图片自动分类方法、装置及计算机可读存储介质制造方法及图纸

本发明专利技术涉及一种图像识别技术，揭露了一种图片自动分类方法、装置及计算机可读存储介质，该方法包括：为每一个预设图片类别准备预设数量的标注有对应的图片类别的图片样本；将每一个预设图片类别对应的图片样本分为第一比例的训练子集和第二比例的验证子集，将各个训练子集中的图片样本进行混合以得到训练集，并将各个验证子集中的图片样本进行混合以得到验证集；通过训练集训练神经网络图片识别模型；通过验证集验证训练的神经网络图片识别模型的准确率；接收由用户终端输入的当前图片；利用训练好的神经网络图片识别模型对当前图片进行类别识别及标注；接收查询指令，根据查询指令在数据库中查找图片资料并显示找到的图片资料。

Automatic Image Classification Method, Device and Computer Readable Storage Media

The invention relates to an image recognition technology, which discloses an automatic image classification method, device and computer readable storage medium. The method includes: preparing a preset number of image samples labeled with corresponding picture categories for each preset picture category; dividing the image samples corresponding to each preset picture category into a training subset of the first proportion and a verification of the second proportion. In subset, the image samples of each training subset are mixed to get the training set, and the image samples of each validation subset are mixed to get the validation set; the neural network image recognition model is trained by the training set; the accuracy of the neural network image recognition model is verified by the validation set; the current image input by the user terminal is received; and the trained image is used to get the validation set. Neural network image recognition model classifies and annotates current pictures; receives query instructions, searches pictures in the database and displays the pictures found according to the query instructions.

【技术实现步骤摘要】
图片自动分类方法、装置及计算机可读存储介质
本专利技术涉及图像识别领域，尤其涉及一种图片自动分类方法、装置及计算机可读存储介质。
技术介绍
目前很多事务办理(例如保险)都可以通过网络处理，客户直接使用输入终端打开操作界面将需要的信息及图片资料(通常的图片包括身份证、户口本、驾照、出生证等)上传，接收终端接收到信息及图片资料后，势必需要对所述图片进行标注分类。目前的操作方式是安排质控员在接收终端前对所述图片资料进行标注分类，这种方式势必影响工作效率。另外由于人工处理耗时，拉长了事务处理进度，这样势必影响客户的体验。
技术实现思路
本专利技术提供一种图片自动分类方法、装置及计算机可读存储介质，其主要目的在于提高图片标注的效率。为实现上述目的，本专利技术提供一种图片自动分类方法，应用于电子装置中，所述方法包括：为每一个预设图片类别准备预设数量的标注有对应的图片类别的图片样本；将每一个预设图片类别对应的图片样本分为第一比例的训练子集和第二比例的验证子集，将各个训练子集中的图片样本进行混合以得到训练集，并将各个验证子集中的图片样本进行混合以得到验证集；通过所述训练集训练神经网络图片识别模型；通过所述验证集验证训练的所述神经网络图片识别模型的准确率，当准确率大于或者等于预设阈值时，训练结束；接收由用户终端输入的当前图片；利用训练好的神经网络图片识别模型对所述当前图片进行类别识别及标注，并存储识别结果及标注结果至数据库；接收针对一图片类别的查询指令，根据所述查询指令在所述数据库中查找图片资料并显示找到的图片资料。可选地，所述方法还包括：当准确率小于所述预设阈值，增加每一个预设图片类别对应的证件图片样本的数量，再重新将每一预设图片类别更新后的图片样本分为新的训练子集及验证子集。可选地，所述接收由用户终端输入的当前图片的步骤包括：显示用户输入界面；接收由用户输入的所述图片信息；及接收由用户上传的所述图片资料。可选地，所述通过所述训练集训练神经网络图片识别模型的步骤包括：构建神经网络图片识别模型，所述神经网络图片识别模型为AlexNet神经网络，所述神经网络图片识别模型包括5个卷积层及3个全连接层，最后一个全连接层的输出是具有1000个输出的输出层，在每一个卷积层以及全连接层后紧跟的操作是激活操作，卷积层卷积操作公式为：其中l表示第l层，j表示卷积层的第j个核，M表示卷积核所在区域，k表示卷积核，b表示偏置，x表示特征图对应位置的值，f表示激活函数，i、j、l为自然数；将所述训练集代入所述神经网络图片识别模型进行训练。可选地，所述全连接层表达式为：yj＝f(xi)＝bj+Σiwij.xj其中yj是一个输出向量中的第j个神经元，xi是输入向量中的第i个神经元，w是一个全连层中的权重参数。本专利技术还提供一种电子装置，所述电子装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的图片自动分类程序，所述图片自动分类程序被所述处理器执行时实现如下步骤：为每一个预设图片类别准备预设数量的标注有对应的图片类别的图片样本；将每一个预设图片类别对应的图片样本分为第一比例的训练子集和第二比例的验证子集，将各个训练子集中的图片样本进行混合以得到训练集，并将各个验证子集中的图片样本进行混合以得到验证集；通过所述训练集训练神经网络图片识别模型；通过所述验证集验证训练的所述神经网络图片识别模型的准确率，当准确率大于或者等于预设阈值时，训练结束；接收由用户终端输入的当前图片；利用训练好的神经网络图片识别模型对所述当前图片进行类别识别及标注，并存储识别结果及标注结果至数据库；接收针对一图片类别的查询指令，根据所述查询指令在所述数据库中查找图片资料并显示找到的图片资料。可选地，所述图片自动分类程序被所述处理器执行时还实现如下步骤：当准确率小于所述预设阈值，增加每一个预设图片类别对应的证件图片样本的数量，再重新将每一预设图片类别更新后的图片样本分为新的训练子集及验证子集。可选地，所述接收由用户终端输入的当前图片的步骤包括：显示用户输入界面；接收由用户输入的所述图片信息；及接收由用户上传的所述图片资料。可选地，所述通过所述训练集训练神经网络图片识别模型的步骤包括：构建神经网络图片识别模型，所述神经网络图片识别模型为AlexNet神经网络，所述神经网络图片识别模型包括5个卷积层及3个全连接层，最后一个全连接层的输出是具有1000个输出的输出层，在每一个卷积层以及全连接层后紧跟的操作是激活操作，卷积层卷积操作公式为：其中l表示第l层，j表示卷积层的第j个核，M表示卷积核所在区域，k表示卷积核，b表示偏置，x表示特征图对应位置的值，f表示激活函数，i、j、l为自然数；将所述训练集代入所述神经网络图片识别模型进行训练。此外，为实现上述目的，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有图片自动分类程序，所述图片自动分类程序可被一个或者多个处理器执行，以实现上述的图片自动分类方法的步骤。本专利技术提供的图片自动分类方法、装置及计算机可读存储介质通过训练神经网络图片识别模型并利用训练好的神经网络图片识别模型来识别及标注图片，从而提升图片标注的效率。附图说明图1为本专利技术一实施例提供的图片自动分类方法的流程示意图；图2为本专利技术一实施例提供的电子装置的内部结构示意图；图3为本专利技术一实施例提供的图片自动分类方法利用到的Alexnet神经网络的结构示意图；图4为本专利技术一实施例提供的电子装置中图片自动分类程序的模块示意图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术提供一种图片自动分类方法。参照图1所示，为本专利技术一实施例提供的图片自动分类方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。在本实施例中，图片自动分类方法包括：S101，为每一个预设图片类别准备预设数量的标注有对应的图片类别的图片样本；例如，预设图片类别包括身份证、居住证、户口本、驾照、出生证等，预设数量为1000张；S102，将每一个预设图片类别对应的图片样本分为第一比例的训练子集和第二比例的验证子集，将各个训练子集中的图片样本进行混合以得到训练集，并将各个验证子集中的图片样本进行混合以得到验证集；例如第一比例为80％，第二比例为20％；S103，通过所述训练集训练神经网络图片识别模型；S104，通过所述验证集验证训练的所述神经网络图片识别模型的准确率，当准确率大于或者等于预设阈值时，训练结束；S105，接收由用户终端输入的当前图片；例如当前图片为身份证的正反面扫描件；S106，利用训练好的神经网络图片识别模型对所述当前图片进行类别识别及标注，并存储识别结果及标注结果至数据库；S107，接收针对一图片类别的查询指令，根据所述查询指令在所述数据库中查找图片资料并显示找到的图片资料；例如查询指令针对的是身份证类别的，找到所述身份证类别的资料并显示，以方便质控员审查。进一步地，所述方法还包括：当准确率小于所述预设阈值，增加每一个预设图片类别对应的证件图片样本的数量，再重新将每一预设图片类别更新后的图片样本分为新的训练子集及验证子集。进一步地，所述步骤S103包括：构本文档来自技高网...

【技术保护点】
1.一种图片自动分类方法，应用于电子装置中，其特征在于，所述方法包括：为每一个预设图片类别准备预设数量的标注有对应的图片类别的图片样本；将每一个预设图片类别对应的图片样本分为第一比例的训练子集和第二比例的验证子集，将各个训练子集中的图片样本进行混合以得到训练集，并将各个验证子集中的图片样本进行混合以得到验证集；通过所述训练集训练神经网络图片识别模型；通过所述验证集验证训练的所述神经网络图片识别模型的准确率，当准确率大于或者等于预设阈值时，训练结束；接收由用户终端输入的当前图片；利用训练好的神经网络图片识别模型对所述当前图片进行类别识别及标注，并存储识别结果及标注结果至数据库；接收针对一图片类别的查询指令，根据所述查询指令在所述数据库中查找图片资料并显示找到的图片资料。

【技术特征摘要】
1.一种图片自动分类方法，应用于电子装置中，其特征在于，所述方法包括：为每一个预设图片类别准备预设数量的标注有对应的图片类别的图片样本；将每一个预设图片类别对应的图片样本分为第一比例的训练子集和第二比例的验证子集，将各个训练子集中的图片样本进行混合以得到训练集，并将各个验证子集中的图片样本进行混合以得到验证集；通过所述训练集训练神经网络图片识别模型；通过所述验证集验证训练的所述神经网络图片识别模型的准确率，当准确率大于或者等于预设阈值时，训练结束；接收由用户终端输入的当前图片；利用训练好的神经网络图片识别模型对所述当前图片进行类别识别及标注，并存储识别结果及标注结果至数据库；接收针对一图片类别的查询指令，根据所述查询指令在所述数据库中查找图片资料并显示找到的图片资料。2.如权利要求1所述的图片自动分类方法，其特征在于，所述方法还包括：当准确率小于所述预设阈值，增加每一个预设图片类别对应的证件图片样本的数量，再重新将每一预设图片类别更新后的图片样本分为新的训练子集及验证子集。3.如权利要求1所述的图片自动分类方法，其特征在于，所述接收由用户终端输入的当前图片的步骤包括：显示用户输入界面；接收由用户输入的所述图片信息；及接收由用户上传的所述图片资料。4.如权利要求1所述的图片自动分类方法，其特征在于，所述通过所述训练集训练神经网络图片识别模型的步骤包括：构建神经网络图片识别模型，所述神经网络图片识别模型为AlexNet神经网络，所述神经网络图片识别模型包括5个卷积层及3个全连接层，最后一个全连接层的输出是具有1000个输出的输出层，在每一个卷积层以及全连接层后紧跟的操作是激活操作，卷积层卷积操作公式为：其中l表示第l层，j表示卷积层的第j个核，M表示卷积核所在区域，k表示卷积核，b表示偏置，x表示特征图对应位置的值，f表示激活函数，i、j、l为自然数；将所述训练集代入所述神经网络图片识别模型进行训练。5.如权利要求4所述的图片自动分类方法，其特征在于，所述全连接层表达式为：yj＝f(xi)＝bj+∑iwij·xj其中yj是一个输出向量中的第j个神经元，xi是输入向量中的第i个神经元，w是一个全连层中的权重参数。6.一种电子装置，其特征在于，所述电子装置包括存...

【专利技术属性】
技术研发人员：肖玉宾，杨将，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44