本發(fā)明涉及圖像數(shù)據(jù)處理和神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)，尤其涉及一種基于深度學(xué)習(xí)的多場(chǎng)景設(shè)備設(shè)計(jì)方法和裝置。

背景技術(shù)：

1、隨著ai技術(shù)的蓬勃發(fā)展，深度學(xué)習(xí)技術(shù)作為一種可以有效發(fā)掘圖紙?zhí)卣鞑⒓右詫W(xué)習(xí)應(yīng)用的算法工具，可以借助大量的歷史設(shè)計(jì)數(shù)據(jù)，使模型有效學(xué)會(huì)處理不同場(chǎng)景下的不同設(shè)計(jì)情況，以更高效的方式為用戶輸出設(shè)計(jì)，同時(shí)還可以最大程度上發(fā)揮音視頻設(shè)備的效果，提升用戶的使用體驗(yàn)，從而推動(dòng)行業(yè)進(jìn)步。而音視頻設(shè)備，包含但不限于屏幕、話筒、喇叭、音箱等用于表現(xiàn)聲光現(xiàn)象的設(shè)備，而行業(yè)內(nèi)針對(duì)場(chǎng)景化音視頻設(shè)備的安裝擺放設(shè)計(jì)，當(dāng)前現(xiàn)有技術(shù)往往僅依賴經(jīng)驗(yàn)及固定思維展開設(shè)備。

2、然而僅依賴于工人經(jīng)驗(yàn)進(jìn)行設(shè)備安裝擺放，則存在以下不足之處：1)音視頻設(shè)備場(chǎng)景不同往往需要更個(gè)性化的設(shè)計(jì)，傳統(tǒng)設(shè)計(jì)無(wú)法有效滿足該需求；2)音視頻設(shè)備受場(chǎng)景場(chǎng)地限制、以及整體設(shè)備參數(shù)限制，往往會(huì)出現(xiàn)無(wú)法有效發(fā)揮設(shè)備性能的現(xiàn)象，導(dǎo)致體驗(yàn)變差的問(wèn)題；3)音視頻設(shè)備的設(shè)計(jì)與擺放需要方案工程師提供cad圖紙才能實(shí)施開工，效率低下，且時(shí)間成本較高。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種基于深度學(xué)習(xí)的多場(chǎng)景設(shè)備設(shè)計(jì)方法和裝置，以實(shí)現(xiàn)自動(dòng)化生成設(shè)計(jì)圖紙，個(gè)性化定制設(shè)備場(chǎng)景，同時(shí)提高設(shè)備性能發(fā)揮程度的技術(shù)效果。

2、為了解決上述技術(shù)問(wèn)題，本發(fā)明實(shí)施例提供了一種基于深度學(xué)習(xí)的多場(chǎng)景設(shè)備設(shè)計(jì)方法，包括以下步驟：

3、接收待處理區(qū)塊圖和場(chǎng)景標(biāo)簽，并根據(jù)所述場(chǎng)景標(biāo)簽對(duì)所述待處理區(qū)塊圖進(jìn)行標(biāo)簽標(biāo)注，獲得待處理場(chǎng)景區(qū)塊圖；

4、依次對(duì)所述待處理場(chǎng)景區(qū)塊圖進(jìn)行圖像灰度化、圖像噪聲濾波、圖像邊緣識(shí)別和圖像輪廓提取處理，獲得識(shí)別標(biāo)注圖，根據(jù)所述識(shí)別標(biāo)注圖生成圖像變體，并對(duì)所述圖像變體進(jìn)行歸一化處理，獲得圖像樣本數(shù)據(jù)；

5、按照預(yù)設(shè)的第一比例將所述圖像樣本數(shù)據(jù)分成圖像訓(xùn)練集、圖像驗(yàn)證集和圖像測(cè)試集，繼而根據(jù)所述圖像訓(xùn)練集對(duì)初始神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，通過(guò)圖像驗(yàn)證集和圖像測(cè)試集對(duì)訓(xùn)練后模型進(jìn)行性能評(píng)估和測(cè)試，通過(guò)測(cè)試后模型對(duì)所述待處理場(chǎng)景區(qū)塊圖進(jìn)行場(chǎng)景設(shè)備設(shè)計(jì)，輸出相應(yīng)設(shè)計(jì)結(jié)果圖。

6、本發(fā)明提供的多場(chǎng)景設(shè)備設(shè)計(jì)方法在接收到用戶輸入的待處理區(qū)塊圖和場(chǎng)景標(biāo)簽后，首先根據(jù)場(chǎng)景標(biāo)簽對(duì)待處理區(qū)塊圖進(jìn)行標(biāo)簽標(biāo)注，即確定每個(gè)區(qū)塊圖中的設(shè)備應(yīng)該應(yīng)用于哪種場(chǎng)景，若是某個(gè)區(qū)塊圖中的設(shè)備可應(yīng)用于多個(gè)場(chǎng)景，則通過(guò)場(chǎng)景標(biāo)簽對(duì)該區(qū)塊圖進(jìn)行多次標(biāo)簽標(biāo)注，將該區(qū)塊圖中設(shè)備可應(yīng)用的場(chǎng)景全部標(biāo)注，使得模型在對(duì)區(qū)塊圖進(jìn)行學(xué)習(xí)和訓(xùn)練后，得以明確每個(gè)區(qū)塊圖中設(shè)備的具體應(yīng)用場(chǎng)景和位置擺放，進(jìn)而提高模型針對(duì)各個(gè)不同場(chǎng)景中設(shè)備位置擺放設(shè)計(jì)的敏感性和準(zhǔn)確性。

7、在對(duì)區(qū)塊圖進(jìn)行場(chǎng)景標(biāo)簽標(biāo)注之后，系統(tǒng)還將依次對(duì)標(biāo)注后的場(chǎng)景區(qū)塊圖進(jìn)行圖像灰度化、噪聲濾波、邊緣識(shí)別以及輪廓提取處理，以此實(shí)現(xiàn)對(duì)場(chǎng)景區(qū)塊圖的二次識(shí)別標(biāo)注，進(jìn)一步提高后續(xù)模型根據(jù)二次識(shí)別標(biāo)注后的圖像進(jìn)行訓(xùn)練和學(xué)習(xí)后，模型對(duì)每個(gè)區(qū)塊圖的應(yīng)用場(chǎng)景以及擺放位置的識(shí)別敏感性和精準(zhǔn)性。而在上述圖像預(yù)處理后，根據(jù)原始圖像生成圖像變體可提高模型的泛化能力，對(duì)生成的圖像變體進(jìn)行歸一化處理，以便每個(gè)圖像變體在歸一化后形成的圖像樣本數(shù)據(jù)均符合模型的輸入數(shù)據(jù)格式要求，提高模型訓(xùn)練效率和穩(wěn)定性。

8、將圖像樣本數(shù)據(jù)分成圖像訓(xùn)練集、驗(yàn)證集和測(cè)試集，可提高系統(tǒng)對(duì)模型訓(xùn)練效果的把控，以使系統(tǒng)通過(guò)驗(yàn)證集和測(cè)試集對(duì)模型的訓(xùn)練效果和性能進(jìn)行評(píng)估和確定，進(jìn)而確定輸出的、用于對(duì)區(qū)塊圖進(jìn)行設(shè)計(jì)的模型是否已滿足用戶的需求，得以根據(jù)區(qū)塊圖設(shè)計(jì)輸出相應(yīng)的設(shè)計(jì)結(jié)果，不僅能提高同質(zhì)性場(chǎng)景的設(shè)計(jì)效率、科學(xué)性和高效性，還可通過(guò)細(xì)分場(chǎng)景實(shí)現(xiàn)設(shè)備擺放方案設(shè)計(jì)的個(gè)性化定制，提升了設(shè)計(jì)的泛化性。同時(shí)，由于模型具備訓(xùn)練性，因此用戶可通過(guò)不斷輸入新的訓(xùn)練樣本數(shù)據(jù)以使模型跟進(jìn)市場(chǎng)變化，實(shí)現(xiàn)模型設(shè)計(jì)的逐步迭代跟進(jìn)。

9、作為優(yōu)選例子，所述根據(jù)所述場(chǎng)景標(biāo)簽對(duì)所述待處理區(qū)塊圖進(jìn)行標(biāo)簽標(biāo)注，獲得待處理場(chǎng)景區(qū)塊圖，具體包括：

10、對(duì)所述待處理區(qū)塊圖進(jìn)行類型識(shí)別，并根據(jù)識(shí)別結(jié)果將所述待處理區(qū)塊圖分類為場(chǎng)景整體設(shè)計(jì)圖和元素標(biāo)識(shí)圖；

11、若分類確定所述待處理區(qū)塊圖為所述場(chǎng)景整體設(shè)計(jì)圖，則根據(jù)所述場(chǎng)景標(biāo)簽對(duì)所述待處理區(qū)塊圖進(jìn)行標(biāo)簽標(biāo)注，獲得對(duì)應(yīng)所述場(chǎng)景區(qū)塊圖；

12、若分類確定所述待處理區(qū)塊圖為所述元素標(biāo)識(shí)圖，則對(duì)所述元素標(biāo)識(shí)圖進(jìn)行元素標(biāo)準(zhǔn)化識(shí)別標(biāo)注，并根據(jù)場(chǎng)景標(biāo)簽對(duì)標(biāo)準(zhǔn)化識(shí)別標(biāo)注后的結(jié)果圖進(jìn)行標(biāo)簽標(biāo)注，獲得所述場(chǎng)景區(qū)塊圖。

13、在對(duì)區(qū)塊圖進(jìn)行標(biāo)簽標(biāo)注之前，首先還將對(duì)其進(jìn)行類型識(shí)別，將其分為場(chǎng)景整體設(shè)計(jì)圖和元素標(biāo)識(shí)圖。若確定區(qū)塊圖為場(chǎng)景整體設(shè)計(jì)圖，則該圖像可直接被場(chǎng)景標(biāo)簽進(jìn)行標(biāo)注，由于其已為某個(gè)應(yīng)用場(chǎng)景的整體設(shè)備擺放設(shè)計(jì)圖，因此系統(tǒng)同樣可將其作為樣本數(shù)據(jù)輸入至模型中進(jìn)行訓(xùn)練，以使模型熟悉該場(chǎng)景下設(shè)備的擺放設(shè)計(jì)。而若是確定區(qū)塊圖僅為元素標(biāo)識(shí)圖，則還需要對(duì)該元素標(biāo)識(shí)圖進(jìn)行標(biāo)準(zhǔn)化識(shí)別標(biāo)注，即對(duì)該元素標(biāo)識(shí)圖中的設(shè)備進(jìn)行標(biāo)準(zhǔn)化標(biāo)注，以使標(biāo)準(zhǔn)化標(biāo)注后的圖像滿足系統(tǒng)進(jìn)行場(chǎng)景標(biāo)簽標(biāo)注的要求。

14、作為優(yōu)選例子，所述依次對(duì)所述待處理場(chǎng)景區(qū)塊圖進(jìn)行圖像灰度化、圖像噪聲濾波、圖像邊緣識(shí)別和圖像輪廓提取處理，獲得識(shí)別標(biāo)注圖，具體為：

15、通過(guò)灰度處理加權(quán)平均法對(duì)所述待處理場(chǎng)景區(qū)塊圖進(jìn)行灰度值計(jì)算，以使所述待處理場(chǎng)景區(qū)塊圖的每個(gè)像素均存在對(duì)應(yīng)的灰度值，獲得對(duì)應(yīng)灰度圖；

16、通過(guò)高斯濾波器對(duì)所述灰度圖進(jìn)行濾波處理，以使高斯濾波器從橫向和豎向兩個(gè)方向?qū)λ龌叶葓D進(jìn)行去噪點(diǎn)，獲得濾波圖；

17、通過(guò)邊緣檢測(cè)算法對(duì)所述濾波圖進(jìn)行邊緣檢測(cè)處理，以使所述濾波圖中的強(qiáng)邊緣被保留并連接，進(jìn)而生成邊緣圖；

18、通過(guò)輪廓提取函數(shù)對(duì)所述邊緣圖進(jìn)行輪廓提取，以使所述邊緣圖中的輪廓被識(shí)別并返回至所述待處理場(chǎng)景區(qū)塊圖中，輸出獲得所述識(shí)別標(biāo)注圖。

19、為了進(jìn)一步提高模型對(duì)設(shè)備擺放設(shè)計(jì)的敏感性，本發(fā)明系統(tǒng)對(duì)場(chǎng)景區(qū)塊圖進(jìn)行二次標(biāo)注包括對(duì)場(chǎng)景區(qū)塊圖進(jìn)行灰度化、噪聲濾波、邊緣識(shí)別和輪廓提取，進(jìn)而獲得識(shí)別標(biāo)注圖。

20、首先，對(duì)圖像進(jìn)行灰度化即計(jì)算圖像中每個(gè)像素點(diǎn)的灰度值，繼而獲得圖像對(duì)應(yīng)的灰度圖即二值圖，提高了后續(xù)模型對(duì)圖像進(jìn)行處理的效率。而通過(guò)高斯濾波器對(duì)灰度圖進(jìn)行濾波處理，從橫向和豎向兩個(gè)方向?qū)D像進(jìn)行去噪點(diǎn)，即從x和y兩個(gè)方向?qū)D像進(jìn)行去噪點(diǎn)，以此實(shí)現(xiàn)圖像去噪。然后是邊緣檢測(cè)算法對(duì)圖像進(jìn)行邊緣檢測(cè)，通過(guò)預(yù)設(shè)的兩個(gè)閾值檢測(cè)圖像中的強(qiáng)邊緣和弱邊緣，保留強(qiáng)邊緣以及和強(qiáng)邊緣連接的弱邊緣，去除其余的弱邊緣，并將保留的點(diǎn)連接形成圖像清晰邊緣。最后采用輪廓提取，通過(guò)預(yù)設(shè)的輪廓提取函數(shù)對(duì)圖像中的輪廓進(jìn)行識(shí)別提取，并將提取自二值圖的輪廓返回至區(qū)塊圖中，以此實(shí)現(xiàn)對(duì)場(chǎng)景區(qū)塊圖的二次標(biāo)注識(shí)別，獲得識(shí)別標(biāo)注圖。

21、作為優(yōu)選例子，所述根據(jù)所述識(shí)別標(biāo)注圖生成圖像變體，并對(duì)所述圖像變體進(jìn)行歸一化處理，獲得圖像樣本數(shù)據(jù)，具體為：

22、對(duì)所述識(shí)別標(biāo)注圖進(jìn)行數(shù)據(jù)增強(qiáng)處理，按照旋轉(zhuǎn)、縮放和顏色變化生成對(duì)應(yīng)旋轉(zhuǎn)圖像變體、縮放圖像變體和色彩圖像變體；

23、將所述旋轉(zhuǎn)圖像變體、所述縮放圖像變體和所述色彩圖像變體整合為所述圖像變體，并對(duì)所述圖像變體進(jìn)行像素值歸一化處理，獲得并輸出所述圖像樣本數(shù)據(jù)。

24、在根據(jù)識(shí)別標(biāo)注圖生成圖像變體之前，還將對(duì)圖像進(jìn)行數(shù)據(jù)增強(qiáng)處理，擴(kuò)展圖像數(shù)據(jù)集，增強(qiáng)模型的泛化能力，具體為按照旋轉(zhuǎn)、縮放和顏色變化生成原圖像的旋轉(zhuǎn)圖像變體、縮放圖像變體和色彩圖像變體，以此實(shí)現(xiàn)對(duì)識(shí)別標(biāo)注圖的數(shù)據(jù)擴(kuò)充，提高后續(xù)模型的擬合程度和泛化能力。

25、擴(kuò)充了圖像之后，系統(tǒng)還將對(duì)圖像進(jìn)行歸一化處理，確保后續(xù)模型訓(xùn)練過(guò)擬合，同時(shí)還可提高模型訓(xùn)練的收斂速度和穩(wěn)定性，有助于避免模型對(duì)輸入數(shù)據(jù)敏感性過(guò)大導(dǎo)致模型輸出出現(xiàn)錯(cuò)誤。

26、作為優(yōu)選例子，所述根據(jù)所述圖像訓(xùn)練集對(duì)初始神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，通過(guò)圖像驗(yàn)證集和圖像測(cè)試集對(duì)訓(xùn)練后模型進(jìn)行性能評(píng)估和測(cè)試，具體包括：

27、將所述圖像訓(xùn)練集輸入至所述初始神經(jīng)網(wǎng)絡(luò)模型中，以使所述初始神經(jīng)網(wǎng)絡(luò)模型對(duì)所述圖像訓(xùn)練集進(jìn)行深度學(xué)習(xí)和訓(xùn)練；其中，所述初始神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)為多分類交叉熵?fù)p失函數(shù)；

28、通過(guò)所述圖像驗(yàn)證集對(duì)訓(xùn)練后模型進(jìn)行性能評(píng)估，獲得評(píng)估結(jié)果，繼而根據(jù)評(píng)估結(jié)果對(duì)所述訓(xùn)練后模型進(jìn)行參數(shù)調(diào)整，并根據(jù)調(diào)整后模型進(jìn)行訓(xùn)練，直到所述評(píng)估結(jié)果符合預(yù)設(shè)的評(píng)估要求；

29、調(diào)用所述圖像測(cè)試集對(duì)所述評(píng)估結(jié)果符合要求的模型進(jìn)行測(cè)試，直到測(cè)試獲得的測(cè)試結(jié)果符合預(yù)設(shè)的測(cè)試要求后，將所述測(cè)試結(jié)果符合要求的模型作為所述測(cè)試后模型進(jìn)行輸出。

30、通過(guò)生成的圖像訓(xùn)練集、圖像驗(yàn)證集和圖像測(cè)試集對(duì)初始神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，使得初始神經(jīng)網(wǎng)絡(luò)模型對(duì)圖像訓(xùn)練集中的數(shù)據(jù)進(jìn)行深度學(xué)習(xí)，而模型采用的損失函數(shù)為多分類交叉熵?fù)p失函數(shù)，通過(guò)該函數(shù)進(jìn)行圖像分類，其衡量了預(yù)測(cè)概率分布與真實(shí)概率分布之間的距離。

31、而在一次訓(xùn)練結(jié)束后，系統(tǒng)將通過(guò)驗(yàn)證數(shù)據(jù)集對(duì)訓(xùn)練后的模型進(jìn)行性能評(píng)估，獲得并根據(jù)評(píng)估結(jié)果確定該訓(xùn)練后的模型是否滿足開啟測(cè)試的要求，即是否可以通過(guò)圖像測(cè)試集對(duì)其進(jìn)行模型輸出前的測(cè)試，而若是評(píng)估結(jié)果確定其還不滿足開啟測(cè)試的要求，則將根據(jù)評(píng)估結(jié)果對(duì)模型進(jìn)行進(jìn)一步的參數(shù)調(diào)整，并控制模型開始二次訓(xùn)練和二次評(píng)估，直到評(píng)估結(jié)果確定其已滿足開啟測(cè)試的要求，可以進(jìn)行測(cè)試。

32、確定后，通過(guò)模型測(cè)試集對(duì)模型進(jìn)行測(cè)試，并根據(jù)測(cè)試結(jié)果確定模型是否可以被作為設(shè)備設(shè)計(jì)模型進(jìn)行輸出，若測(cè)試結(jié)果顯示不滿足輸出條件則將返回至訓(xùn)練的步驟，直到測(cè)試結(jié)果滿足模型的輸出條件，則將模型作為對(duì)空白區(qū)塊圖進(jìn)行設(shè)備設(shè)計(jì)的模型進(jìn)行輸出。

33、相應(yīng)的，本發(fā)明實(shí)施例還提供了一種基于深度學(xué)習(xí)的多場(chǎng)景設(shè)備設(shè)計(jì)裝置，所述多場(chǎng)景設(shè)備設(shè)計(jì)裝置包括圖像標(biāo)注模塊、圖像處理模塊和模型訓(xùn)練模塊；

34、其中，所述圖像標(biāo)注模塊用于接收待處理區(qū)塊圖和場(chǎng)景標(biāo)簽，并根據(jù)所述場(chǎng)景標(biāo)簽對(duì)所述待處理區(qū)塊圖進(jìn)行標(biāo)簽標(biāo)注，獲得待處理場(chǎng)景區(qū)塊圖；

35、所述圖像處理模塊用于依次對(duì)所述待處理場(chǎng)景區(qū)塊圖進(jìn)行圖像灰度化、圖像噪聲濾波、圖像邊緣識(shí)別和圖像輪廓提取處理，獲得識(shí)別標(biāo)注圖，根據(jù)所述識(shí)別標(biāo)注圖生成圖像變體，并對(duì)所述圖像變體進(jìn)行歸一化處理，獲得圖像樣本數(shù)據(jù)；

36、所述模型訓(xùn)練模塊用于按照預(yù)設(shè)的第一比例將所述圖像樣本數(shù)據(jù)分成圖像訓(xùn)練集、圖像驗(yàn)證集和圖像測(cè)試集，繼而根據(jù)所述圖像訓(xùn)練集對(duì)初始神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，通過(guò)圖像驗(yàn)證集和圖像測(cè)試集對(duì)訓(xùn)練后模型進(jìn)行性能評(píng)估和測(cè)試，通過(guò)測(cè)試后模型對(duì)所述待處理場(chǎng)景區(qū)塊圖進(jìn)行場(chǎng)景設(shè)備設(shè)計(jì)，輸出相應(yīng)設(shè)計(jì)結(jié)果圖。

37、作為優(yōu)選例子，所述圖像標(biāo)注模塊根據(jù)所述場(chǎng)景標(biāo)簽對(duì)所述待處理區(qū)塊圖進(jìn)行標(biāo)簽標(biāo)注，獲得待處理場(chǎng)景區(qū)塊圖，具體包括：

38、對(duì)所述待處理區(qū)塊圖進(jìn)行類型識(shí)別，并根據(jù)識(shí)別結(jié)果將所述待處理區(qū)塊圖分類為場(chǎng)景整體設(shè)計(jì)圖和元素標(biāo)識(shí)圖；

39、若分類確定所述待處理區(qū)塊圖為所述場(chǎng)景整體設(shè)計(jì)圖，則根據(jù)所述場(chǎng)景標(biāo)簽對(duì)所述待處理區(qū)塊圖進(jìn)行標(biāo)簽標(biāo)注，獲得對(duì)應(yīng)所述場(chǎng)景區(qū)塊圖；

40、若分類確定所述待處理區(qū)塊圖為所述元素標(biāo)識(shí)圖，則對(duì)所述元素標(biāo)識(shí)圖進(jìn)行元素標(biāo)準(zhǔn)化識(shí)別標(biāo)注，并根據(jù)場(chǎng)景標(biāo)簽對(duì)標(biāo)準(zhǔn)化識(shí)別標(biāo)注后的結(jié)果圖進(jìn)行標(biāo)簽標(biāo)注，獲得所述場(chǎng)景區(qū)塊圖。

41、作為優(yōu)選例子，所述圖像處理模塊依次對(duì)所述待處理場(chǎng)景區(qū)塊圖進(jìn)行圖像灰度化、圖像噪聲濾波、圖像邊緣識(shí)別和圖像輪廓提取處理，獲得識(shí)別標(biāo)注圖，具體為：

42、通過(guò)灰度處理加權(quán)平均法對(duì)所述待處理圖像區(qū)塊圖進(jìn)行灰度值計(jì)算，以使所述待處理場(chǎng)景區(qū)塊圖的每個(gè)像素均存在對(duì)應(yīng)的灰度值，獲得對(duì)應(yīng)灰度圖；

43、通過(guò)高斯濾波器對(duì)所述灰度圖進(jìn)行濾波處理，以使高斯濾波器從橫向和豎向兩個(gè)方向?qū)λ龌叶葓D進(jìn)行去噪點(diǎn)，獲得濾波圖；

44、通過(guò)邊緣檢測(cè)算法對(duì)所述濾波圖進(jìn)行邊緣檢測(cè)處理，以使所述濾波圖中的強(qiáng)邊緣被保留并連接，進(jìn)而生成邊緣圖；

45、通過(guò)輪廓提取函數(shù)對(duì)所述邊緣圖進(jìn)行輪廓提取，以使所述邊緣圖中的輪廓被識(shí)別并返回至所述帶出場(chǎng)景區(qū)塊圖中，輸出獲得所述識(shí)別標(biāo)注圖。

46、作為優(yōu)選例子，所述圖像處理模塊根據(jù)所述識(shí)別標(biāo)注圖生成圖像變體，并對(duì)所述圖像變體進(jìn)行歸一化處理，獲得圖像樣本數(shù)據(jù)，具體為：

47、對(duì)所述識(shí)別標(biāo)注圖進(jìn)行數(shù)據(jù)增強(qiáng)處理，按照旋轉(zhuǎn)、縮放和顏色變化生成對(duì)應(yīng)旋轉(zhuǎn)圖像變體、縮放圖像變體和色彩圖像變體；

48、將所述旋轉(zhuǎn)圖像變體、所述縮放圖像變體和所述色彩圖像變體整合為所述圖像變體，并對(duì)所述圖像變體進(jìn)行像素值歸一化處理，獲得并輸出所述圖像樣本數(shù)據(jù)。

49、作為優(yōu)選例子，所述模型訓(xùn)練模塊根據(jù)所述圖像訓(xùn)練集對(duì)初始神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，通過(guò)圖像驗(yàn)證集和圖像測(cè)試集對(duì)訓(xùn)練后模型進(jìn)行性能評(píng)估和測(cè)試，具體包括：

50、將所述圖像訓(xùn)練集輸入至所述初始神經(jīng)網(wǎng)絡(luò)模型中，以使所述初始神經(jīng)網(wǎng)絡(luò)模型對(duì)所述圖像訓(xùn)練集進(jìn)行深度學(xué)習(xí)和訓(xùn)練；其中，所述初始神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)為多分類交叉熵?fù)p失函數(shù)；

51、通過(guò)所述圖像驗(yàn)證集對(duì)訓(xùn)練后模型進(jìn)行性能評(píng)估，獲得評(píng)估結(jié)果，繼而根據(jù)評(píng)估結(jié)果對(duì)所述訓(xùn)練后模型進(jìn)行參數(shù)調(diào)整，并根據(jù)調(diào)整后模型進(jìn)行訓(xùn)練，直到所述評(píng)估結(jié)果符合預(yù)設(shè)的評(píng)估要求；

52、調(diào)用所述圖像測(cè)試集對(duì)所述評(píng)估結(jié)果符合要求的模型進(jìn)行測(cè)試，直到測(cè)試獲得的測(cè)試結(jié)果符合預(yù)設(shè)的測(cè)試要求后，將所述測(cè)試結(jié)果符合要求的模型作為所述測(cè)試后模型進(jìn)行輸出。