【技术实现步骤摘要】
图片检测方法、装置、存储介质及电子设备
[0001]本申请涉及图片识别
，特别是涉及一种图片检测方法、装置、存储介质及电子设备。
技术介绍
[0002]互联网大数据时代，数据日益膨胀增长，面对海量的大数据资源，对网络数据的安全监控要求也越来越严格。其中非法图片检测是网络数据安全监控的主要内容。
[0003]传统的图片检测方案下，对图片数据归类时，主要依靠图片的文本信息，因为图片的文本近似描述了图片的含义，通过对图片的文本信息的分析，达到对图片的分类，以确定非法图片。比如预先设计非法图片描述黑名单词典，如果图片文本中包含黑名单中的单词，则表示命中，确定为非法图片。
[0004]目前这种基于文本对图片进行分类的方法，一方面很容易被非法人员利用，人为避免出现非安全性的词汇，导致无法准确的检测出非法图，另一方面，该检测方法依赖于文本分析，其准确率低，且容易出现误判的现象。
技术实现思路
[0005]在本实施例中提供了一种图片检测方法、装置、存储介质及电子设备，以解决相关技术中网站图片的安全性检测
【技术保护点】
【技术特征摘要】
1.一种图片检测方法，其特征在于，包括：获取图片和所述图片的文本信息；通过聚类模型对所述文本信息进行聚类，根据聚类结果确定所述图片所属的聚类簇；根据所述聚类簇的安全性标签确定所述图片是否属于疑似预设类型的图片，所述安全性标签用于记录所述聚类簇是否为疑似预设类型图片的信息；若是，将所述图片输入至神经网络模型中，以通过所述神经网络模型对所述图片进行图片类型分类；根据所述神经网络模型输出的分类结果确定所述图片是否为预设类型的图片。2.如权利要求1所述的图片检测方法，其特征在于，所述神经网络模型采用VGG16神经网络模型，所述将所述图片输入至神经网络模型中，以通过所述神经网络模型对所述图片进行图片类型分类的步骤包括：将所述图片输入至神经网络模型中，并通过神经网络模型计算得到多维的特征向量；通过神经网络模型中的softmax函数将所述多维的特征向量回归归类到对应的图片类型下，并获取属于每个所述图片类型的预测概率；将概率值最大的图片类型确定为所述图片的当前图片类型。3.如权利要求2所述的图片检测方法，其特征在于，所述图片类型包括安全类型和非安全类型；所述根据所述神经网络模型输出的分类结果确定所述图片是否为预设类型的图片的步骤包括：当所述图片类型为非安全类型时，确定所述图片为预设类型的图片。4.如权利要求3所述的图片检测方法，其特征在于，还包括：当所述图片为安全类型时，且对应的预测概率大于阈值时，确定所述图片为非预设类型的图片；当所述图片为安全类型，且对应的预测概率小于或等于所述阈值时，确定所述图片为预设类型的图片。5.如权利要求1所述的图片检测方法，其特征在于，所述通过聚类模型对所述文本信息进行聚类的步骤之前还包括：对所述文本信息进行分词处理，以得到对应的分词文本，并将所述分词文本转换为词频向量；所述通过聚类模型对所述文本信息进行聚类的步骤包括：将所述词频向量输入至聚类模型中，以使所述聚类模型根据所述词频向量与各个聚类簇的中心点的夹角余弦值对所述词频向量进行聚类。6.如权利要求1所述的图片检测方法，其特征在于，所述聚类模型为K
‑
means模型，所述通过聚类模型对所述文本信息进行聚类的步骤之前还包括：提取多个历史图片的历史文本信息，并对所述历史文本信息进行分...
【专利技术属性】
技术研发人员：林嗣鹏，范渊，杨勃，
申请(专利权)人：杭州安恒信息技术股份有限公司，
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。