(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210699092.1 (22)申请日 2022.06.20 (71)申请人 浙江方圆检测集团股份有限公司 地址 310018 浙江省杭州市经济开发区下 沙路300号 (72)发明人 周恩　徐建楚　黄志炳　吴霞　 徐红梅　王新燕　梁佳娜　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 邱启旺 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/40(2022.01) G06V 10/74(2022.01) G06V 10/774(2022.01)G06N 5/04(2006.01) (54)发明名称 一种基于回归预测的插座分类方法 (57)摘要 本发明公开了一种基于回归预测的插座分 类方法， 利用一训练好的特征提取网络对待检测 插座图片提取获得n维特征向量A； 将n维特征向 量A与特征检索库中N个类别的真值标签一一进 行相似度计算， 取相似度最接近于1的真值标签 对应的插座类别作为待检测插座预测的插座类 别完成插座 分类。 本发明的特征提取网络在训练 时根据类别图片占比设置权重， 避免特征提取网 络偏置， 同时采用基于回归预测的算法来对插座 进行精准分类， 以替代人工目视区分。 提出的方 法只需训练一次， 推理时可泛化到对 未知的插座 也具备分类能力。 权利要求书1页 说明书3页 附图4页 CN 115100462 A 2022.09.23 CN 115100462 A 1.一种基于回归预测的插座分类方法， 其特 征在于， 具体为： 利用一训练好的特 征提取网络对待检测插座图片提取获得n维特 征向量A； 将n维特征向量A与特征检索库中N个类别的真值标签一一进行相似度计算， 取相似度 最接近于1的真值标签对应的插座类别作为待检测插座预测的插座类别； 其中， 所述训练好的特 征提取网络通过如下 方法训练获得： 收集插座图片构建训练数据集， 统计训练数据集中每个类别的插座图片占比， 将插座 图片两两组成训练图片对并标注标签y； 其中训练图片对中两张图片属于同一类则标签y为 1， 否则y为0； 构建一特征提取网络， 所述特征提取网络的输入为训练图片对， 输出为n维特征向量， 以输出和标签构建损失函数并进行训练， 直至损失函数收敛或达到设置的训练次数， 获得 训练好的特 征提取网络； 所述损失函数为： 其中: dIa,Ib＝||fIa‑fIb|| wid＝(1wa‑wb) wid是权重， wa和wb分别指训练图片对中图片a和b对应类别的图片数据占比， fIa表示特 征提取网络输出的图片a对应的n维特征向量， fIb表示特征提 取网络输出的图片b对 应的n维 特征向量， α 表示阈值， 下 标+表示取max； 所述特征检索库通过如下 方法构建获得： 在训练数据集中每个类别选取多 张插座图片分别 输入至训练好的特征提取网络， 每个 类别分别获得对应的多个n 维特征向量， 取多个n维特征向量的中值作为对应类别的真值标 签， 所有类别的真值标签构成特 征检索库。 2.根据权利要求1所述的方法， 其特征在于， 所述特征提取网络是一具有插座识别能力 的检测模型的特 征提取部分。 3.根据权利要求1所述的方法， 其特 征在于， 还 包括检验步骤： 对通过n维特征向量A与特征检索库中N个类别的真值标签一一进行相似度计算得到的 N个相似度按从大到小 进行排序， 取 前3个相似度值进行 方差数值波动分析， 计算公式如下： M表示N个余弦相似度的均值， x1、 x2、 x3表示排序在 前的3个相似度； 若方差大于1则说明 识别结果 准确。 4.根据权利要求1所述的方法， 其特 征在于， 相似度计算采用余弦相似度。权　利　要　求　书 1/1 页 2 CN 115100462 A 2一种基于回归预测的插座分类方 法 技术领域 [0001]本发明属于插座分类领域， 具体涉及一种基于回归预测的插座分类方法。 背景技术 [0002]市面上的插座具有形形色色的种类， 各种插座外形相似但特征不一， 若人们在采 用肉眼进行区分时不集中注意力， 往往容易分类错误。 特别是在工业生产中， 一方面插座产 品种类繁多， 且插座样本往往数量分布不均匀， 这时更加要求高效且准确的插座分类， 此时 若采用人为 目视进行区分， 往往产能低效。 采用机器视觉算法在插座样本分布不均匀的情 况下进行插座种类的快速、 精准区分已成为插座 生产行业的刚 需。 发明内容 [0003]本发明的目的是基于现有技术的不足， 提供一种基于回归预测的插座分类方法， 采用基于回归预测的算法来对插座进行精准分类， 以替代人工目视区分。 提出 的方法只需 训练一次， 推理时可泛化到对未知的插座 也具备分类能力。 [0004]本发明采用的技 术方案具体如下： [0005]一种基于回归预测的插座分类方法， 具体为： [0006]利用一训练好的特 征提取网络对待检测插座图片提取获得n维特 征向量A； [0007]将n维特征向量A与特征检索库 中N个类别的真值标签一一进行相似度计算， 取相 似度最接 近于1的真值标签对应的插座类别作为待检测插座预测的插座类别。 [0008]其中， 所述训练好的特 征提取网络通过如下 方法训练获得： [0009]收集插座图片构建训练数据集， 统计训练数据集中每个类别的插座图片占比， 将 插座图片两两组成训练图片对并标注标签y； 其中训练图片对中两张图片属于同一类则标 签y为1， 否则y为0； [0010]构建一特征提取网络， 所述特征提取网络的输入为训练图片对， 输出为n维特征向 量， 以输出和标签构建损失函数并进 行训练， 直至损失函数收敛或达到 设置的训练 次数， 获 得训练好的特 征提取网络； 所述损失函数为： [0011] [0012]其中: [0013]dIa,Ib＝||fIa‑fIb|| [0014]wid＝(1‑wa‑wb) [0015]wid是权重， wa和wb分别指训练图片对中图片 a和b对应类别的图片数据占比， fIa表 示特征提取网络输出的图片a对应的n维特征向量， fIb表示特征提取网络输出的图片b对应 的n维特征向量， α 表示阈值， 下 标+表示取max； [0016]所述特征检索库通过如下 方法构建获得： [0017]在训练数据集中每个类别选取多张插座图片分别输入至训练好的特征提取网络， 每个类别分别获得对应的多个n维特征向量， 取多个n 维特征向量的中值作为对应类别的真说　明　书 1/3 页 3 CN 115100462 A 3