评价图像分类方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种评价图像分类方法、装置、计算机设备及存储介质，该方法包括：获取用户提交的评价图像；将评价图像输入为图像阵列；基于图像阵列对评价图像进行特征提取，得到特征图；基于分类规则和特征图，计算评价图像的类别概率；根据类别概率，得到评价图像的分类。本发明专利技术通过对评价图像的精细分类，对评价图像进行精细分类后，具体进入人工审核的类别更加细化，大大减少了人工审核的工作量，可用于提升用户评价图像的审核效率和准确率。率。率。

【技术实现步骤摘要】
评价图像分类方法、装置、计算机设备及存储介质


[0001]本专利技术涉及计算机
，尤其涉及一种评价图像分类方法、装置、计算机设备及存储介质。

技术介绍

[0002]在电商购物环境下，消费者下单购买商品收到货后通常会在商品详情页评价区上传图片加文字与商家互动，晒出自己购买的商品买家秀照片的同时发表自己对商品的看法，现有评价图像识别方法可对色块图，以及涉恐、涉暴、涉黄等违禁图进行不合格图像识别。由于上述评价图像展现在互联网电商平台商品详情页评价区会降低用户浏览网站购物体验，给购物网站造成负面形象，所以不合格的评价图像有必要提前拦截过滤再在评价区展示。
[0003]通常电商平台评价图像审核的做法是用图像算法识别具有如色块、涉恐、涉暴、涉黄特征的不合格图片，如果算法识别评价图像具有不合格图片特征时，将直接被过滤，剩下算法识别为合格的评价图像将进一步流转到人工审核环节，最终才会展示在评论区。现有方法识别到的不合格图占比低，而流转到人工审核的部分占比高，造成审核人力成本上的浪费。针对现有评价图像人工审核的成本浪费问题，有必要开展对评价图像处理技术的进一步研究。

技术实现思路

[0004]本专利技术实施例提供一种评价图像分类方法、装置、计算机设备及存储介质，以解决现有评价图像人工审核的成本浪费问题。
[0005]一方面，本专利技术提供了一种评价图像分类方法，包括：
[0006]获取用户提交的评价图像；
[0007]将评价图像输入为图像阵列；
[0008]基于图像阵列对评价图像进行特征提取，得到特征图；
[0009]基于分类规则和特征图，计算评价图像的类别概率；
[0010]根据类别概率，得到评价图像的分类。
[0011]进一步地，将评价图像输入为图像阵列的步骤，包括：
[0012]将评价图像等比缩放填充到图像阵列的区块优先固定位置。
[0013]进一步地，获取用户提交的评价图像的步骤，包括：
[0014]获取用户评价时提交的评价图像以及评价对应的商品图像；
[0015]在将评价图像等比缩放填充到图像阵列的区块优先固定位置的步骤之后，还包括：
[0016]将商品图像等比缩放填充到图像阵列中区块优先固定位置以外的位置。
[0017]进一步地，基于图像阵列对评价图像进行特征提取，得到特征图的步骤，包括：
[0018]基于图像CNN网络卷积层、激活层、池化层对评价图像进行特征提取，得到特征图。
[0019]进一步地，分类规则包括多层分类结构和分类概率模型，基于分类规则和特征图，计算评价图像的类别概率的步骤，包括：
[0020]根据多层分类结构和分类概率模型，基于全连接层根据特征图计算评价图像的类别概率；
[0021]根据类别概率，得到评价图像的分类的步骤包括：
[0022]基于softmax损失函数，根据类别概率，得到评价图像的分类。
[0023]进一步地，分类概率模型在模型训练时采用交叉熵损失函数计算多分类预测概率与标注间的距离。
[0024]进一步地，交叉熵损失函数为：
[0025]或，
[0026][0027]其中：p为模型预测结果；q为期望概率输出；x为分类类别标签；weight为图片类别样本占总量数据分布的概率。
[0028]为了解决现有评价图像人工审核的成本浪费的问题，本专利技术的目的在于提供一种评价图像分类方法，包括：获取用户提交的评价图像；将评价图像输入为图像阵列；基于图像阵列对评价图像进行特征提取，得到特征图；基于分类规则和特征图，计算评价图像的类别概率；根据类别概率，得到评价图像的分类。
[0029]与现有技术相比，本专利技术具有如下优点：
[0030]通过对评价图像的精细分类，对评价图像进行精细分类后，具体进入人工审核的类别更加细化，大大减少了人工审核的工作量，可用于提升用户评价图像的审核效率和准确率。
[0031]另一方面，本专利技术提供了一种评价图像分类装置，包括：
[0032]获取模块，用于获取用户提交的评价图像；
[0033]输入模块，用于将评价图像输入为图像阵列；
[0034]提取模块，用于基于图像阵列对评价图像进行特征提取，得到特征图；
[0035]计算模块，用于基于分类规则和特征图，计算评价图像的类别概率；
[0036]分类模块，用于根据类别概率，得到评价图像的分类。
[0037]再一方面，本专利技术提供了一种计算机设备，计算机设备包括存储器及处理器，存储器上存储有计算机程序，处理器执行计算机程序时实现如上述的方法。
[0038]又一方面，本专利技术提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序当被处理器执行时可实现如上述的方法。
附图说明
[0039]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的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专利技术的一些实施
例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0040]图1是本专利技术一个实施例的评价图像分类方法的流程图。
[0041]图2是本专利技术一个实施例的图像阵列的示意图；
[0042]图3是本专利技术一个实施例的分类规则的示意图；
[0043]图4是本专利技术另一个实施例的评价图像分类装置的示意图。
具体实施方式
[0044]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0045]请参见图1，本专利技术一个实施例的评价图像分类方法，包括以下步骤：
[0046]步骤101，获取用户提交的评价图像。
[0047]在本步骤中，可以在用户提交评价后，获取其上传的评价图像，可以即时进行处理，也可以定时集中处理。
[0048]步骤102，将评价图像输入为图像阵列。
[0049]在本步骤中，将评价图像输入图像阵列，该图像阵列的其他位置可以是对比图片(如商品图像等)，特殊情况下也可以是全零矩阵图。
[0050]步骤103，基于图像阵列对评价图像进行特征提取，得到特征图。
[0051]在本步骤中，基于图像阵列提取评价图像的特征，可以为一个特征，也可以为多个特征，得到相应数量的特征图。
[0052]步骤104，基于分类规则和特征图，计算评价图像的类别概率。
[0053]在本专利技术实施例中，可以预置更加细化的分类规则，以实现评价图像的精确归类。如评价图像除了
技术介绍
列举的不合格图片，还包括截图和实拍图。其中截图包含：同商品截图、与商品不相关截图；实拍图包含：实拍相关图、实拍不相关图。其中实拍本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种评价图像分类方法，其特征在于，包括：获取用户提交的评价图像；将所述评价图像输入为图像阵列；基于所述图像阵列对所述评价图像进行特征提取，得到特征图；基于分类规则和所述特征图，计算所述评价图像的类别概率；根据所述类别概率，得到所述评价图像的分类。2.根据权利要求1所述的评价图像分类方法，其特征在于，所述将所述评价图像输入为图像阵列的步骤，包括：将所述评价图像等比缩放填充到所述图像阵列的区块优先固定位置。3.根据权利要求2所述的评价图像分类方法，其特征在于，所述获取用户提交的评价图像的步骤，包括：获取用户评价时提交的所述评价图像以及评价对应的商品图像；在所述将所述评价图像等比缩放填充到所述图像阵列的区块优先固定位置的步骤之后，还包括：将所述商品图像等比缩放填充到所述图像阵列中所述区块优先固定位置以外的位置。4.根据权利要求1所述的评价图像分类方法，其特征在于，所述基于所述图像阵列对所述评价图像进行特征提取，得到特征图的步骤，包括：基于图像CNN网络卷积层、激活层、池化层对所述评价图像进行特征提取，得到所述特征图。5.根据权利要求1所述的评价图像分类方法，其特征在于，所述分类规则包括多层分类结构和分类概率模型和分类概率模型，所述基于分类规则和所述特征图，计算所述评价图像的类别概率的步骤，包括：根据所述多层分类结构和所述分类概率模型，基于全连...

【专利技术属性】
技术研发人员：郑江红，彭圣锋，郭伟昭，马兴国，
申请(专利权)人：广州希音国际进出口有限公司，
类型：发明
国别省市：