[发明专利]一种面向设备多源异构数据识别检测方法

说明书

本公开提供了一种面向设备多源异构数据识别检测方法和装置，涉及人工智能技术领域。该方法包括采集多源异构数据；利用标注工具对多源异构数据进行处理生成多源异构数据训练集合；通过所述多源异构数据训练集合对YOLOv5学习模型进行训练，得到目标检测模型并获得模型权重文件；将多源异构数据输入目标检测模型后输出检测信息同时获取多源异构数据的附属信息。本发明的技术方案能够广泛、实时地检测多场景多源异构图像数据，降低检测成本，结合大数据迭代升级，并通过智能终端应用中分权分域来为不同用户实现可控、安全、不同需求的多源异构数据检测应用。

技术领域

本公开涉及人工智能技术领域，尤其涉及一种面向设备多源异构数据识别检测方法。

背景技术

图像识别为人们提供了日益丰富的实用功能，它的出现极大地改变了现代人的生活方式、工作方式和休闲方式，人们越来越关注人工智能对生活和工作提供的巨大便利，而目前对于图像识别、检测等等技术的应用和实践功能则只能够兼容主流物品识别，没有为人们提供多样定制化的智能识别分类选择。在对非主流和复杂的物品进行识别时，前期需要人工对待检测识别的图片进行相应的处理以统一标准为后续的检测识别工作做好准备。图像识别、检测等等技术达不到完善的图样特征库分类指标，更加不能很好的满足多源异构分类数据的识别要求。特别是针对资产的高效盘点、整理工作以及利用大数据捕捉和分析、确认资产，并提供衍生信息附属的产品或系统，目前还处于空白阶段。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开提供一种面向设备多源异构数据识别检测方法及相关设备，至少在一定程度上实现利用人工智能技术完成图样特征库分类指标，满足多源异构分类数据的识别检测要求。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种面向设备多源异构数据识别检测方法，包括：采集多源异构数据；利用标注工具对多源异构数据进行处理生成多源异构数据训练集合；通过所述多源异构数据训练集合对YOLOv5学习模型进行训练，得到目标检测模型并获得模型权重文件；将多源异构数据输入目标检测模型后输出检测信息同时获取多源异构数据的附属信息。

进一步地，所述的多源异构数据是用不同设备采集的服务器、路由器、交换机、磁盘、U口、机柜、线缆、串口等分类设备的图样数据。

进一步地，所述利用标注工具对多源异构数据进行处理，包括使用图片标注工具Labellmg对多源异构数据进行标注，标注信息主要包括多源异构数据的类别信息、坐标位置信息。

进一步地，所述YOLOv5学习模型包括输入端、Backbone(主干网络)端、Neck(瓶颈)端和Prediction(预测)端；所述输入端采用Mosaic(马赛克)数据增强的方式，包括自适应锚框计算和自适应图片缩放；所述Backbone端包括Focus(聚焦)结构、两种CSP(CrossStage Partial，跨阶段部分)结构，用于对所述多源异构数据进行聚合并形成图像特征；所述Neck端采用FPN(Feature Pyramid Networks，特征金字塔网络)和PAN(PathAggregation Network，路径聚合网络)的结构，用于提取所述多源异构数据的图像特征，并将图像特征传递到预测层；所述Prediction端采用GIOU_Loss(Generalized intersectionover union Loss，并上广义交损失)做包围盒(Bounding box)的损失函数，用于根据图像特征对待检测的多源异构数据进行预测。

进一步地，所述对YOLOv5学习模型进行训练包括使用不同anchors(锚框)的多尺度滑动窗口，训练出符合要求的权重文件。