【技术实现步骤摘要】
基于卷积神经网络的机动车、驾驶人档案图像识别方法
本专利技术属于深度学习
,具体涉及到一种基于卷积神经网络的机动车、驾驶人档案图像识别方法。
技术介绍
随着经济和社会的发展,互联网的普及率越来越高,每时每刻在互联网上都有大量的图像资源在产生、传送、接收。图像资源包含着大量对经济、社会有益的信息,在数量如此众多的图像资源下,人工识别会消耗大量的人工和费用,所以利用计算机来完成图像识别任务就显得尤为重要。随着“互联网+”的提出,各个领域大量的图像资源都会上传到网络上。随着城市人口逐渐增加,汽车保有量的飞速增长,机动车、驾驶人档案图像的数据量也在飞速增长。机动车、驾驶人档案图像类别众多,并且由于大量历史数据的存在,同一类别的图像也存在样式区别巨大等的特点,由于这些原因,根据以往的经验,通过人工识别、上传图像时,难免出现分类错误等现象,而且存在大量未分类的历史数据,如果由人工逐一核实比对重新分类,将耗费大量的人工,并且很难保证重新分类过程中不出现再次分类错误。如何能够通过深度学习的技术手段,对机动车、驾驶人档案图像进行自动识别、分类,将会大大降低人工的费用和时间。
技术实现思路
本专利技术针对现有技术的不足,提供了一种基于卷积神经网络的机动车、驾驶人档案图像识别方法。本专利技术中所谓的机动车、驾驶人档案图像是指包含档案资料目录、机动车驾驶证申请表、身体条件证明、身份证复印件、科目一成绩单、驾驶证、行驶证、购置税、合格证、汽车图片等100余种,涵盖机动车和驾驶人业务的档案图像(参考《业务资料影像化分类代码》)。本专利技术技术方案的主要构思:根据海量的机动车、驾驶人 ...
【技术保护点】
1.基于卷积神经网络的机动车、驾驶人档案图像识别方法,其特征在于,该方法具体包括以下步骤:步骤(1)、准备足够的机动车、驾驶人档案图像,同一类别的档案图像放置在同一文件夹中;步骤(2)、将机动车、驾驶人档案图像按设定比例自动分成训练集、测试集;步骤(3)、将训练集、测试集数据分别转换成TF‑Record形式,在此过程中统一图像大小,并对图像进行标准化处理;步骤(4)、选择合适的超参数,搭建一个卷积神经网络;步骤(5)、将训练集的TF‑Record数据作为输入,选择合适的迭代次数,训练搭建好的卷积神经网络;步骤(6)、将测试集的TF‑Record数据作为输入,通过训练好的卷积神经网络得到对应的测试集准确率;步骤(7)、判断测试集准确率是否达到预期标准,如果未达到预期标准,则重复步骤(4),(5),(6)数次,直到测试集准确率达到预期标准为止;步骤(8).使用训练好的卷积神经网络模型制成机动车、驾驶人档案图像识别器和分类器,能够完成单张识别和多张分类的功能。
【技术特征摘要】
1.基于卷积神经网络的机动车、驾驶人档案图像识别方法,其特征在于,该方法具体包括以下步骤:步骤(1)、准备足够的机动车、驾驶人档案图像,同一类别的档案图像放置在同一文件夹中;步骤(2)、将机动车、驾驶人档案图像按设定比例自动分成训练集、测试集;步骤(3)、将训练集、测试集数据分别转换成TF-Record形式,在此过程中统一图像大小,并对图像进行标准化处理;步骤(4)、选择合适的超参数,搭建一个卷积神经网络;步骤(5)、将训练集的TF-Record数据作为输入,选择合适的迭代次数,训练搭建好的卷积神经网络;步骤(6)、将测试集的TF-Record数据作为输入,通过训练好的卷积神经网络得到对应的测试集准确率;步骤(7)、判断测试集准确率是否达到预期标准,如果未达到预期标准,则重复步骤(4),(5),(6)数次,直到测试集准确率达到预期标准为止;步骤(8).使用训练好的卷积神经网络模型制成机动车、驾驶人档案图像识别器和分类器,能够完成单张识别和多张分类的功能。2.根据权利要求1所述的基于卷积神经网络的机动车、驾驶人档案图像识别方法,其特征在于:步骤(3)具体为:将训练集、测试集中的图像统一转换为指定的大小:width*height*3,其中,width是图片的宽度,height是图...
【专利技术属性】
技术研发人员:黄冬发,陈教,王天然,李万清,
申请(专利权)人:杭州诚道科技股份有限公司,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。