[發(fā)明專利]圖片自動(dòng)分類方法、裝置及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 201811254121.3
• 申請(qǐng)日: 2018-10-26
• 公開（公告）號(hào): CN109657694A
• 公開（公告）日: 2019-04-19
• 發(fā)明（設(shè)計(jì)）人: 肖玉賓;楊將
• 申請(qǐng)（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市沃德知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44347
• 代理人: 高杰;于志光

本發(fā)明涉及一種圖像識(shí)別技術(shù)，揭露了一種圖片自動(dòng)分類方法、裝置及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，該方法包括：為每一個(gè)預(yù)設(shè)圖片類別準(zhǔn)備預(yù)設(shè)數(shù)量的標(biāo)注有對(duì)應(yīng)的圖片類別的圖片樣本；將每一個(gè)預(yù)設(shè)圖片類別對(duì)應(yīng)的圖片樣本分為第一比例的訓(xùn)練子集和第二比例的驗(yàn)證子集，將各個(gè)訓(xùn)練子集中的圖片樣本進(jìn)行混合以得到訓(xùn)練集，并將各個(gè)驗(yàn)證子集中的圖片樣本進(jìn)行混合以得到驗(yàn)證集；通過訓(xùn)練集訓(xùn)練神經(jīng)網(wǎng)絡(luò)圖片識(shí)別模型；通過驗(yàn)證集驗(yàn)證訓(xùn)練的神經(jīng)網(wǎng)絡(luò)圖片識(shí)別模型的準(zhǔn)確率；接收由用戶終端輸入的當(dāng)前圖片；利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)圖片識(shí)別模型對(duì)當(dāng)前圖片進(jìn)行類別識(shí)別及標(biāo)注；接收查詢指令，根據(jù)查詢指令在數(shù)據(jù)庫(kù)中查找圖片資料并顯示找到的圖片資料。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像識(shí)別領(lǐng)域，尤其涉及一種圖片自動(dòng)分類方法、裝置及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

目前很多事務(wù)辦理(例如保險(xiǎn))都可以通過網(wǎng)絡(luò)處理，客戶直接使用輸入終端打開操作界面將需要的信息及圖片資料(通常的圖片包括身份證、戶口本、駕照、出生證等)上傳，接收終端接收到信息及圖片資料后，勢(shì)必需要對(duì)所述圖片進(jìn)行標(biāo)注分類。目前的操作方式是安排質(zhì)控員在接收終端前對(duì)所述圖片資料進(jìn)行標(biāo)注分類，這種方式勢(shì)必影響工作效率。另外由于人工處理耗時(shí)，拉長(zhǎng)了事務(wù)處理進(jìn)度，這樣勢(shì)必影響客戶的體驗(yàn)。

發(fā)明內(nèi)容

本發(fā)明提供一種圖片自動(dòng)分類方法、裝置及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其主要目的在于提高圖片標(biāo)注的效率。

為實(shí)現(xiàn)上述目的，本發(fā)明提供一種圖片自動(dòng)分類方法，應(yīng)用于電子裝置中，所述方法包括：

為每一個(gè)預(yù)設(shè)圖片類別準(zhǔn)備預(yù)設(shè)數(shù)量的標(biāo)注有對(duì)應(yīng)的圖片類別的圖片樣本；

將每一個(gè)預(yù)設(shè)圖片類別對(duì)應(yīng)的圖片樣本分為第一比例的訓(xùn)練子集和第二比例的驗(yàn)證子集，將各個(gè)訓(xùn)練子集中的圖片樣本進(jìn)行混合以得到訓(xùn)練集，并將各個(gè)驗(yàn)證子集中的圖片樣本進(jìn)行混合以得到驗(yàn)證集；

通過所述訓(xùn)練集訓(xùn)練神經(jīng)網(wǎng)絡(luò)圖片識(shí)別模型；

通過所述驗(yàn)證集驗(yàn)證訓(xùn)練的所述神經(jīng)網(wǎng)絡(luò)圖片識(shí)別模型的準(zhǔn)確率，當(dāng)準(zhǔn)確率大于或者等于預(yù)設(shè)閾值時(shí)，訓(xùn)練結(jié)束；

接收由用戶終端輸入的當(dāng)前圖片；

利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)圖片識(shí)別模型對(duì)所述當(dāng)前圖片進(jìn)行類別識(shí)別及標(biāo)注，并存儲(chǔ)識(shí)別結(jié)果及標(biāo)注結(jié)果至數(shù)據(jù)庫(kù)；

接收針對(duì)一圖片類別的查詢指令，根據(jù)所述查詢指令在所述數(shù)據(jù)庫(kù)中查找圖片資料并顯示找到的圖片資料。

可選地，所述方法還包括：當(dāng)準(zhǔn)確率小于所述預(yù)設(shè)閾值，增加每一個(gè)預(yù)設(shè)圖片類別對(duì)應(yīng)的證件圖片樣本的數(shù)量，再重新將每一預(yù)設(shè)圖片類別更新后的圖片樣本分為新的訓(xùn)練子集及驗(yàn)證子集。

可選地，所述接收由用戶終端輸入的當(dāng)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。

可選地，所述通過所述訓(xùn)練集訓(xùn)練神經(jīng)網(wǎng)絡(luò)圖片識(shí)別模型的步驟包括：

構(gòu)建神經(jīng)網(wǎng)絡(luò)圖片識(shí)別模型，所述神經(jīng)網(wǎng)絡(luò)圖片識(shí)別模型為AlexNet神經(jīng)網(wǎng)絡(luò)，所述神經(jīng)網(wǎng)絡(luò)圖片識(shí)別模型包括5個(gè)卷積層及3個(gè)全連接層，最后一個(gè)全連接層的輸出是具有1000個(gè)輸出的輸出層，在每一個(gè)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(gè)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(duì)應(yīng)位置的值，f表示激活函數(shù)，i、j、l為自然數(shù)；

將所述訓(xùn)練集代入所述神經(jīng)網(wǎng)絡(luò)圖片識(shí)別模型進(jìn)行訓(xùn)練。

可選地，所述全連接層表達(dá)式為：