装备识别方法、装置、计算机设备和存储介质与流程

1.本发明属于计算机视觉技术领域，尤其涉及一种装备识别方法、装置、计算机设备和存储介质。


背景技术：

2.随着军队信息化水平的提高，信息系统的侦查能力得到了加强，使得各类平台得到的侦查图像急剧增加，因此，从侦查图像中获取信息已成为了准确判断战场形势的直接和有效的手段。其中，研究装备智能识别分类问题能快速有效地处理侦查图像，提供重要的参考信息。
3.由于装备种类繁多，且许多同类别的装备间差异较小，所以装备图像的检测识别相比于一般图像分类而言是更具有挑战性的。目前存在三类识别装备的方法，包括基于同样卷积神经网络的方法、基于定位-识别的方法和基于网络集成的方法。然而，这三类方法大部分考虑的都是理想场景中的装备图像，对于实际应用场景中装备图像来说速度和性能有所降低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高识别速度和性能的装备识别方法、装置、计算机设备和存储介质。
5.本发明提供一种装备识别方法，包括：
6.获取装备图像，基于多层标签分类体系预测所述装备图像的装备类别，得到候选标签序列；
7.对所述装备图像进行文本检测，基于提取的装备数字型号确定所述装备图像的细粒度标签；
8.构建与所述多层标签分类体系对应且带有边权重的图结构，所述边权重为所述候选标签序列和所述细粒度标签中各标签的得分；
9.将所述图结构中加权最大路径对应的多层标签确定为所述装备图像的识别结果
10.在其中一个实施例中，所述获取装备图像，基于多层标签分类体系预测所述装备图像的装备类别，得到候选标签序列，包括：
11.基于多层标签分类体系且采用预设模型策略训练得到多层标签分类模型；
12.利用所述多层标签分类模型预测所述装备图像的装备类别，得到所述装备图像的候选标签序列。
13.在其中一个实施例中，所述对所述装备图像进行文本检测，基于提取的装备数字型号确定所述装备图像的细粒度标签，包括：
14.利用文本区域检测模型对所述装备图像进行文本检测，确定所述装备图像中的文本区域；
15.对所述文本区域进行ocr识别，得到装备数字型号；
16.根据所述装备数字型号与细粒度标签的映射关系，确定所述装备图像的细粒度标签。
17.在其中一个实施例中，所述构建与所述多层标签分类体系对应且带有边权重的图结构，所述边权重为所述候选标签序列和所述细粒度标签中各标签的得分，包括：
18.将所述多层标签分类体系中各标签作为节点构建对应的图结构；
19.从所述图结构中分别确定所述候选标签序列和所述细粒度标签中各标签对应的节点以及所述节点对应的父节点；
20.将所述标签的得分作为边权重赋值给所述节点与所述父节点之间的有向边。
21.在其中一个实施例中，所述将所述图结构中加权最大路径对应的多层标签确定为所述装备图像的识别结果，包括：
22.以所述图结构的根节点为起点往下进行遍历，根据各节点的预设权重以及边的权重计算每条遍历路径的加权值；
23.确定所述加权值最大的遍历路径，将加权值最大的所述遍历路径对应的多层标签作为所述装备图像的识别结果。
24.在其中一个实施例中，所述获取装备图像之前，还包括：
25.获取侦查图像；
26.将所述侦查图像输入至vgg模型，利用所述vgg模型过滤所述侦查图像中的非装备图像，输出装备图像。
27.在其中一个实施例中，所述加权值的计算公式如下：
[0028][0029]
其中，p
nm
为起点s到终点s
nm
存在的一条可达路径，z为路径上节点数量，s
ni
为路径上其中一个节点，w
sni
为节点s
ni
的预设权重，score
sni
为有向边的边权重。
[0030]
一种装备识别装置，包括：
[0031]
分类模块，用于获取装备图像，基于多层标签分类体系预测所述装备图像的装备类别，得到候选标签序列；
[0032]
细粒度识别模块，用于对所述装备图像进行文本检测，基于提取的装备数字型号确定所述装备图像的细粒度标签；
[0033]
构建模块，用于构建与所述多层标签分类体系对应且带有边权重的图结构，所述边权重为所述候选标签序列和所述细粒度标签中各标签的得分；
[0034]
结果确定模块，用于将所述图结构中加权最大路径对应的多层标签确定为所述装备图像的识别结果。
[0035]
本发明还提供一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器存储由计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的装备识别方法的步骤。
[0036]
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的装备识别方法的步骤。
[0037]
上述装备识别方法、装置、计算机设备和存储介质，在获取装备图像之后，首先基于多层标签分类体系预测装备图像的装备类别，得到候选标签序列，同时对装备图像进行
文本检测，基于提取的装备数字型号确定装备图像的细粒度标签；然后通过构建与多层标签分类体系对应且带有边权重的图结构，其中边权重为候选标签序列和细粒度标签中各标签的得分，最后确定图结构中加权最大路径对应的多层标签为装备图像的识别结果。该方法通过递进的策略，将装备的识别分为装备体系分类和细粒度标签识别，之后再借助图结构结合两种结果来确定最准确的标签作为识别结果，从而能够进一步提高实际应用场景中装备图像的识别速度和性能。并且，在装备整体结构相似、类间差异小的情况下，通过关注关键且可区分的数字型号，以提取更加有利的分类特征，提高识别的性能。
附图说明
[0038]
图1为一个实施例中装备识别方法的应用环境图。
[0039]
图2为一个实施例中装备识别方法的流程示意图。
[0040]
图3为一个实施例中装备的多层标签分类体系示意图。
[0041]
图4为一个实施例中多层标签分类体系的图结构示意图。
[0042]
图5为一个实施例中带有边权重的多层标签分类体系的图结构示意图。
[0043]
图6为一个实施例中装备识别装置的结构框图。
具体实施方式
[0044]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0045]
本技术提供的装备识别方法，可以应用于如图1所示的应用环境中，该应用环境涉及终端102和服务器104。其中，终端102通过网络与服务器104进行通信。终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和携带式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
[0046]
当终端102接收到识别指令时，可以由终端102单独实现上述装备识别方法。也可以由终端102将识别指令发送给通信的服务器104，由服务器104实现上述装备识别方法。以服务器104为例，具体的，服务器104获取装备图像，基于多层标签分类体系预测装备图像的装备类别，得到候选标签序列；服务器104对装备图像进行文本检测，基于提取的装备数字型号确定装备图像的细粒度标签；服务器104构建与多层标签分类体系对应且带有边权重的图结构，边权重为候选标签序列和所述细粒度标签中各标签的得分；服务器104将图结构中加权最大路径对应的多层标签确定为装备图像的识别结果。
[0047]
在一个实施例中，如图2所示，提供一种装备识别方法，以该方法应用于服务器为例进行说明，包括以下步骤：
[0048]
步骤s201，获取装备图像，基于多层标签分类体系预测装备图像的装备类别，得到候选标签序列。
[0049]
其中，装备图像是指包括了装备的图像数据，多层标签分类体系是以装备所属分类为标签设置的具有上下层级关系的标签体系，本实施例提供一种装备的多层标签分类体系的示意图，如图3所示。图3所示的多层标签分类体系的层数为3层，一个根节点s，第1层分类体系包含海军装备、陆军装备、空军装备三个标签，第2层分类体系中包括驱逐舰、登陆
舰、坦克、战斗机、预警机等5个标签，第3层包括11个标签。层与层之间标签存在隶属关系，且每一个标签只有一个父标签。候选标签序列是对装备图像进行分类识别得到的分类结果集合。
[0050]
具体的，当服务器接收到识别指令之后，首先获取到需要进行识别的装备图像。然后，服务器以预先设置的多层标签分类体系为基准，对该装备图像进行分类，确定装备图像中包含的装备的所属分类，分类方式可以采用现有任一种图像分类或图像识别方法。最后服务器集合所得到的所属分类，得到该装备图像的候选标签序列。
[0051]
在一个实施例中，步骤s201包括：基于多层标签分类体系且采用预设模型策略训练得到多层标签分类模型；利用多层标签分类模型预测装备图像的装备类别，得到装备图像的候选标签序列。
[0052]
具体的，服务器基于设置的多层标签分类体系对神经网络模型进行分类预测的训练，从而得到训练好的多层标签分类模型。多层标签分类模型的训练方式可以是常规的神经网络训练方式，训练策略可以是多模型策略(每一个模型负责多个标签分类)、多任务模型策略(一个模型支持多个分类任务，每一个分类任务负责多个标签分类)、单一模型策略(一个模型负责所有标签分类)中的任意一种，不同模型策略分类的速度和性能存在差异，可以根据实际所需情况选择。训练的网络结构可以现有任意一种，本实施例优选xception模型。然后，服务器将装备图像输入至训练好的多层标签分类模型中，由该多层标签分类模型对装备图像进行分类预测，输出该装备图像对应的候选标签集合，服务器将候选标签集合中所有的候选标签按照标签的概率得分从中选择概率较高的部分候选标签组合成候选标签序列。比如，多层标签分类模型预测该装备图像是海军装备的概率得分为0.98，是驱逐舰的概率得分为0.92，是登陆舰的概率得分为0.87，是战斗机的概率得分为0.65，是18g电子战斗机的概率得分为0.32时，则这五个标签都是候选标签，则候选标签序列l为l＝{(海军装备,0.98)、(驱逐舰,0.92)、(登陆舰,0.87)、(战斗机,0.65)、(18g电子战斗机,0.32)}。应当理解的是，本实施例中所调用的多层标签分类模型也可以预先由服务器训练部署好，之后在本实施例中直接调用部署好的多层标签分类模型进行分类预测，从而在识别过程中能够节省训练所花费的处理时间。
[0053]
步骤s202，对装备图像进行文本检测，基于提取的装备数字型号确定装备图像的细粒度标签。
[0054]
具体的，考虑到装备图像相似度极高的情况下，唯一的区分方式就是装备图像中装备的数字型号，因此本实施通过细粒度的识别装备数字型号作为装备图像的细粒度标签，能够提高识别准确性。即，服务器在获取到装备图像之后，通过文本检测的方式提取装备图像中的文本区域，再进一步识别文本区域中的字符得到装备数字型号，进而根据装备数字型号确定细粒度标签。
[0055]
在一个实施例中，步骤s202，包括：利用文本区域检测模型对装备图像进行文本检测，确定装备图像中的文本区域；对文本区域进行ocr识别，得到装备数字型号；根据装备数字型号与细粒度标签的映射关系，确定装备图像的细粒度标签。
[0056]
具体的，本实施例文本检测优选利用文本区域检测模型实现，文本区域检测模型可以采用现有任一种神经网络模型训练得到，本实施例优选dbnet作为文本区域检测模型。服务器调用训练好文本区域检测模型，将装备图像输入至该文本区域检测模型，利用文本
区域检测模型检测提取出装备图像中的文本区域。然后，服务器借助ocr识别对文本区域进行识别，得到对应的数装备数字型号以及确定为该装备数字型号的概率得分，比如t＝{115,0.94}，其中115为装备数字型号，0.94为该装备数字型号为115的概率得分。最后，服务器根据数字型号与细粒度标签之间的映射关系，确定装备图像的细粒度标签。比如，如下表1所示可知，装备数字型号为115的装备是拉斐尔比拉达号驱逐舰，则细粒度标签为{拉斐尔比拉达号驱逐舰，0.94}。
[0057]
表1细粒度标签与数字型号映射表
[0058]
类型数字型号贝瑞号驱逐舰52拉斐尔比拉达号驱逐舰115米利厄斯号导弹驱逐舰69托图加号船坞登陆舰46日耳曼城号登陆舰42m1a2主战坦克m1a2豹2主战坦克无18e超级大黄蜂战斗机18e18f大黄蜂战斗机18f8g电子战斗机8ge-2c鹰眼预警机无
[0059]
步骤s203，构建与多层标签分类体系对应且带有边权重的图结构，边权重为候选标签序列和细粒度标签中各标签的得分。
[0060]
具体的，以图或者树的结构建立多层标签分类体系，同时以候选标签序列中各标签以及细粒度标签的标签得分作为图结构或者树结构的边的权重，得到带有边权重的数结构。
[0061]
在一个实施例中，步骤s203，包括：将多层标签分类体系中各标签作为节点构建对应的图结构；从图结构中分别确定候选标签序列和细粒度标签中各标签对应的节点以及节点对应的父节点；将标签的得分作为边权重赋值给节点与所述父节点之间的有向边。
[0062]
具体的，首先以图结构将图3所示的多层标签分类体系建模，得到如图4所示的与多层标签分类体系对应的图结构。其中，多层标签分类体系中的各个标签视为图结构中的各个节点，各节点与其父节点之间建立有向边，边方向由父节点指向孩子节点，且此时有向边的边的初始权重为0。然后，在树结构中找到候选标签序列中各个候选标签对应的节点以及对应的父节点，将该候选标签对应的概率得分作为节点与其父节点之间有向边的权重。同理，将细粒度标签的概率得分按照相同的方式赋予给对应的有向边，从而得到带有边权重的图结构，如图5所示。
[0063]
步骤s204，将图结构中加权最大路径对应的多层标签确定为装备图像的识别结果。
[0064]
具体的，对于图结构中的每条路径，均计算其加权值，从中选择加权值最大的路径作为加权最大路径，进而确定加权最大路径对应的多层标签为装备图像的识别结果。
[0065]
在一个实施例中，步骤s204，包括：以图结构的根节点为起点往下进行遍历，根据
各节点的预设权重以及边的权重计算每条遍历路径的加权值；确定加权值最大的遍历路径，将加权值最大的遍历路径对应的多层标签作为装备图像的识别结果。
[0066]
具体的，在图结构中，以根节点s为起点往下遍历到最后一层，如图4-5所示，则遍历到第3层，第3层{贝瑞号驱逐舰、拉斐尔比拉达号驱逐舰
……
e-2c鹰眼预警机}中的每一个标签节点作为最终点。对于每一条遍历的路径，采用迪杰斯特拉最短路径算法按照下述公示计算加权值：
[0067][0068]
其中，p
nm
为起点s到终点s
nm
存在的一条可达路径，z为路径上节点数量，s
ni
为路径上其中一个节点，w
sni
为节点s
ni
的权重，本实施例优选各个节点的权重为1，score
sni
为有向边的边权重。比如，贝瑞号驱逐舰节点的路径为：根节点s-》海军装备-》驱逐舰-》贝瑞号驱逐舰，路径得分为0.633。然后，服务器基于加权值选择最大路径，以图5为例，即拉斐尔比拉达号驱逐舰节点路径，其中路径节点包括：根节点、海军装备、驱逐舰、拉斐尔比拉达号驱逐舰，路径得分为0.946。删除路径上边权重为0的节点，将剩余的节点按照多层标签分类体系进行还原，得到装备图像多层标签识别结果：即第一层标签为：海军装备、第二层标签为：驱逐舰、第三层标签为：拉斐尔比拉达号驱逐舰。
[0069]
上述装备识别方法，在获取装备图像之后，首先基于多层标签分类体系预测装备图像的装备类别，得到候选标签序列，同时对装备图像进行文本检测，基于提取的装备数字型号确定装备图像的细粒度标签；然后通过构建与多层标签分类体系对应且带有边权重的图结构，其中边权重为候选标签序列和细粒度标签中各标签的得分，最后确定图结构中加权最大路径对应的多层标签为装备图像的识别结果。该方法通过递进的策略，将装备的识别分为装备体系分类和细粒度标签识别，之后再借助图结构结合两种结果来确定最准确的标签作为识别结果，从而能够进一步提高实际应用场景中装备图像的识别速度和性能。并且，在装备整体结构相似、类间差异小的情况下，通过关注关键可分的数字型号，以提取更加有利的分类特征，提高识别的性能。
[0070]
在一个实施例中，在步骤s201之前，还包括：获取侦查图像；将侦查图像输入至vgg模型，利用vgg模型过滤侦查图像中的非装备图像，输出装备图像。
[0071]
具体的，由于互联网海量图像中绝大部分是用户不感兴趣的图像，因此直接采用进行装备图像识别必然导致整体性能下降。因此，本实施例在获取装备图像之前设计一个过滤模块，采用轻量级分类模型vgg对获取的侦查图像进行筛选，由vgg模型过滤得到包含装备的装备图像。其中，vgg模型训练数据可以是收集的装备图像和非装备图像，训练方式可以采用微调策略。本实施例中，通过预先筛选过滤图像，确保进入装备图像识别流程的图像均为包括装备的图像，从而提高识别性能。
[0072]
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0073]
在一个实施例中，如图6所示，提供一种装备识别装置，包括：
[0074]
分类模块601，用于获取装备图像，基于多层标签分类体系预测装备图像的装备类别，得到候选标签序列；
[0075]
细粒度识别模块602，用于对装备图像进行文本检测，基于提取的装备数字型号确定装备图像的细粒度标签；
[0076]
构建模块603，用于构建与多层标签分类体系对应且带有边权重的图结构，边权重为候选标签序列和细粒度标签中各标签的得分；
[0077]
结果确定模块604，用于将图结构中加权最大路径对应的多层标签确定为装备图像的识别结果。
[0078]
在一个实施例中，分类模块601还用于基于多层标签分类体系且采用预设模型策略训练得到多层标签分类模型；利用多层标签分类模型预测装备图像的装备类别，得到装备图像的候选标签序列。
[0079]
在一个实施例中，细粒度识别模块602还用于利用文本区域检测模型对装备图像进行文本检测，确定装备图像中的文本区域；对文本区域进行ocr识别，得到装备数字型号；根据装备数字型号与细粒度标签的映射关系，确定装备图像的细粒度标签。
[0080]
在一个实施例中，构建模块603还用于将多层标签分类体系中各标签作为节点构建对应的图结构；从图结构中分别确定候选标签序列和细粒度标签中各标签对应的节点以及节点对应的父节点；将标签的得分作为边权重赋值给节点与所述父节点之间的有向边。
[0081]
在一个实施例中，结果确定模块604还用于以图结构的根节点为起点往下进行遍历，根据各节点的预设权重以及边的权重计算每条遍历路径的加权值；确定加权值最大的遍历路径，将加权值最大的遍历路径对应的多层标签作为装备图像的识别结果。
[0082]
在一个实施例中，还包括过滤模块模块，用于获取侦查图像；将侦查图像输入至vgg模型，利用vgg模型过滤侦查图像中的非装备图像，输出装备图像。
[0083]
关于装备识别装置的具体限定可以参见上文中对于装备识别方法的限定，在此不再赘述。上述装备识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个装备识别方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
[0084]
在一个实施例中，提供一种计算机设备，该计算机设备可以是服务器，包括处理器，存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种装备识别方法。示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器
执行以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。
[0085]
所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
[0086]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0087]
本领域技术人员可以理解，本实施例中所示出的计算机设备结构，仅仅是与本发明方案相关的部分结构，并不构成对本发明所应用于其上的计算机设备的限定，具体的计算机设备可以包括更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0088]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0089]
获取装备图像，基于多层标签分类体系预测装备图像的装备类别，得到候选标签序列；
[0090]
对装备图像进行文本检测，基于提取的装备数字型号确定装备图像的细粒度标签；
[0091]
构建与多层标签分类体系对应且带有边权重的图结构，边权重为候选标签序列和细粒度标签中各标签的得分；
[0092]
将图结构中加权最大路径对应的多层标签确定为装备图像的识别结果。
[0093]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：基于多层标签分类体系且采用预设模型策略训练得到多层标签分类模型；利用多层标签分类模型预测装备图像的装备类别，得到装备图像的候选标签序列。
[0094]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：利用文本区域检测模型对装备图像进行文本检测，确定装备图像中的文本区域；对文本区域进行ocr识别，得到装备数字型号；根据装备数字型号与细粒度标签的映射关系，确定装备图像的细粒度标签。
[0095]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将多层标签分类体系中各标签作为节点构建对应的图结构；从图结构中分别确定候选标签序列和细粒度标签中各标签对应的节点以及节点对应的父节点；将标签的得分作为边权重赋值给节点与所述
父节点之间的有向边。
[0096]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：以图结构的根节点为起点往下进行遍历，根据各节点的预设权重以及边的权重计算每条遍历路径的加权值；确定加权值最大的遍历路径，将加权值最大的遍历路径对应的多层标签作为装备图像的识别结果。
[0097]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取侦查图像；将侦查图像输入至vgg模型，利用vgg模型过滤侦查图像中的非装备图像，输出装备图像。
[0098]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0099]
获取装备图像，基于多层标签分类体系预测装备图像的装备类别，得到候选标签序列；
[0100]
对装备图像进行文本检测，基于提取的装备数字型号确定装备图像的细粒度标签；
[0101]
构建与多层标签分类体系对应且带有边权重的图结构，边权重为候选标签序列和细粒度标签中各标签的得分；
[0102]
将图结构中加权最大路径对应的多层标签确定为装备图像的识别结果。
[0103]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于多层标签分类体系且采用预设模型策略训练得到多层标签分类模型；利用多层标签分类模型预测装备图像的装备类别，得到装备图像的候选标签序列。
[0104]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：利用文本区域检测模型对装备图像进行文本检测，确定装备图像中的文本区域；对文本区域进行ocr识别，得到装备数字型号；根据装备数字型号与细粒度标签的映射关系，确定装备图像的细粒度标签。
[0105]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将多层标签分类体系中各标签作为节点构建对应的图结构；从图结构中分别确定候选标签序列和细粒度标签中各标签对应的节点以及节点对应的父节点；将标签的得分作为边权重赋值给节点与所述父节点之间的有向边。
[0106]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：以图结构的根节点为起点往下进行遍历，根据各节点的预设权重以及边的权重计算每条遍历路径的加权值；确定加权值最大的遍历路径，将加权值最大的遍历路径对应的多层标签作为装备图像的识别结果。
[0107]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取侦查图像；将侦查图像输入至vgg模型，利用vgg模型过滤侦查图像中的非装备图像，输出装备图像。
[0108]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器
(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
[0109]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0110]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。