基于人工智能的模糊度检测方法、系统、设备及介质技术方案

本申请涉及人工智能，提供了一种基于人工智能的模糊度检测方法、系统、设备及介质，其中方法包括：将历史图片数据输入至训练好的VGG19模型中，输出得到模糊度阈值范围；将待检测图片输入至训练好的模糊度检测模型，得到所述待检测图像的模糊度值；当所述模糊度值在所述模糊度阈值范围之外时，对所述待检测图片告警。本发明专利技术通过训练得到的VGG19模型可以直接通过图片得到模糊度阈值范围信息，基于模糊度检测模型对图像进行模糊度值检测，并将图像检测到地模糊度值与模糊度阈值进行比较，当模糊度值在模糊度阈值范围之外时，对待检测图片告警，代替了原有的人工分类识别，从而提高了图片模糊度识别的效率。片模糊度识别的效率。片模糊度识别的效率。

【技术实现步骤摘要】
基于人工智能的模糊度检测方法、系统、设备及介质


[0001]本申请涉及人工智能
，特别是涉及一种基于人工智能的模糊度检测方法、系统、设备及介质。

技术介绍

[0002]目前，在进口冻品监管系统中，货主申报的数据提交到后台审批，有大量数据因为图片模糊不清被退回，需要重新修改上传清晰图片后再进行提交申报，这些图片包括报关单、货物清单、检疫检验证明、消毒证明、核酸检测证明等，每种类型的图片最多可上传9张，整个申报最多可上传45张图片，要从这45张图片中核对某一张或者某几张图片不清晰，需要人工逐一核查，需要花大量的时间在审批这个环节，由于审批人员人力不足，时间有限，导致审批速度较慢，而货主又比较着急，因为要把冷冻的食品快速推向市场，耽误上市导致成本增加。传统的人工审核多张图片方式，非常耗时耗力，审批时效慢，耽误了冷冻食品推向市场的时间，容易引发货主的不满。

技术实现思路

[0003]本申请提供一种基于人工智能的模糊度检测方法、系统、设备及介质，以解决传统的人工审核多张图片方式，非常耗时耗力，审批时效慢的问题。
[0004]为解决上述技术问题，本申请采用的一个技术方案是：提供一种基于人工智能的模糊度检测方法，包括：将历史图片数据输入至训练好的VGG19模型中，输出得到模糊度阈值范围；
[0005]将待检测图片输入至训练好的模糊度检测模型，得到所述待检测图像的模糊度值；
[0006]当所述模糊度值在所述模糊度阈值范围之外时，对所述待检测图片告警。
[0007]作为本申请的进一步改进，将历史图片数据输入至训练好的VGG19模型中，输出得到模糊度阈值范围之前，还包括：
[0008]搭建VGG19网络框架并定义所述VGG19网络框架的损失函数、初始学习率及迭代次数；
[0009]将所述训练样本图片和对应的数据集进行格式转换，并将格式转换后的数据集输入至所述VGG19网络框架进行训练；
[0010]基于所述VGG19网络框架的损失函数、初始学习率及迭代次数对所述VGG19网络框架进行迭代训练，得到训练好的VGG19模型。
[0011]作为本申请的进一步改进，将待检测图片输入至训练好的模糊度检测模型，得到所述待检测图像的模糊度值之前，还包括：
[0012]采用卷积神经网络作为基础网络，并在所述卷积神经网络层中增加分支卷积层，以构建模糊度检测模的网络结构；所述分支卷积层用于将所述基础网络中的多级特征图进行融合；
[0013]将多个所述标签图片输入至所述图片识别模型的网络结构中进行训练以生成所述模糊度检测模型。
[0014]作为本申请的进一步改进，将多个所述标签图片输入至所述图片识别模型的网络结构中进行训练以生成所述模糊度检测模型，包括：
[0015]利用加权的交叉熵损失作为主损失函数、Ring loss作为辅助损失函数，以获得所述模糊度检测模型的网络结构的损失值；
[0016]基于所述模糊度检测模型的网络结构的损失值，采用动量的随机梯度下降算法对所述模糊度检测模型的网络结构的参数进行优化，以得到模型的优化参数；
[0017]采用迁移学习的方法，对学习率进行设置，并对模型的优化参数进行调整。
[0018]作为本申请的进一步改进，采用卷积神经网络作为基础网络，并在所述卷积神经网络层中增加分支卷积层，以构建模糊度检测模的网络结构；所述分支卷积层用于将所述基础网络中的多级特征图进行融合之前，还包括：生成通用低阶滤波器模型；
[0019]选取构成目标滤波器模型所需的通用低阶滤波器模型；
[0020]将所述选取的通用低阶滤波器模型按照输出信号串联的方式进行串联组合，形成目标滤波器模型。
[0021]作为本申请的进一步改进，将所述选取的通用低阶滤波器模型按照输出信号串联的方式进行串联组合，形成目标滤波器模型之后还包括：
[0022]对所述形成的目标滤波器模型进行验证。
[0023]作为本申请的进一步改进，当所述模糊度值在所述模糊度阈值范围之外时，对所述待检测图片告警，包括：判断所述模糊度值是否在所述模糊度阈值范围内；
[0024]若是，则确认所述待检测图片清晰；
[0025]若否，则确认所述待检测图片模糊，并输出告警信息。
[0026]为解决上述技术问题，本申请采用的另一个技术方案是：提供一种基于人工智能的模糊度检测系统，包括：构建模块，将历史图片数据输入至训练好的VGG19模型中，输出得到模糊度阈值范围；
[0027]检测模块，将待检测图片输入至训练好的模糊度检测模型，得到所述待检测图像的模糊度值；
[0028]判断模块，当所述模糊度值在所述模糊度阈值范围之外时，对所述待检测图片告警。
[0029]为解决上述技术问题，本申请采用的再一个技术方案是：提供一种计算机设备，计算机设备包括处理器、与处理器耦接的存储器，存储器中存储有程序指令，程序指令被处理器执行时，使得处理器执行上述中任一项的基于人工智能的模糊度检测方法的步骤。
[0030]为解决上述技术问题，本申请采用的再一个技术方案是：提供一种存储介质，存储有能够实现上述中任一项的基于人工智能的模糊度检测方法的程序文件。
[0031]本申请的有益效果是：本申请的基于人工智能的模糊度检测方法通过通过先获取首先通过摄像机或其他设备拍摄冷冻产品场景的样本图像，得到数据集；利用数据集对搭建的VGG19网络框架并进行训练，得到VGG19模型；得到模糊度阈值范围；将实时抓拍的冷冻产品图像输入训练好的VGG19模型，根据模糊度检测模型对图像进行模糊度值检测。本专利技术通过训练得到的VGG19模型可以直接通过图片得到模糊度阈值范围信息，基于模糊度检测
模型对图像进行模糊度值检测，并将图像检测到地模糊度值与模糊度阈值进行比较，当模糊度值在模糊度阈值范围之外时，对待检测图片告警，代替了原有的人工分类识别，从而提高了图片模糊度识别的效率。
附图说明
[0032]图1是本专利技术实施例的基于人工智能的模糊度检测方法的流程示意图；
[0033]图2是本专利技术实施例的基于人工智能的模糊度检测方法系统的功能模块示意图；
[0034]图3是本专利技术实施例的计算机设备的结构示意图；
[0035]图4是本专利技术实施例的存储介质的结构示意图。
具体实施方式
[0036]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
[0037]本申请中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的模糊度检测方法，其特征在于，包括：将历史图片数据输入至训练好的VGG19模型中，输出得到模糊度阈值范围；将待检测图片输入至训练好的模糊度检测模型，得到所述待检测图像的模糊度值；当所述模糊度值在所述模糊度阈值范围之外时，对所述待检测图片告警。2.根据权利要求1所述的基于人工智能的模糊度检测方法，其特征在于，所述将历史图片数据输入至训练好的VGG19模型中，输出得到模糊度阈值范围之前，还包括：搭建VGG19网络框架并定义所述VGG19网络框架的损失函数、初始学习率及迭代次数；将所述训练样本图片和对应的数据集进行格式转换，并将格式转换后的数据集输入至所述VGG19网络框架进行训练；基于所述VGG19网络框架的损失函数、初始学习率及迭代次数对所述VGG19网络框架进行迭代训练，得到训练好的VGG19模型。3.根据权利要求1所述的基于人工智能的模糊度检测方法，其特征在于，所述将待检测图片输入至训练好的模糊度检测模型，得到所述待检测图像的模糊度值之前，还包括：采用卷积神经网络作为基础网络，并在所述卷积神经网络层中增加分支卷积层，以构建模糊度检测模的网络结构；所述分支卷积层用于将所述基础网络中的多级特征图进行融合；将多个所述标签图片输入至所述图片识别模型的网络结构中进行训练以生成所述模糊度检测模型。4.根据权利要求3所述的基于人工智能的模糊度检测方法，其特征在于，所述将多个所述标签图片输入至所述图片识别模型的网络结构中进行训练以生成所述模糊度检测模型包括：利用加权的交叉熵损失作为主损失函数、Ring loss作为辅助损失函数，以获得所述模糊度检测模型的网络结构的损失值；基于所述模糊度检测模型的网络结构的损失值，采用动量的随机梯度下降算法对所述模糊度检测模型的网络结构的参数进行优化，以得到模型的优化参数；采用迁移学习的方法，对学习率进行设置，并对模型的优化参数进...

【专利技术属性】
技术研发人员：蒋翠平，
申请(专利权)人：平安国际智慧城市科技股份有限公司，
类型：发明
国别省市：