图像识别方法、装置、终端设备及可读存储介质制造方法及图纸

本申请适用于神经网络模型技术领域，提供了图像识别方法、装置、终端设备及可读存储介质，该方法包括：获取待识别图像；使用目标神经网络模型对待识别图像进行识别，得到识别结果，目标神经网络模型为经过目标样本训练集训练的模型，目标样本训练集中的样本类型包括至少两种，每种样本类型对应的目标样本的数量均相同。本申请可以一定程度上可以解决图像识别的准确率不稳定的问题。的准确率不稳定的问题。的准确率不稳定的问题。

【技术实现步骤摘要】
图像识别方法、装置、终端设备及可读存储介质


[0001]本申请属于神经网络模型领域，尤其涉及一种图像识别方法、装置、终端设备及可读存储介质。

技术介绍

[0002]随着科学技术的发展，神经网络模型已经被应用到各个领域。比如，使用神经网络模型进行图像识别。
[0003]进行图像识别的神经网络模型包括R
‑
CNN模型、SSD模型、YOLO模型以及基于tensorflow平台的mobilenet模型等。其中，基于tensorflow平台的mobilenet模型包括ssdlite_mobilenet_v2_coco等模型。
[0004]然而，在利用神经网络模型进行图像识别的过程中，图像识别的准确率严重依赖于神经网络模型在训练时的训练样本的数量。比如，当汽车的训练样本的数量为2万个时，利用该模型识别汽车的准确率可能达到90％以上，而当苹果的训练样本的数量为3000个时，利用该模型识别苹果的准确率可能在60％以下。
[0005]因此，目前在不同样本类型对应的训练样本数量不相同的情况下，会导致在进行图像识别时准确率不稳定。

技术实现思路

[0006]本申请实施例提供了一种图像识别方法、装置、终端设备及可读存储介质，可以一定程度上解决不同样本类型对应的训练样本数量不相同的情况下导致的图像识别的准确率不稳定的问题。
[0007]第一方面，本申请实施例提供了图像识别方法，包括：
[0008]获取待识别图像；
[0009]使用目标神经网络模型对上述待识别图像进行识别，得到识别结果，上述目标神经网络模型为经过目标样本训练集训练的模型，上述目标样本训练集中的样本类型包括至少两种，每种上述样本类型对应的目标样本的数量相同。
[0010]第二方面，本申请实施例提供了图像识别装置，包括：
[0011]获取模块，用于获取待识别图像；
[0012]识别模块，用于使用目标神经网络模型对上述待识别图像进行识别，得到识别结果，上述目标神经网络模型为经过目标样本训练集训练的模型，上述目标样本训练集中的样本类型包括至少两种，每种上述样本类型对应的目标样本的数量相同。
[0013]第三方面，本申请实施例提供了一种终端设备，终端设备包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上述第一方面提供的方法的步骤。
[0014]第四方面，本申请实施例提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上述第一方面提供的方法
的步骤。
[0015]第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中提供的图像识别方法。
[0016]可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
[0017]本申请实施例与现有技术相比存在的有益效果是：
[0018]本申请提供一种图像识别方法，首先，获取待识别图像。然后使用目标神经网络模型对待识别图像进行识别，得到识别结果。由于该目标神经网络模型为经过目标样本训练集训练的模型，且该目标样本训练集中的样本类型包括至少两种，每种样本类型对应的目标样本的数量相同。因此，在使用经过该目标样本训练集训练的目标神经网络模型进行图像识别时，不会出现准确率有时高有时低的问题，进而使得准确率保存稳定。
附图说明
[0019]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0020]图1是本申请一实施例提供的图像识别方法的流程示意图；
[0021]图2是本申请一实施例提供的目标神经网络模型的测试结果示意图；
[0022]图3是本申请一实施例提供的现有技术中的神经网络模型的测试结果示意图；
[0023]图4是本申请一实施例提供的图像识别装置的结构示意图；
[0024]图5是本申请实施例提供的终端设备的结构示意图。
具体实施方式
[0025]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
[0026]应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0027]还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0028]如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0029]另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0030]在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0031]本申请实施例提供的图像识别方法可以应用于手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra
‑
mobile personal computer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
[0032]为了说明本申请提供的技术方案，下面通过具体实施例来进行说明。
[0033]实施例一
[0034]下面对本申请实施例一提供的一种图像识别方法进行描述，请参阅附图1，该方法包括：
[0035本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像识别方法，其特征在于，包括：获取待识别图像；使用目标神经网络模型对所述待识别图像进行识别，得到识别结果，所述目标神经网络模型为经过目标样本训练集训练的模型，所述目标样本训练集中的样本类型包括至少两种，每种所述样本类型对应的目标样本数量均相同。2.如权利要求1所述的方法，其特征在于，在所述获取待识别图像之前，所述方法还包括：获取原始样本训练集，所述原始样本训练集包括至少两种样本类型的训练样本；根据每种所述样本类型对应的样本数量确定原始中位数，并将所述原始中位数与预设阈值之间的较大值确定为所述目标样本数量；分别从每种所述样本类型对应的训练样本中获取所述目标样本数量的目标样本，并组合每种所述样本类型对应的目标样本，得到所述目标样本训练集；使用所述目标样本训练集对预设的神经网络模型进行训练，得到所述目标神经网络模型。3.如权利要求2所述的方法，其特征在于，所述组合每种所述样本类型对应的目标样本，得到所述目标样本训练集，包括：从每种所述样本类型中均选取一个目标样本；将选取的各个所述目标样本按照随机规则进行排列，并返回执行从每种所述样本类型中均选取一个目标样本，直至所有所述目标样本被选取，得到所述目标样本训练集。4.如权利要求2或3所述的方法，其特征在于，所述分别从每种所述样本类型对应的训练样本中获取所述目标样本数量的目标样本，包括：若所述样本类型对应的训练样本的样本数量大于所述目标样本数量，则根据预设选取规则从所述样本类型对应的训练样本中选取所述目标样本数量的目标样本。5.如权利要求2或3所述的方法，其特征在于，所述分别从每种所述样本类型对应的训练样本中获取所述目标样本数量的目标样本，包括：若所述样本类型对应的训练样本的样...

【专利技术属性】
技术研发人员：李佳，
申请(专利权)人：TCL科技集团股份有限公司，
类型：发明
国别省市：