[發明專利]一種判斷網絡餐飲商家證照缺失的方法

有效

• 申請號: 201910064913.2
• 申請日: 2019-01-23
• 公開（公告）號: CN109934219B
• 公開（公告）日: 2021-04-13
• 發明（設計）人: 不公告發明人
• 申請（專利權）人: 成都數之聯科技有限公司
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/62
• 代理公司: 成都帝鵬知識產權代理事務所(普通合伙) 51265
• 代理人: 黎照西

1.一種判斷網絡餐飲商家證照缺失的方法，其特征在于，包括步驟：

S100，數據集收集和存儲：使用爬蟲技術從各網絡餐飲平臺爬取商家證件圖片數據，將爬取到的數據存儲在數據庫中；從數據庫中分組選取圖片進行標注，將圖片標注進行分類；

S200，構建梯度增強注意力網絡模型：所述梯度增強注意力網絡模型包括主網絡、子網絡和注意力模塊；所述主網絡對輸入圖片進行變換后得到主網絡特征圖；所述子網絡為一個除通道數外其他參數與主網絡參數完全相同的網絡，用于計算與主網絡特征圖相同大小的子網絡梯度特征圖；所述主網絡和子網絡通過注意力模塊連接，注意力模塊計算子網絡梯度特征圖與主網絡特征圖的相似度，得到梯度特征增強的特征圖返回給主網絡；

所述主網絡包括多個殘差模塊、平均池化層和全連接層，每個所述殘差模塊依次串聯后連接至平均池化層，所述平均池化層連接至全連接層；每個殘差模塊和平均池化層均通過各自的注意力模塊連接子網絡；所述注意力模塊計算子網絡梯度特征圖與主網絡特征圖的相似度；將子網絡梯度特征圖與主網絡特征圖經過softmax層后得到通道權重，主網絡特征圖張量乘以所述通道權重后得到梯度特征增強的特征圖并傳往下一個模塊；

S300，優化模型參數：從數據庫中讀取標注后的圖片數據對所述梯度增強注意力網絡模型進行優化訓練；

S400，預測證件類別：從數據庫中讀取無標簽的圖片數據，并將無標簽的圖片數據輸入所述梯度增強注意力網絡模型，得到預測的證件類別；

S500，根據預測得到的證件類別，對比得出餐飲商家所缺失的證件。

2.根據權利要求1所述的一種判斷網絡餐飲商家證照缺失的方法，其特征在于，所述梯度增強注意力網絡模型圖片處理過程包括步驟：

在主網絡中對輸入圖片進行梯度變換，分別與x軸和y軸方向的Sobel算子進行卷積計算，得到圖片在兩個方向上的主網絡特征圖；

將所述主網絡特征圖輸入子網絡；

通過子網絡計算與主網絡特征圖相同大小的子網絡梯度特征圖；

所述注意力模塊分別計算子網絡梯度特征圖與主網絡特征圖的相似度，經過softmax層后得到通道權重，主網絡特征圖張量乘以所述通道權重后得到梯度特征增強的特征圖。

3.根據權利要求2所述的一種判斷網絡餐飲商家證照缺失的方法，其特征在于，所述子網絡的輸入通道數為2，且每個通道互相獨立；子網絡的所有卷積核為2維，所有卷積輸入輸出通道數均為1。

4.根據權利要求3所述的一種判斷網絡餐飲商家證照缺失的方法，其特征在于，在所述注意力模塊中，計算公式為：

所述子網絡梯度特征圖與主網絡特征圖的相似度為：

f_ij為主網絡的特征圖，g_i^x和g_i^y為特征圖相同大小的梯度特征圖；

所述權重ω_i^x，ω_i^y為：

所述梯度特征增強的特征圖f′_ij為：

其中，d是為增強權重衰減系數。

5.根據權利要求1所述的一種判斷網絡餐飲商家證照缺失的方法，其特征在于，在所述步驟S100中根據圖片進行分類后的標注圖片，得到訓練集、驗證集和測試集，并將所述訓練集、驗證集和測試集存儲在云端服務器中；

在所述步驟S300中，利用所述訓練集輸入模型進行訓練，調整參數，直到驗證集在模型上的損失函數輸出降到臨界值；在測試集上測試模型，輸入測試集得到預測輸出，將預測輸出和測試集的標簽對比得到混淆矩陣，經過計算得到準確率。

6.根據權利要求1所述的一種判斷網絡餐飲商家證照缺失的方法，其特征在于，將圖片標注進行分類，分類類別根據食品證件設立，包括食品經營許可證、餐飲服務許可證、營業執照、食品流通許可證和食品店備案證。