本申请属于人工智能技术领域，具体涉及一种图像样本生成方法、装置、计算机可读介质以及电子设备，在本申请实施例提供的技术方案中，本申请通过获取图像样本库文件，并提取样本库文件中的图像样本的样本编码值，然后基于样本编码值利用离屏canvas算法提取图像，然后再将该图像通过图像数据获取算法转化成图形特征，利用该方法可以提高图像样本的采集效率，而且，本申请采集到图像样本之后，对图像样本进行裁剪和缩放，以适应卷积训练的进行，提高了图像识别的准确性和样本卷积训练的效率，有利于图像识别技术的发展。有利于图像识别技术的发展。有利于图像识别技术的发展。
【技术实现步骤摘要】
图像样本生成方法、装置、计算机可读介质及电子设备
[0001]本申请属于人工智能
，具体涉及一种图像样本生成方法、图像样本生成装置、计算机可读介质以及电子设备。
技术介绍
[0002]随着人工智能的不断发展，图像识别技术发展迅速，其中，图像识别方法需要用到卷积神经网络，卷积神经网络是通过采集大量样本进行卷积训练形成模型，然后基于训练的模型来进行图像识别。
[0003]然而，现有的图像样本的生成存在以下几个问题。第一，现有的图像样本的采集过程十分繁琐，需要去网页上进行截图或去图片库中进行下载，采集效率低；第二，现有的图像样本不进行处理导入到卷积模型进行训练，导致卷积训练无法适应拉伸变形的图像样本，从而降低了图像识别的准确性，而且还会导致卷积训练的计算量增大，降低了训练的效率，不利于图像识别技术的发展。
[0004]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
[0005]本申请的目的在于提供一种图像样本生成方法、图像样本生成装置、计算机可读介质以及电子设备，至少在一定程度上克服相关技术中样本采集效率低、样本进行训练时准确性低等技术问题。
[0006]本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
[0007]根据本申请实施例的一个方面，提供一种图像样本生成方法，所述方法包括：
[0008]获取图像样本库文件，所述图像样本库文件包括图像样本的样本编码值集合，所述样本编码值包括用于表示所述图像样本的十六进制文件；
[0009]提取所述图像样本的样本编码值，基于所述样本编码值，利用离屏canvas算法对与所述样本编码值对应的图像样本进行渲染，得到第一样本特征；
[0010]利用图像数据获取算法将所述第一样本特征转化成图形特征，并对所述图形特征进行裁剪和缩放，得到第二样本特征，所述图像数据获取算法用于获取所述第一样本特征的像素数据；
[0011]将所述第二样本特征通过编码算法进行编码之后输出，得到卷积图像样本。
[0012]在本申请的一些实施例中，基于以上技术方案，对所述图形特征进行裁剪和缩放，得到第二样本特征的方法包括：
[0013]遍历所述图形特征的像素，获取所述图形特征的最小非空白矩形区域，将所述最小非空白矩形区域扩展为非空白正方形区域；
[0014]根据所述非空白正方形区域对所述图形特征进行裁剪并缩放，得到第二样本特
征。
[0015]在本申请的一些实施例中，基于以上技术方案，基于所述样本编码值，利用离屏canvas算法对与所述样本编码值对应的图像样本进行渲染，得到第一样本特征，包括：
[0016]利用离屏canvas算法调用图像样本映射表，从所述图像样本映射表中获取与所述样本编码值获取对应的图像样本符号信息；
[0017]利用离屏canvas算法将所述图像样本符号信息绘制到画布上，得到第一样本特征。
[0018]在本申请的一些实施例中，基于以上技术方案，在获取图像样本库文件之前，所述方法还包括构建图像样本库文件，其中，构建图像样本库文件的方法包括：
[0019]建立图像样本像素信息、图像样本符号信息和图像样本的样本编码值的映射关系，形成图像样本映射表；
[0020]将所述图像样本的样本编码值与所述图像样本的名称进行绑定形成键值对；
[0021]将所述键值对保存到数组，形成图像样本库文件。
[0022]在本申请的一些实施例中，基于以上技术方案，在将所述第二样本特征通过编码算法进行编码之后输出，得到卷积图像样本之后，所述方法还包括：
[0023]遍历所述图像样本库文件中的图像样本，将所述图像样本转化成卷积图像样本；
[0024]将所述卷积图像样本进行汇聚，得到卷积图像样本集；
[0025]将所述卷积图像样本集转换成json格式文件。
[0026]在本申请的一些实施例中，基于以上技术方案，在将所述卷积图像样本集转换成json格式文件之后，所述方法还包括：
[0027]利用打散算法将所述json格式文件打散，形成随机样本集；
[0028]挑选所述随机样本集，将所述随机样本集中百分之七十的图像样本作为训练样本，所述随机样本集中百分之二十的图像样本作为验证样本，所述随机样本集中百分之十的图像样本作为测试样本；
[0029]以所述训练样本作为输入样本，以对应于所述训练样本的样本标签作为输出样本，对预设的卷积神经网络模型进行训练，得到图像识别模型，将所述验证样本和所述测试样本输入到所述图像识别模型中，根据所述验证样本和所述测试样本的已知样本标签和图像识别模型输出的预测样本标签对所述图像识别模型的系数进行调整，使所述图像识别模型输出的预测样本标签与所述验证样本和所述测试样本的已知样本标签一致。
[0030]根据本申请实施例的一个方面，提供一种图像识别方法，所述方法包括：
[0031]获取待识别的图像样本；
[0032]将所述待识别的图像样本进行裁剪和缩放，得到待识别样本特征；
[0033]将所述待识别样本特征输入到如上所述的图像识别模型中进行识别，得到所述待识别的图像样本的标签。
[0034]根据本申请实施例的一个方面，提供一种图像样本生成装置，包括：
[0035]获取模块，被配置为获取图像样本库文件，所述图像样本库文件包括图像样本的样本编码值集合，所述样本编码值包括用于表示所述图像样本的十六进制文件；
[0036]特征提取模块，被配置为提取所述图像样本的样本编码值，基于所述样本编码值，利用离屏canvas算法对与所述样本编码值对应的图像样本进行渲染，得到第一样本特征；
[0037]特征处理模块，被配置为利用图像数据获取算法将所述第一样本特征转化成图形特征，并对所述图形特征进行裁剪和缩放，得到第二样本特征，所述图像数据获取算法用于获取所述第一样本特征的像素数据；
[0038]输出模块，被配置为将所述第二样本特征通过编码算法进行编码之后输出，得到卷积图像样本。
[0039]在本申请的一些实施例中，基于以上技术方案，所述特征处理模块包括：
[0040]区域获取单元，被配置为遍历所述图形特征的像素，获取所述图形特征的最小非空白矩形区域，
[0041]扩展单元，被配置为将所述最小非空白矩形区域扩展为非空白正方形区域；
[0042]裁剪缩放单元，被配置为根据所述非空白正方形区域对所述图形特征进行裁剪并缩放，得到第二样本特征。
[0043]在本申请的一些实施例中，基于以上技术方案，所述特征提取模块包括：
[0044]符号获取单元，被配置为利用离屏canvas算法调用图像样本映射表，从所述图像样本映射表中获取与所述样本编码值获取对应的图像样本符号信息；
[0045]绘制单元，被配置本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像样本生成方法，其特征在于，包括：获取图像样本库文件，所述图像样本库文件包括图像样本的样本编码值集合，所述样本编码值包括用于表示所述图像样本的十六进制文件；提取所述图像样本的样本编码值，基于所述样本编码值，利用离屏canvas算法对与所述样本编码值对应的图像样本进行渲染，得到第一样本特征；利用图像数据获取算法将所述第一样本特征转化成图形特征，并对所述图形特征进行裁剪和缩放，得到第二样本特征，所述图像数据获取算法用于获取所述第一样本特征的像素数据；将所述第二样本特征通过编码算法进行编码之后输出，得到卷积图像样本。2.根据权利要求1所述的图像样本生成方法，其特征在于，对所述图形特征进行裁剪和缩放，得到第二样本特征，包括：遍历所述图形特征的像素，获取所述图形特征的最小非空白矩形区域，将所述最小非空白矩形区域扩展为非空白正方形区域；根据所述非空白正方形区域对所述图形特征进行裁剪并缩放，得到第二样本特征。3.根据权利要求1所述的图像样本生成方法，其特征在于，基于所述样本编码值，利用离屏canvas算法对与所述样本编码值对应的图像样本进行渲染，得到第一样本特征，包括：利用离屏canvas算法调用图像样本映射表，从所述图像样本映射表中获取与所述样本编码值获取对应的图像样本符号信息；利用离屏canvas算法将所述图像样本符号信息绘制到画布上，得到第一样本特征。4.根据权利要求1所述的图像样本生成方法，其特征在于，在获取图像样本库文件之前，所述方法还包括构建图像样本库文件，其中，构建图像样本库文件的方法包括：建立图像样本像素信息、图像样本符号信息和图像样本的样本编码值的映射关系，形成图像样本映射表；将所述图像样本的样本编码值与所述图像样本的名称进行绑定形成键值对；将所述键值对保存到数组中，形成图像样本库文件。5.根据权利要求1所述的图像样本生成方法，其特征在于，在将所述第二样本特征通过编码算法进行编码之后输出，得到卷积图像样本之后，所述方法还包括：遍历所述图像样本库文件中的图像样本，将所述图像样本转化成卷积图像样本；将所述卷积图像样本进行汇聚，得到卷积图像样本集；将所述卷积图像样本集转换成json格式文件。6.根据权利要求5所述的图像样本...
【专利技术属性】
技术研发人员：成武超，
申请(专利权)人：深圳壹账通智能科技有限公司，
类型：发明
国别省市：
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。