基于神经网络模型的图像处理方法、电子设备及存储介质技术

本申请提供一种基于神经网络模型的图像处理方法、电子设备及存储介质，所述方法包括：获取神经网络模型，其中，所述神经网络模型包括n个算子；确定所述n个算子中的所有末尾算子；在所述神经网络模型利用所述n个算子处理目标图像时，基于所述n个算子与所述末尾算子确定是否删除所述n个算子的运算结果。通过本申请能够提高图像处理效率，从而能够快速地得到图像检测结果。到图像检测结果。到图像检测结果。

【技术实现步骤摘要】
基于神经网络模型的图像处理方法、电子设备及存储介质


[0001]本申请涉及图像处理
，尤其涉及一种基于神经网络模型的图像处理方法、电子设备及存储介质。

技术介绍

[0002]在实际应用中，在通过安装在电子设备中的神经网络模型进行图像处理时，所述图像的特征数据会在算子之间进行传递。一般情况下，需要记录每个算子的输入数据与输出数据，并通过所述每个算子的输入数据与输出数据执行对所述图像的进一步检测。然而，有些复杂的神经网络模型中的算子较多，需要统计的算子的输入数据与输出数据庞大。如此必然会造成电子设备存在内存占用过大，CPU处理慢，检测图像速度较慢的情况。

技术实现思路

[0003]鉴于以上内容，有必要提供一种基于神经网络模型的图像处理方法、电子设备及存储介质，能快速地输出图像检测结果。
[0004]本申请提供一种基于神经网络模型的图像处理方法，所述方法包括：获取神经网络模型，其中，所述神经网络模型包括n个算子；确定所述n个算子中的所有末尾算子；输入目标图像至所述神经网络模型，在所述神经网络模型利用所述n个算子处理目标图像时，基于所述n个算子与所述末尾算子确定是否删除所述n个算子的运算结果；基于所述运算结果，输出对所述目标图像的处理结果。
[0005]在一种可能的实现方式中，所述确定所述n个算子中的所有末尾算子包括：基于所述n个算子确定所述神经网络模型中的算子子组；将所述算子子组中最后一个执行运算的算子确定为所述算子子组的末尾算子。
[0006]在一种可能的实现方式中，所述基于所述n个算子确定所述神经网络模型中的算子子组包括：基于所述n个算子之间的逻辑运算关系，将所述神经网络模型映射为单链表结构，其中，所述单链表结构包括n个节点；扫描所述单链表结构中的每个节点，统计所述每个节点在所述神经网络模型中的输出量与输入量；基于每个节点的输出量和输入量建立所述单链表结构对应的数据对向量，其中，所述数据对向量为[[a1，b1]，[a2，b2]，
…
，[a
i
，b
i
]，
…
，[a
n
，b
n
]]，a
i
为每个节点的输出量，bi为每个节点的输入量；根据所述数据对向量确定多个节点子集；根据所述多个节点子集确定所述神经网络模型中的算子子组。
[0007]在一种可能的实现方式中，根据所述数据对向量确定多个节点子集包括：步骤21：从[a1，b1]开始遍历所述数据对向量中的数据对；步骤22：判断所述数据对是否满足压入第一堆栈条件，若所述数据对满足压入所述第一堆栈条件，执行步骤23；若所述数据对不满足压入第一堆栈条件，执行步骤24；所述步骤23：将所述数据对压入第一堆栈中；所述步骤24：判断所述数据对是否满足弹出第一堆栈条件，若所述数据对满足弹出所述第一堆栈条件，执行步骤25；若所述数据对不满足弹出所述第一堆栈条件，执行步骤27；所述步骤25：弹出当前所述第一堆栈中最顶层的数据对，并统计所述第一堆栈中剩余数据对的数量m；步骤
26：确定所述第一堆栈中最顶层的数据对对应的起始节点，以及确定满足所述弹出第一堆栈条件的数据对对应的末尾节点，设定从所述起始节点至所述末尾节点的所有节点构成的子集为m+1级节点子集；所述步骤27：判断所述数据对向量中是否还存在未被遍历的数据对，若所述数据对向量中还存在未被遍历的数据对，返回执行所述步骤21，继续遍历所述数据对向量中的下一个数据对；若所述数据对向量中的数据对被全部遍历，结束遍历。
[0008]在一种可能的实现方式中，所述根据所述多个节点子集确定所述神经网络模型中的算子子组包括：遍历所述多个节点子集；若所述多个节点子集中的任一个节点子集中的节点与其他节点子集中的节点都不重复，确定所述任一个节点子集为所述神经网络模型中的一个算子子组。
[0009]在一种可能的实现方式中，根据所述多个节点子集确定所述神经网络模型中的算子子组还包括：遍历所述多个节点子集，得到多个第一节点子集和多个第二节点子集，其中，所述第二节点子集真包含所述第一节点子集；去除所述第二节点子集中的所述第一节点子集的全部节点；设定所述第二节点子集中剩余节点的集合为所述神经网络模型的算子子组；设定所述多个第一节点子集为所述神经网络模型的算子子组。
[0010]在一种可能的实现方式中，若数据对[a
i
，b
i
]中的b
i
大于等于2，确定所述数据对[a
i
，b
i
]满足弹出第一堆栈条件；若数据对[a
i
，b
i
]中的a
i
大于等于2，确定所述数据对[a
i
，b
i
]满足压入第一堆栈条件。
[0011]在一种可能的实现方式中，所述基于所述n个算子与所述末尾算子确定是否删除所述n个算子的运算结果包括：步骤31：遍历所述n个算子；步骤32：判断所述当前算子是否为所述末尾算子，若所述算子不是所述末尾算子，执行步骤33；若所述当前算子是所述末尾算子，执行步骤37；所述步骤33：判断所述当前算子是否为输入算子，其中所述输入算子为向所述末尾算子传递数据的算子，若所述当前算子不是输入算子，执行步骤34；若所述当前算子为输入算子，执行步骤36；控制所述当前算子；所述步骤34：控制所述当前算子对数据进行运算并得到运算结果，传递所述运算结果至与所述当前算子具有逻辑运算关系的下一个算子；步骤35：在所述当前算子传递所述运算结果后，删除所述运算结果，然后，执行步骤38；所述步骤36：在所述当前算子对所述数据进行运算后，将运算结果压入第二堆栈，然后，执行所述步骤38；所述步骤37：弹出所述第二堆栈中所述末尾算子对应的输入算子的运算结果，并将所述运算结果传递给所述末尾算子后，删除所述运算结果，然后，转至所述步骤33；所述步骤38：继续遍历所述n个算子中的下一个算子，若所述n个算子中的算子被全部遍历，结束遍历。
[0012]本申请还提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述的基于神经网络模型的图像处理方法。
[0013]本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于神经网络模型的图像处理方法。
[0014]本申请公开的基于神经网络模型的图像处理方法、电子设备及存储介质，能快速地输出图像检测结果。
附图说明
[0015]图1是本申请实施例提供的实现基于神经网络模型的图像处理方法的电子设备的
结构示意图。
[0016]图2是本申请实施例提供的一种基于神经网络模型的图像处理方法的流程图。
[0017]图3是本申请实施例提供的一种基于神经网络模型的图像处理方法的步骤S2中的根据所述数据对向量确定多个节点子集的详细步骤流程图。
[001本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络模型的图像处理方法，应用在电子设备中，其特征在于，所述基于神经网络模型的图像处理方法包括：获取神经网络模型，其中，所述神经网络模型包括n个算子；确定所述n个算子中的所有末尾算子；输入目标图像至所述神经网络模型，在所述神经网络模型利用所述n个算子处理目标图像时，基于所述n个算子与所述末尾算子确定是否删除所述n个算子的运算结果；基于所述运算结果，输出对所述目标图像的处理结果。2.根据权利要求1所述的基于神经网络模型的图像处理方法，其特征在于，所述确定所述n个算子中的所有末尾算子包括：基于所述n个算子确定所述神经网络模型中的算子子组；将所述算子子组中最后一个执行运算的算子确定为所述算子子组的末尾算子。3.根据权利要求2所述的基于神经网络模型的图像处理方法，其特征在于，所述基于所述n个算子确定所述神经网络模型中的算子子组包括：基于所述n个算子之间的逻辑运算关系，将所述神经网络模型映射为单链表结构，其中，所述单链表结构包括n个节点；扫描所述单链表结构中的每个节点，统计所述每个节点在所述神经网络模型中的输出量与输入量；基于每个节点的输出量和输入量建立所述单链表结构对应的数据对向量，其中，所述数据对向量中的数据对表示[a
n
，b
n
]，a
n
为第n个节点的输出量，b
n
为第n个节点的输入量；根据所述数据对向量确定多个节点子集；根据所述多个节点子集确定所述神经网络模型中的算子子组。4.根据权利要求3所述的基于神经网络模型的图像处理方法，其特征在于，根据所述数据对向量确定多个节点子集包括：步骤21：从[a1，b1]开始遍历所述数据对向量中的数据对；步骤22：判断所述数据对是否满足压入第一堆栈条件，若所述数据对满足压入所述第一堆栈条件，执行步骤23；若所述数据对不满足压入第一堆栈条件，执行步骤24；所述步骤23：将所述数据对压入第一堆栈中；所述步骤24：判断所述数据对是否满足弹出第一堆栈条件，若所述数据对满足弹出所述第一堆栈条件，执行步骤25；若所述数据对不满足弹出所述第一堆栈条件，执行步骤27；所述步骤25：弹出当前所述第一堆栈中最顶层的数据对，并统计所述第一堆栈中剩余数据对的数量m；步骤26：确定所述第一堆栈中最顶层的数据对对应的起始节点，以及确定满足所述弹出第一堆栈条件的数据对对应的末尾节点，设定从所述起始节点至所述末尾节点的所有节点构成的子集为m+1级节点子集；所述步骤27：判断所述数据对向量中是否还存在未被遍历的数据对，若所述数据对向量中还存在未被遍历的数据对，返回执行所述步骤21，继续遍历所述数据对向量中的下一个数据对；若所述数据对向量中的数据对被全部遍历，结束遍历。5.根据权利要求4所述的基于神经网络模型的图像处理方法，其特征在于：若数据对[a
i
，b
i
]中的b
i
...

【专利技术属性】
技术研发人员：颜健武，
申请(专利权)人：鸿海精密工业股份有限公司，
类型：发明
国别省市：