[发明专利]设备分类方法、设备分类模型的训练方法及装置

权利要求书

1.一种设备分类方法，其特征在于，所述方法包括：

获取第一设备的图像；

将所述第一设备的图像输入M个训练后的设备分类模型，确定M个设备类型，所述设备分类模型用于识别图像中设备的设备类型，一个设备分类模型对应一个设备类型，所述设备类型为正常类型，或者所述设备类型为异常类型；

对所述M个设备类型进行分类，确定正常类型集合和异常类型集合；

根据所述正常类型集合和所述异常类型集合，确定第一数量和第二数量，所述第一数量为所述正常类型集合中正常类型的数量，所述第二数量为所述异常类型集合中异常类型的数量；

根据所述第一数量和所述第二数量，确定目标类型，所述目标类型为所述第一数量和所述第二数量中数量最大的类型集合对应的设备类型。

2.根据权利要求1所述的方法，其特征在于，M个所述设备分类模型包括以下至少一种模型：视觉几何组VGG模型、轻量化网络MobileNet模型、极端开始Xception模型、残差网络ResNet模型、稠密卷积神经网络DenseNet模型。

3.一种设备分类模型的训练方法，其特征在于，所述方法包括：

获取设备图像数据集，所述设备图像数据集包括多个第二设备的图像；

将所述设备图像数据集输入设备分类模型，训练所述设备分类模型，直至所述设备分类模型收敛，得到训练后的所述设备分类模型，所述设备分类模型用于识别图像中设备的设备类型，所述设备类型为正常类型，或者所述设备类型为异常类型。

4.根据权利要求3所述的方法，其特征在于，所述设备图像数据集还包括所述多个第二设备中每个第二设备的设备类型；在所述获取设备图像数据集之后，所述方法还包括：

对所述多个第二设备的图像进行裁剪处理，得到多个子图像，所述子图像包括完整的所述第二设备图像；

所述将所述设备图像数据集输入设备分类模型，训练所述设备分类模型，直至所述设备分类模型收敛，得到训练后的所述设备分类模型，包括：

将所述多个子图像和每个所述子图像中第二设备的设备类型输入设备分类模型，训练所述设备分类模型，直至所述设备分类模型收敛，得到训练后的所述设备分类模型。

5.一种设备分类装置，其特征在于，所述装置包括：

获取模块，用于获取第一设备的图像；

处理模块，用于将所述第一设备的图像输入M个训练后的设备分类模型，确定M个设备类型，所述设备分类模型用于识别图像中设备的设备类型，一个设备分类模型对应一个设备类型，所述设备类型为正常类型，或者所述设备类型为异常类型；

所述处理模块，还用于对所述M个设备类型进行分类，确定正常类型集合和异常类型集合；

所述处理模块，还用于根据所述正常类型集合和所述异常类型集合，确定第一数量和第二数量，所述第一数量为所述正常类型集合中正常类型的数量，所述第二数量为所述异常类型集合中异常类型的数量；

所述处理模块，还用于根据所述第一数量和所述第二数量，确定目标类型，所述目标类型为所述第一数量和所述第二数量中数量最大的类型集合对应的设备类型。

6.根据权利要求5所述的装置，其特征在于，M个所述设备分类模型包括以下至少一种模型：视觉几何组VGG模型、轻量化网络MobileNet模型、极端开始Xception模型、残差网络ResNet模型、稠密卷积神经网络DenseNet模型。

7.一种设备分类模型的训练装置，其特征在于，所述装置包括：

获取模块，用于获取设备图像数据集，所述设备图像数据集包括多个第二设备的图像；

处理模块，用于将所述设备图像数据集输入设备分类模型，训练所述设备分类模型，直至所述设备分类模型收敛，得到训练后的所述设备分类模型，所述设备分类模型用于识别图像中设备的设备类型，所述设备类型为正常类型，或者所述设备类型为异常类型。