管氣密封螺紋上扣扭矩曲線、腦電信號曲線圖像和心電信號曲線圖像。

13、本說明書實施例還提供了一種復雜多特征曲線圖像自動識別裝置，包括：

14、獲取模塊，用于獲取待識別的目標特征曲線圖像；

15、分類模塊，用于將所述目標特征曲線圖像輸入至目標卷積神經網絡分類模型中，得到所述目標特征曲線對應的目標類別；

16、其中，所述目標卷積神經網絡分類模型包括第一卷積層、多個第二卷積層、以及第三層，所述第三層包括第三卷積層、平均池化層和全連接層；所述第一卷積層用于對所述目標特征曲線圖像進行初步特征提取，所述第二卷積層中包括深度可分離卷積的倒置線性瓶頸卷積模塊，用于分析特征間的權重關系，所述第三層用于輸出分類結果。

17、本說明書實施例還提供一種計算機設備，包括處理器以及用于存儲處理器可執行指令的存儲器，所述處理器執行所述指令時實現上述任意實施例中所述的復雜多特征曲線圖像自動識別方法的步驟。

18、本說明書實施例還提供一種計算機可讀存儲介質，其上存儲有計算機指令，所述指令被執行時實現上述任意實施例中所述的復雜多特征曲線圖像自動識別方法的步驟。

19、在本說明書實施例中，提供了一種復雜多特征曲線圖像自動識別方法，可以獲取待識別的目標特征曲線圖像，將所述目標特征曲線圖像輸入至目標卷積神經網絡分類模型中，得到所述目標特征曲線對應的目標類別，其中，所述目標卷積神經網絡分類模型包括第一卷積層、多個第二卷積層、以及第三層，所述第三層包括第三卷積層、平均池化層和全連接層；所述第一卷積層用于對所述目標特征曲線圖像進行初步特征提取，所述第二卷積層中包括深度可分離卷積的倒置線性瓶頸卷積模塊，用于分析特征間的權重關系，所述第三層用于輸出分類結果。本實施例中，通過將目標特征曲線圖像輸入至訓練好的目標卷積神經網絡分類模型中，即可以實現目標特征曲線的自動分類，可以提高特征曲線圖像的識別效率。進一步的，由于卷積神將網絡分類模型中包括倒置線性瓶頸卷積模塊，因而可以對提取出的特征進行權重分析，可以提高特征曲線圖像的識別效果和精度、泛化性好，可以較好地應用于實際生產場景中。