[發(fā)明專利]圖片自動分類方法、裝置及計算機可讀存儲介質

在審

• 申請?zhí)枺?/td>: 201811254121.3
• 申請日: 2018-10-26
• 公開（公告）號: CN109657694A
• 公開（公告）日: 2019-04-19
• 發(fā)明（設計）人: 肖玉賓;楊將
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市沃德知識產權代理事務所(普通合伙) 44347
• 代理人: 高杰;于志光

1.一種圖片自動分類方法，應用于電子裝置中，其特征在于，所述方法包括：

為每一個預設圖片類別準備預設數量的標注有對應的圖片類別的圖片樣本；

將每一個預設圖片類別對應的圖片樣本分為第一比例的訓練子集和第二比例的驗證子集，將各個訓練子集中的圖片樣本進行混合以得到訓練集，并將各個驗證子集中的圖片樣本進行混合以得到驗證集；

通過所述訓練集訓練神經網絡圖片識別模型；

通過所述驗證集驗證訓練的所述神經網絡圖片識別模型的準確率，當準確率大于或者等于預設閾值時，訓練結束；

接收由用戶終端輸入的當前圖片；

利用訓練好的神經網絡圖片識別模型對所述當前圖片進行類別識別及標注，并存儲識別結果及標注結果至數據庫；

接收針對一圖片類別的查詢指令，根據所述查詢指令在所述數據庫中查找圖片資料并顯示找到的圖片資料。

2.如權利要求1所述的圖片自動分類方法，其特征在于，所述方法還包括：當準確率小于所述預設閾值，增加每一個預設圖片類別對應的證件圖片樣本的數量，再重新將每一預設圖片類別更新后的圖片樣本分為新的訓練子集及驗證子集。

3.如權利要求1所述的圖片自動分類方法，其特征在于，所述接收由用戶終端輸入的當前圖片的步驟包括：

顯示用戶輸入界面；

接收由用戶輸入的所述圖片信息；及

接收由用戶上傳的所述圖片資料。

4.如權利要求1所述的圖片自動分類方法，其特征在于，所述通過所述訓練集訓練神經網絡圖片識別模型的步驟包括：

構建神經網絡圖片識別模型，所述神經網絡圖片識別模型為AlexNet神經網絡，所述神經網絡圖片識別模型包括5個卷積層及3個全連接層，最后一個全連接層的輸出是具有1000個輸出的輸出層，在每一個卷積層以及全連接層后緊跟的操作是激活操作，卷積層卷積操作公式為：

其中l(wèi)表示第l層，j表示卷積層的第j個核，M表示卷積核所在區(qū)域，k表示卷積核，b表示偏置，x表示特征圖對應位置的值，f表示激活函數，i、j、l為自然數；

將所述訓練集代入所述神經網絡圖片識別模型進行訓練。

5.如權利要求4所述的圖片自動分類方法，其特征在于，所述全連接層表達式為：

y^j＝f(xⁱ)＝b^j+∑_iw^ij·x^j

其中y^j是一個輸出向量中的第j個神經元，xⁱ是輸入向量中的第i個神經元，w是一個全連層中的權重參數。

6.一種電子裝置，其特征在于，所述電子裝置包括存儲器和處理器，所述存儲器上存儲有可在所述處理器上運行的圖片自動分類程序，所述圖片自動分類程序被所述處理器執(zhí)行時實現如下步驟：

為每一個預設圖片類別準備預設數量的標注有對應的圖片類別的圖片樣本；

將每一個預設圖片類別對應的圖片樣本分為第一比例的訓練子集和第二比例的驗證子集，將各個訓練子集中的圖片樣本進行混合以得到訓練集，并將各個驗證子集中的圖片樣本進行混合以得到驗證集；

通過所述訓練集訓練神經網絡圖片識別模型；

通過所述驗證集驗證訓練的所述神經網絡圖片識別模型的準確率，當準確率大于或者等于預設閾值時，訓練結束；

接收由用戶終端輸入的當前圖片；

利用訓練好的神經網絡圖片識別模型對所述當前圖片進行類別識別及標注，并存儲識別結果及標注結果至數據庫；

接收針對一圖片類別的查詢指令，根據所述查詢指令在所述數據庫中查找圖片資料并顯示找到的圖片資料。

7.如權利要求6所述的電子裝置，其特征在于，所述圖片自動分類程序被所述處理器執(zhí)行時還實現如下步驟：當準確率小于所述預設閾值，增加每一個預設圖片類別對應的證件圖片樣本的數量，再重新將每一預設圖片類別更新后的圖片樣本分為新的訓練子集及驗證子集。