一种基于云平台和模型智能推荐的图像识别方法及系统与流程

本发明实施例涉及人工智能技术领域，更具体地，涉及一种基于云平台和模型智能推荐的图像识别方法及系统。

背景技术：

机器学习是人工智能的一个分支。人工智能的研究是从以“推理”为重点到以“知识”为重点，再到以“学习”为重点，一条自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。机器学习在近30多年已发展为一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。

深度学习是机器学习中一种基于对数据进行表征学习的方法，深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据，其中，利用神经网络进行图像识别是近年来的热门领域。

但是由于许多深度学习算法难度较大，涉及数学与计算机科学，在将神经网络应用于图像识别时，往往需要具有较高素质的专业人员进行模型的开发设计，不利于推广应用。

技术实现要素：

本发明实施例提供了一种克服上述问题或者至少部分地解决上述问题的基于云平台和模型智能推荐的图像识别方法及系统。

第一方面本发明实施例提供了一种基于云平台和模型智能推荐的图像识别方法，包括：

从待识别图像集合中获取至少一张携带有标注信息的待识别图像；

根据所述至少一张携带有标注信息的待识别图像所携带的标注信息的类别，从云平台上的预设模型库中获取目标神经网络模型；其中，所述预设模型库中存储有一一对应的多种标注信息的类别和多种神经网络模型；

利用所述目标神经网络模型对所述待识别图像集合中未携带标注信息的待识别图像进行识别。

另一方面本发明实施例提供了一种基于云平台和模型智能推荐的图像识别系统，包括：

标注信息图像获取模块，用于从待识别图像集合中获取至少一张携带有标注信息的待识别图像；

目标神经网络获取模块，用于根据所述至少一张携带有标注信息的待识别图像所携带的标注信息的类别，从云平台上的预设模型库中获取目标神经网络模型；其中，所述预设模型库中存储有一一对应的多种标注信息的类别和多种神经网络模型；

图像识别模块，用于利用所述目标神经网络模型对所述待识别图像集合中未标注的待识别图像进行识别。

第三方面本发明实施例提供了包括处理器、通信接口、存储器和总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信，处理器可以调用存储器中的逻辑指令，以执行第一方面提供的基于云平台和模型智能推荐的图像识别方法。

第四方面本发明实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面提供的基于云平台和模型智能推荐的图像识别方法。

本发明实施例提供的一种基于云平台和模型智能推荐的图像识别方法及系统，云平台根据待识别图像集合中携带有标注信息的待识别图像所携带的标注信息的种类从预设模型库中选取对应的目标神经网络模型，来对待识别图像集合中未标注的待识别图像进行识别，用户在使用过程中只需上传包含携带有标注信息的待识别图像的待识别图像集合，云平台即可智能推荐对应的目标神经网络模型，完成对待识别图像的识别，简单易行，且准确率高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于云平台和模型智能推荐的图像识别方法的流程图；

图2为本发明实施例提供的一种基于云平台和模型智能推荐的图像识别系统的结构框图；

图3为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的一种基于云平台和模型智能推荐的图像识别方法的流程图，如图1所示，包括：

s101，从待识别图像集合中获取至少一张携带有标注信息的待识别图像；

s102，根据所述至少一张携带有标注信息的待识别图像所携带的标注信息的类别，从云平台上的预设模型库中获取目标神经网络模型；其中，所述预设模型库中存储有一一对应的多种标注信息的类别和多种神经网络模型；

s103，利用所述目标神经网络模型对所述待识别图像集合中未标注的待识别图像进行识别。

其中，在步骤s101中，在用户明确待识别图像的识别目标的情况下，用户可以通过人工或预设算法计算的方式获取到待识别图像的识别结果，利用识别结果对待识别图像进行标注即可得到携带有标注信息的待识别图像。例如，用户的识别目标是得到待识别图像的灰度值，用户通过预设算法计算获知某一待识别图像的识别结果为灰度值y，则用灰度值y对该待识别图像进行标注，即得到对应的携带有标注信息(灰度值y)的待识别图像。其中，标注信息的种类对应于识别结果和识别目标的种类，可以有多种，例如，像素点数量、灰度值等。对于待识别图像集合中部分待识别图像的标注，一般由用户在交互终端上手工完成，其标注的数量根据实际需求确定。

云平台从待识别图像集合中获取至少一张携带有标注信息的待识别图像，以确定其所携带的标注信息的种类。

在步骤s102中，云平台获取到至少一张携带有标注信息的待识别图像，确定其所携带的标注信息的种类后，在预设模型库中选取与该标注信息种类相对应的神经网络模型作为目标神经网络模型。例如，当标注信息种类为灰度值时，选取与灰度值对应的神经网络模型为目标神经网络模型。

在步骤s103中，在获得了目标神经网络模型后，云平台将获取到的待识别图像集合中未标注的待识别图像输入目标神经网络模型，输出识别结果。例如，输出待识别图像的灰度值x。

本发明实施例提供的一种基于云平台和模型智能推荐的图像识别方法，云平台根据待识别图像集合中携带有标注信息的待识别图像所携带的标注信息的种类从预设模型库中选取对应的目标神经网络模型，来对待识别图像集合中未标注的待识别图像进行识别，用户在使用过程中只需上传包含携带有标注信息的待识别图像的待识别图像集合，云平台即可智能推荐对应的目标神经网络模型，完成对待识别图像的识别，简单易行，且准确率高。

在上述实施例中，在根据所述至少一张携带有标注信息的待识别图像所携带的标注信息的类别，从云平台上的预设模型库中获取目标神经网络模型之前，还包括：

在所述云平台上建立所述预设模型库。

具体地，将常用的各种用于图像是别的神经网络模型一一对应的存储在预设模型库中，以供模型智能推荐时选用。

在上述实施例中，所述根据所述至少一张携带有标注信息的待识别图像所携带的标注信息的类别，从云平台上的预设模型库中获取对应的目标神经网络模型，具体包括：

将所述预设模型库中与所述至少一张携带有标注信息的待识别图像所携带的标注信息的类别对应的神经网络模型作为所述目标神经网络模型。

在上述实施例中，在利用所述目标神经网络模型对所述待识别图像集合中未携带标注信息的待识别图像进行识别之前，还包括：

获取训练数据集，利用所述训练数据集对所述目标神经网络模型进行训练得到训练好的目标神经网络模型。

具体地，对目标神经网络模型进行训练可以使的后续识别的准确率更高。

在上述实施例中，所述获取训练数据集，利用所述训练数据集对所述目标神经网络模型进行训练得到训练好的目标神经网络模型，进一步包括：

将所述至少一张携带有标注信息的待识别图像作为所述训练数据集，并将每一张携带有标注信息的待识别图像作为所述神经网络模型的输入，将每一张携带有标注信息的待识别图像的标注信息作为输出，对所述目标神经网络模型进行训练得到训练好的目标神经网络模型。

具体地，当携带有标注信息的待识别图像的数量足够多，或者图像识别的准确度要求不很苛刻时，可以直接采用携带有标注信息的待识别图像作为训练数据集，则每一携带有标注信息的待识别图像作为所述神经网络模型的输入，将每一携带有标注信息的待识别图像对应的标注信息作为输出，对所述神经网络模型进行训练得到训练好的神经网络模型。这样可以无需另外获取相应的训练数据集，节约时间，令图像识别更快捷。

在上述实施例中，所述获取训练数据集，利用所述训练数据集对所述目标神经网络模型进行训练得到训练好的目标神经网络模型，进一步包括：

根据所述至少一张携带有标注信息的待识别图像从云平台上的预设训练数据集合中选取所述训练数据集，利用所述训练数据集对所述神经网络模型进行训练得到训练好的神经网络模型。

具体地，当携带有标注信息的待识别图像的数量不够，或者图像识别的准确度要求较高时，就需要云平台参照携带有标注信息的待识别图像在云平台上的预设训练数据集合中选取所述训练数据。同样该训练数据集中的各图像需要有标注信息，在训练过程中，将该训练数据集中每一图像作为所述神经网络模型的输入，将该训练数据集中每一图像对应的标注信息作为输出，对所述神经网络模型进行训练得到训练好的目标神经网络模型。

在上述实施例中，利用所述目标神经网络模型对所述待识别图像集合中未携带标注信息的待识别图像进行识别之前，还包括：

对所述待识别图像集合中未携带标注信息的待识别图像进行图像预处理。具体地，对待识别图像集合中各图像进行图像预处理可以使得图像识别准确率更高。

图2为本发明实施例提供的一种基于云平台和模型智能推荐的图像识别系统的结构框图，如图2所示，包括：标注信息图像获取模块201、目标神经网络获取模块202及图像识别模块203。其中：

标注信息图像获取模块201用于从待识别图像集合中获取至少一张携带有标注信息的待识别图像。目标神经网络获取模块202用于根据所述至少一张携带有标注信息的待识别图像所携带的标注信息的类别，从云平台上的预设模型库中获取目标神经网络模型；其中，所述预设模型库中存储有一一对应的多种标注信息的类别和多种神经网络模型。图像识别模块203用于利用所述目标神经网络模型对所述待识别图像集合中未标注的待识别图像进行识别。

具体地，所述系统还包括预设模型库建立模块，用于在所述云平台上建立所述预设模型库。

目标神经网络获取模块202，具体用于：

将所述预设模型库中与所述至少一张携带有标注信息的待识别图像所携带的标注信息的类别对应的神经网络模型作为所述目标神经网络模型。

所述系统还包括训练模块，用于获取训练数据集，利用所述训练数据集对所述神经网络模型进行训练得到训练好的神经网络模型。

训练模块进一步用于：

将所述预设图像集合作为训练数据集，并将每一预设图像作为所述神经网络模型的输入，将每一预设图像对应的标注信息作为输出，对所述神经网络模型进行训练得到训练好的神经网络模型。

训练模块进一步用于：

根据所述预设图像集合从云平台上的预设训练数据集合中选取所述训练数据集，利用所述训练数据集对所述神经网络模型进行训练得到训练好的神经网络模型。

所述系统还包括图像预处理模块，用于对所述待识别图像集合中未携带标注信息的待识别图像进行图像预处理。

本发明实施例提供的一种基于云平台和模型智能推荐的图像识别系统，云平台根据待识别图像集合中携带有标注信息的待识别图像所携带的标注信息的种类从预设模型库中选取对应的目标神经网络模型，来对待识别图像集合中未标注的待识别图像进行识别，用户在使用过程中只需上传包含携带有标注信息的待识别图像的待识别图像集合，云平台即可智能推荐对应的目标神经网络模型，完成对待识别图像的识别，简单易行，且准确率高。

图3为本发明实施例提供的一种电子设备的结构示意图，如图3所示，电子设备包括：处理器(processor)301、通信接口(communicationsinterface)302、存储器(memory)303和总线304，其中，处理器301，通信接口302，存储器303通过总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令，以执行如下方法，例如包括：从待识别图像集合中获取至少一张携带有标注信息的待识别图像；根据所述至少一张携带有标注信息的待识别图像所携带的标注信息的类别，从云平台上的预设模型库中获取目标神经网络模型；其中，所述预设模型库中存储有一一对应的多种标注信息的类别和多种神经网络模型；利用所述目标神经网络模型对所述待识别图像集合中未携带标注信息的待识别图像进行识别。

上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：从待识别图像集合中获取至少一张携带有标注信息的待识别图像；根据所述至少一张携带有标注信息的待识别图像所携带的标注信息的类别，从云平台上的预设模型库中获取目标神经网络模型；其中，所述预设模型库中存储有一一对应的多种标注信息的类别和多种神经网络模型；利用所述目标神经网络模型对所述待识别图像集合中未携带标注信息的待识别图像进行识别。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

以上所描述的通信设备等实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。