【技术实现步骤摘要】
本专利技术提出了一种利用深度学习的艺术品风格分类和分析方法和系统，属于艺术品风格分类。
技术介绍
1、在过去，艺术品风格分类和分析通常依赖于人工的专家知识和经验。艺术鉴赏家和专业学者会根据他们对不同艺术风格的理解和视觉判断，对艺术品进行分类和分析。可能存在主观性、主观偏见和时间成本高的问题。
技术实现思路
1、本专利技术提供了一种利用深度学习的艺术品风格分类和分析方法和系统，用以解决现有技术中人工判断存在主观性、主观偏见和时间成本高的问题：
2、一种利用深度学习的艺术品风格分类和分析方法，所述利用深度学习的艺术品风格分类和分析方法包括：
3、收集不同艺术品的图像数据，形成图像数据集；
4、利用图像数据集对数据库中的卷积神经网络进行训练和测试，获得完成训练和测试的卷积神经网络模型；
5、实时采集待艺术品风格分类的图像数据，并利用卷积神经网络模型对所述待艺术品风格分类的图像数据进行艺术品风格类型识别，获得识别结果。
6、进一步地，收集不同艺术品的图像数据，形成图像数据集，包括：
7、与公共艺术品数据库和艺术画廊公开网站建立通信连接；
8、在与公共艺术品数据库和艺术画廊公开网站完成通信连接建立之后，调取所述公共艺术品数据库和艺术画廊公开网站中的不同艺术品的图像数据，作为样本数据；
9、对所述样本数据进行预处理，获得预处理后的样本数据；
10、对所述样本数据进行数据划分，形成训练数据
11、进一步地，对所述样本数据进行预处理，获得预处理后的样本数据，包括：
12、对所述样本数据进行数据清洗处理，获得数据清洗处理后的样本数据；
13、对所述样本数据进行数据去噪处理，获得数据去噪处理后的样本数据；
14、对所述样本数据进行数据对比度和亮度调整处理，获得数据对比度和亮度调整处理后的样本数据；
15、对所述样本数据进行数据格式标准化处理，获得格式统一的标准化样本数据。
16、进一步地，利用图像数据集对数据库中的卷积神经网络进行训练和测试，获得完成训练和测试的卷积神经网络模型包括：
17、从数据库中调取卷积神经网络模型；
18、利用训练数据集对所述卷积神经网络模型进行训练，获得训练后的卷积神经网络模型；
19、利用训练数据集对所述卷积神经网络模型进行验证，获得验证后的卷积神经网络模型；
20、利用训练数据集对所述卷积神经网络模型进行测试，获得测试后的卷积神经网络模型。
21、进一步地，实时采集待艺术品风格分类的图像数据，并利用卷积神经网络模型对所述待艺术品风格分类的图像数据进行艺术品风格类型识别，获得识别结果，包括：
22、实时采集待艺术品风格分类的图像数据，将采集到的待艺术品风格分类的图像数据输入至卷积神经网络模型；
23、利用所述卷积神经网络模型对所述待艺术品风格分类的图像数据进行艺术品风格类型识别，获得所述艺术品风格分类的图像数据对应的艺术品风格类型；
24、输出所述艺术品风格分类的图像数据对应的艺术品风格类型。
25、一种利用深度学习的艺术品风格分类和分析系统，所述利用深度学习的艺术品风格分类和分析系统包括：
26、数据收集模块，用于收集不同艺术品的图像数据，形成图像数据集；
27、测试及训练模块，用于利用图像数据集对数据库中的卷积神经网络进行训练和测试，获得完成训练和测试的卷积神经网络模型；
28、分类识别模块，用于实时采集待艺术品风格分类的图像数据，并利用卷积神经网络模型对所述待艺术品风格分类的图像数据进行艺术品风格类型识别，获得识别结果。
29、进一步地，所述数据收集模块包括：
30、通信连接建立模块，用于与公共艺术品数据库和艺术画廊公开网站建立通信连接；
31、样本数据获取模块，用于在与公共艺术品数据库和艺术画廊公开网站完成通信连接建立之后，调取所述公共艺术品数据库和艺术画廊公开网站中的不同艺术品的图像数据，作为样本数据；
32、样本数据预处理模块，用于对所述样本数据进行预处理，获得预处理后的样本数据；
33、数据划分模块，用于对所述样本数据进行数据划分，形成训练数据集，验证数据集和测试数据集。
34、进一步地，所述样本数据预处理模块包括：
35、第一预处理模块，用于对所述样本数据进行数据清洗处理，获得数据清洗处理后的样本数据；
36、第二预处理模块，用于对所述样本数据进行数据去噪处理，获得数据去噪处理后的样本数据；
37、第三预处理模块，用于对所述样本数据进行数据对比度和亮度调整处理，获得数据对比度和亮度调整处理后的样本数据；
38、第四预处理模块，用于对所述样本数据进行数据格式标准化处理，获得格式统一的标准化样本数据。
39、进一步地，所述测试及训练模块包括：
40、模型调取模块，用于从数据库中调取卷积神经网络模型；
41、模型训练模块，用于利用训练数据集对所述卷积神经网络模型进行训练，获得训练后的卷积神经网络模型；
42、模型验证模块，用于利用训练数据集对所述卷积神经网络模型进行验证，获得验证后的卷积神经网络模型；
43、模型测试模块，用于利用训练数据集对所述卷积神经网络模型进行测试，获得测试后的卷积神经网络模型。
44、进一步地，所述分类识别模块包括：
45、实时采集模块，用于实时采集待艺术品风格分类的图像数据，将采集到的待艺术品风格分类的图像数据输入至卷积神经网络模型；
46、艺术品风格类型获取模块，用于利用所述卷积神经网络模型对所述待艺术品风格分类的图像数据进行艺术品风格类型识别，获得所述艺术品风格分类的图像数据对应的艺术品风格类型；
47、艺术品风格类型输出模块，用于输出所述艺术品风格分类的图像数据对应的艺术品风格类型。
48、本专利技术有益效果：
49、本专利技术提出的一种利用深度学习的艺术品风格分类和分析方法和系统利用深度神经网络模型，通过大规模的艺术品图像数据进行训练和学习，以自动识别和分类不同的艺术风格；同时，本专利技术提出的一种利用深度学习的艺术品风格分类和分析方法和系统的有效技术效果还包括：
50、自动化和客观性：利用深度学习算法进行艺术品风格分类和分析可以减少主观性和人为偏见，提供更客观和一致的结果。
51、提高效率和准确性：相比传统的人工分类方法，深度学习算法可以更快速地处理大量的艺术品数据，并提供更准确的风格分类结果。
52、艺术研究和鉴赏的辅助工具：这种系统可以为艺术鉴赏家、研究人员和收藏家提供一个辅助工具，帮助他们更深入地理解和研究艺术品的风格特征和历史发展。
本文档来自技高网...【技术保护点】
1.一种利用深度学习的艺术品风格分类和分析方法，其特征在于，所述利用深度学习的艺术品风格分类和分析方法包括：
2.根据权利要求1所述利用深度学习的艺术品风格分类和分析方法，其特征在于，收集不同艺术品的图像数据，形成图像数据集，包括：
3.根据权利要求2所述利用深度学习的艺术品风格分类和分析方法，其特征在于，对所述样本数据进行预处理，获得预处理后的样本数据，包括：
4.根据权利要求1所述利用深度学习的艺术品风格分类和分析方法，其特征在于，利用图像数据集对数据库中的卷积神经网络进行训练和测试，获得完成训练和测试的卷积神经网络模型包括：
5.根据权利要求1所述利用深度学习的艺术品风格分类和分析方法，其特征在于，实时采集待艺术品风格分类的图像数据，并利用卷积神经网络模型对所述待艺术品风格分类的图像数据进行艺术品风格类型识别，获得识别结果，包括：
6.一种利用深度学习的艺术品风格分类和分析系统，其特征在于，所述利用深度学习的艺术品风格分类和分析系统包括：
7.根据权利要求6所述利用深度学习的艺术品风格分类和分析系统，其
8.根据权利要求7所述利用深度学习的艺术品风格分类和分析系统，其特征在于，所述样本数据预处理模块包括：
9.根据权利要求6所述利用深度学习的艺术品风格分类和分析系统，其特征在于，所述测试及训练模块包括：
10.根据权利要求6所述利用深度学习的艺术品风格分类和分析系统，其特征在于，所述分类识别模块包括：
...【技术特征摘要】
1.一种利用深度学习的艺术品风格分类和分析方法，其特征在于，所述利用深度学习的艺术品风格分类和分析方法包括：
2.根据权利要求1所述利用深度学习的艺术品风格分类和分析方法，其特征在于，收集不同艺术品的图像数据，形成图像数据集，包括：
3.根据权利要求2所述利用深度学习的艺术品风格分类和分析方法，其特征在于，对所述样本数据进行预处理，获得预处理后的样本数据，包括：
4.根据权利要求1所述利用深度学习的艺术品风格分类和分析方法，其特征在于，利用图像数据集对数据库中的卷积神经网络进行训练和测试，获得完成训练和测试的卷积神经网络模型包括：
5.根据权利要求1所述利用深度学习的艺术品风格分类和分析方法，其特征在于，实时采集待艺术品风格分类...
【专利技术属性】
技术研发人员：兰雨晴，余丹，赵蒙蒙，李其蓁，
申请(专利权)人：慧之安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。