CN109086789A - 一种图像识别方法及系统 - Google Patents

Abstract

本发明提供了一种图像识别方法及系统，其方法包括：智能终端获取并安装第一神经网络模型；所述第一神经网络模型由服务器根据智能终端的配置参数信息和图像样本得到适应于所述配置参数信息的第一神经网络模型；所述智能终端采集图片数据，发送所述图片数据至目标神经网络模型，使得所述目标神经网络模型识别所述图片数据，并得到对应的图像识别结果；所述目标神经网络模型包括安装于所述智能终端的第一神经网络模型和所述服务器的第二神经网络模型。本发明实现提升图像识别的效率的同时，降低图像识别压力。

Description

一种图像识别方法及系统

技术领域

本发明涉及图像处理技术领域，尤指一种图像识别方法及系统。

背景技术

图像识别技术是人工智能的一个重要领域，其对图像进行对象识别，以识别各种不同模式的目标和对象。

现有技术中，通过服务器对图像数据简单预处理，输入至卷积神经网络中训练得到网络的权重，并根据训练所得网络的权重计算得到特征向量，通过对特征向量进行处理获得图像识别的结果。然而，现有技术中通过服务器训练得到神经网络模型，通过服务器的神经网络模型统一进行图像识别，在数据冗余的情况下，服务器可能出现图像识别“中断状态”，导致服务器对图片数据的识别压力大，出现识别效率降低的情况。

发明内容

本发明的目的是提供一种图像识别方法及系统，实现提升图像识别的效率的同时，降低图像识别压力。

本发明提供的技术方案如下：

本发明提供一种图像识别方法，包括步骤：

智能终端获取并安装第一神经网络模型；所述第一神经网络模型由服务器根据智能终端的配置参数信息和图像样本得到适应于所述配置参数信息的第一神经网络模型；

所述智能终端采集图片数据，发送所述图片数据至目标神经网络模型，使得所述目标神经网络模型识别所述图片数据，并得到对应的图像识别结果；所述目标神经网络模型包括安装于所述智能终端的第一神经网络模型和所述服务器的第二神经网络模型。

进一步的，所述智能终端获取并安装第一神经网络模型之前包括：

所述服务器获取所述图像样本和所述配置参数信息；所述图像样本由第三方平台和/或智能终端生成并上传；

所述服务器将所述图像样本输入原始神经网络模型，得到适应于所述配置参数信息的第一神经网络模型，发送所述第一神经网络模型至所述智能终端。

进一步的，所述智能终端获取并安装第一神经网络模型之前还包括：

所述服务器获取所述图像样本、所述配置参数信息和用户状态信息；所述用户状态信息包括用户位置信息和/或用户偏好信息；所述图像样本和所述用户状态信息由第三方平台和/或智能终端生成并上传；

所述服务器筛选出对应于所述用户状态信息的图像样本；

所述服务器将对应于所述用户状态信息的图像样本输入原始神经网络模型，得到适应于所述配置参数信息，且匹配所述用户状态信息的第一神经网络模型，发送所述第一神经网络模型至所述智能终端。

进一步的，还包括：所述服务器根据所述第二神经网络对所述图像样本进行筛选分类，得到对应于所述第一神经网络模型的类型信息的图像样本。

进一步的，所述智能终端采集图片数据，发送所述图片数据至目标神经网络模型，使得所述目标神经网络模型识别所述图片数据，并得到对应的图像识别结果具体包括：

所述智能终端采集所述图片数据；

所述智能终端将所述图片数据分别发送至所述第一神经网络模型和所述第二神经网络模型，使得所述智能终端根据所述第一神经网络模型识别所述图片数据，并使得所述服务器根据所述第二神经网络模型识别所述图片数据；

当根据所述第一神经网络模型识别失败时，所述智能终端生成并发送识别失败信息至所述服务器，控制所述服务器继续所述第二神经网络模型对所述图像数据的识别进程，并获取所述第二神经网络模型的识别结果；

当根据所述第一神经网络模型识别成功时，所述智能终端获取所述第一神经网络模型的识别结果，生成并发送识别成功信息至所述服务器，控制所述服务器中断所述第二神经网络模型对所述图像数据的识别进程。

本发明还提供一种图像识别系统，包括：服务器和智能终端；所述服务器与所述智能终端连接；所述智能终端包括：第一收发模块，安装模块，采集模块，第一识别模块；所述服务器包括：第二收发模块，第二识别模块；所述安装模块分别与所述第一收发模块和所述采集模块连接，所述第一收发模块分别与所述第一识别模块和所述第二收发模块连接，所述第二收发模块与所述第二识别模块连接；

所述第一收发模块，获取第一神经网络模型；所述第一神经网络模型由服务器根据智能终端的配置参数信息和图像样本得到适应于所述配置参数信息的第一神经网络模型；

所述安装模块，安装所述第一神经网络模型；

所述采集模块，采集图片数据；

所述第一收发模块，发送所述图片数据至目标神经网络模型；所述目标神经网络模型包括安装于所述智能终端的第一神经网络模型和所述服务器的第二神经网络模型；

所述第一识别模块，根据所述第一神经网络模型识别所述图片数据，得到对应的图像识别结果；

所述第二收发模块，接收所述图片数据；

所述第二识别模块，根据所述第二神经网络模型识别所述图片数据，得到对应的图像识别结果。

进一步的，所述服务器还包括：第一获取模块和第一生成模块；所述第一生成模块分别与所述第一获取模块和所述第二收发模块连接；

所述第一获取模块，获取所述图像样本和所述配置参数信息；所述图像样本由第三方平台和/或智能终端生成并上传；

所述第一生成模块，将所述图像样本输入原始神经网络模型，得到适应于所述配置参数信息的第一神经网络模型；

所述第二收发模块，发送所述第一神经网络模型至所述智能终端。

进一步的，所述服务器还包括：第二获取模块，筛选模块和第二生成模块；所述筛选模块分别与所述第二获取模块和所述第二生成模块连接；所述第二生成模块与所述第二收发模块连接；

所述第二获取模块，获取所述图像样本、所述配置参数信息和用户状态信息；所述用户状态信息包括用户位置信息和/或用户偏好信息；所述图像样本和所述用户状态信息由第三方平台和/或智能终端生成并上传；

所述筛选模块，筛选出对应于所述用户状态信息的图像样本；

所述第二生成模块，将对应于所述用户状态信息的图像样本输入原始神经网络模型，得到适应于所述配置参数信息，且匹配所述用户状态信息的第一神经网络模型；

所述第二收发模块，发送所述第一神经网络模型至所述智能终端。

进一步的，所述服务器还包括：过滤模块，所述过滤模块与所述筛选模块连接；所述过滤模块根据所述第二神经网络对所述图像样本进行筛选分类，得到对应于所述第一神经网络模型的类型信息的图像样本。

进一步的，所述智能终端还包括：第一处理模块；所述第一处理模块分别与所述第一识别模块和所述第一收发模块连接；所述服务器还包括第二处理模块；所述第二处理模块与所述第二收发模块连接；

所述第一处理模块，当所述第一识别模块根据所述第一神经网络模型识别失败时，生成识别失败信息；当所述第一识别模块根据所述第一神经网络模型识别成功时，获取所述第一神经网络模型的识别结果，生成识别成功信息；

所述第一收发模块，发送所述识别失败信息或者所述识别成功信息至所述第二收发模块；

所述第二收发模块，接收所述识别失败信息或者所述识别成功信息；

所述第二处理模块，当所述第二收发模块接收所述识别失败信息时，控制所述服务器继续所述第二神经网络模型对所述图像数据的识别进程；当所述第二收发模块接收所述识别成功信息至所述服务器，控制所述服务器中断所述第二神经网络模型对所述图像数据的识别进程。

通过本发明提供的一种图像识别方法及系统，能够带来以下至少一种有益效果：

1)本发明由于服务器根据配置参数信息和图像样本得到适应于配置参数信息的第一神经网络模型，能够减小智能终端系统资源占用，提升智能终端使用第一神经网络模型进行识别图像数据的效率。

2)本发明由于服务器根据配置参数信息和图像样本得到适应于配置参数信息的第一神经网络模型，能够提升智能终端本地识别出图片数据的概率，降低服务器的图像识别压力，进一步提升图像识别速率。

3)本发明服务器根据用户状态信息结合图像样本推送针对特定用户的的第一神经网络模型，能够提高智能终端安装的第一神经网络模型图像识别的命中概率和准确率，降低服务器的图像识别压力。

4)本发明根据对应于第一神经网络模型的类型信息的图像样本进行训练第一神经网络模型时，能够减少训练的迭代次数，提升第一神经网络模型的训练效率。

附图说明

下面将以明确易懂的方式，结合附图说明优选实施方式，对一种图像识别方法及系统的上述特性、技术特征、优点及其实现方式予以进一步说明。

图1是本发明一种图像识别方法的一个实施例的流程图；

图2是本发明一种图像识别系统的一个实施例的结构示意图；

图3是本发明一种图像识别系统的另一个实施例的结构示意图；

图4是本发明一种图像识别系统的另一个实施例的结构示意图；

图5是本发明一种图像识别系统的另一个实施例的结构示意图。

具体实施方式

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，并获得其他的实施方式。

为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。

本发明第一实施例，如图1所示：

一种图像识别方法，包括：

智能终端获取并安装第一神经网络模型；第一神经网络模型由服务器根据智能终端的配置参数信息和图像样本得到适应于配置参数信息的第一神经网络模型；

智能终端采集图片数据，发送图片数据至目标神经网络模型，使得目标神经网络模型识别图片数据，并得到对应的图像识别结果；目标神经网络模型包括安装于智能终端的第一神经网络模型和服务器的第二神经网络模型。

具体的，本实施例中，第一神经网络模型是由服务器根据图像样本进行训练，并结合智能终端的配置参数信息适应性调整第一神经网络模型的规模大小，以便适应于智能终端的配置参数信息的要求，使得智能终端安装运行的第一神经网络模型能够与智能终端的配置参数适应配合。服务器根据配置参数信息和图像样本得到适应于配置参数信息的第一神经网络模型，将第一神经网络模型移植至智能终端，智能终端安装好第一神经网络模型后，实时采集图片数据，将图片数据发送至目标神经网络模型，目标神经网络为安装于智能终端处的第一神经网络模型和服务器自身训练得到的第二神经网络模型，第一神经网络模型规模小于第二神经网络模型规模，由目标神经网络模型对智能终端采集到的图片数据进行识别，并得到对应的图像识别结果，便于对用户的行为习惯进行分析总结。

本发明由于服务器根据配置参数信息和图像样本得到适应于配置参数信息的第一神经网络模型，能够减小智能终端系统资源(如内存资源，CPU资源，运行速度等等)占用，不影响智能终端其他功能正常使用的同时，还能够提升智能终端使用第一神经网络模型进行识别图像数据的效率，提升智能终端本地识别出图片数据的概率，降低服务器的图像识别压力，进一步提升图像识别速率。例如，配置参数信息为内存时，如果第一神经网络模型的规模过大，将导致智能终端安装第一神经网络模型后，由于内存占用过大导致智能终端运行速度过慢而出现第一神经网络模型识别效率过低，甚至由于内存占用过大导致智能终端卡顿而出现第一神经网络模型识别终止的问题。

本发明第二实施例，如图2所示，本实施例是上述第一实施例的优化实施例，进一步的，智能终端获取并安装第一神经网络模型之前包括：

服务器获取图像样本和配置参数信息；图像样本由第三方平台和/或智能终端生成并上传；

具体的，图像样本可能是由第三方平台提供的，图像样本也有可能是用户使用智能终端日常采集获取并上传至服务器的，图像样本还有可能是第三方平台以及用户使用智能终端日常采集并提供的。这些图像样本可以不做任何处理直接由第三方平台和/或智能终端生成并上传，也可以是第三方平台和/或智能终端获得对应的图像数据之后，对这些图像数据进行选择性的分批次上传，例如，想要获取菜品图像样本时，第一种情况是用户可以使用智能终端实时采集图像数据并立即上传至服务器，服务器储存图像数据，由服务器筛选识别出与菜品有关的菜品图像数据作为菜品图像样本，也可以采集各种各样的图像数据(可能包括与菜品有关的图像数据，以及与菜品无关的如风景图像数据等等)，用户通过智能终端选择与菜品有关的图像数据，将选中的与菜品有关的图像数据上传至服务器。第二种情况是与提供第一神经网络模型的服务器的厂商合作的第三方平台(如饭店，美食网站等等)将所有的与菜品有关的图像数据上传至服务器，上传时间可以任意选定，只要第三方平台更新有新的菜品，就可以将与菜品有关的图像数据在预设的上传时间进行上传至服务器。

服务器将图像样本输入原始神经网络模型，得到适应于配置参数信息的第一神经网络模型，发送第一神经网络模型至智能终端。

服务器获取到图像样本后，将这些图像样本输入原始神经网络模型中，通过原始神经网络模型中各个网络的学习训练，得到适应于配置参数信息的第一神经网络模型。本发明由服务器根据图像样本进行集中训练，不需要智能终端自身进行训练，减小智能终端的硬件配置需求，只要服务器训练得到的第一神经网络模型的规模能够适应于智能终端的配置参数即可，使用方便，此外，图像样本由第三方平台和/或智能终端生成并上传，根据大量高频率的用户感兴趣的图像样本训练得到的第一神经网络模型，能够在后期用户采集图片数据时，快速，高效的识别出该图片数据。

例如当用户使用手机拍摄植物图片时，将植物图片作为图像样本上传至服务器进行训练能够得到适应于手机的配置参数的植物神经网络模型，从而能够自动记录用户感兴趣的植物种类，根据大量高频率的用户感兴趣的植物图片训练得到的植物神经网络模型，能够在后期用户采集植物图片数据时，快速，高效的识别出该植物图片数据的种类；还例如当用户使用IPAD拍摄菜品图片时，将菜品图片作为图像样本上传至服务器进行训练得到适应于IPAD的菜品神经网络模型，从而能够记录用户每天的饮食信息，还能够自动记录用户感兴趣的菜品种类，每个人都有自己喜欢的菜品，通过收集用户平常使用手机的习惯以及用户经常拍摄的菜品图像样本，能够预测用户的喜好，从而使得服务器根据菜品图像样本和用户的喜好推送针对特定用户的第一神经网络模型，提高智能终端安装的第一神经网络模型图像识别的命中概率和准确率。根据大量高频率的用户感兴趣的菜品图片训练得到的植物神经网络模型，能够在后期用户采集菜品图片数据时，快速，高效的识别出该菜品图片数据的菜品类型。

本发明第三实施例，如图3所示，本实施例是上述第一实施例的优化实施例，进一步的，智能终端获取并安装第一神经网络模型之前包括：

服务器获取图像样本、配置参数信息和用户状态信息；用户状态信息包括用户位置信息和/或用户偏好信息；图像样本和用户状态信息由第三方平台和/或智能终端生成并上传；

具体的，图像样本和用户状态信息可能是由第三方平台提供的，图像样本和用户状态信息也有可能是用户使用智能终端日常采集获取并上传至服务器的，图像样本和用户状态信息还有可能是第三方平台以及用户使用智能终端日常采集并提供的。图像样本和用户状态信息可以不做任何处理直接由第三方平台和/或智能终端生成并上传，也可以是第三方平台和/或智能终端获得对应的图像样本和用户状态信息之后，对这些图像样本和用户状态信息进行选择性的分批次上传，例如，想要获取菜品图像样本时，第一种情况是用户可以使用智能终端实时采集图像样本和用户状态信息并立即上传至服务器，服务器储存图像样本和用户状态信息，由服务器筛选识别出与菜品有关的菜品图像样本作为菜品图像样本，也可以采集各种各样的图像样本(可能包括与菜品有关的图像样本，以及与菜品无关的如风景图像样本等等)，用户通过智能终端选择与菜品有关的图像样本，将选中的与菜品有关的图像样本上传至服务器，并将获取的用户状态信息上传至服务器。第二种情况是与提供第一神经网络模型的服务器的厂商合作的第三方平台(如饭店，美食网站等等)将所有的与菜品有关的图像样本上传至服务器，并将用户状态信息上传至服务器，上传时间可以任意选定，只要第三方平台更新有新的菜品或者新的用户状态信息，就可以将新的与菜品有关的图像样本和新的用户状态信息在预设的上传时间进行上传至服务器。

服务器筛选出对应于用户状态信息的图像样本；

服务器将对应于用户状态信息的图像样本输入原始神经网络模型，得到适应于配置参数信息，且匹配用户状态信息的第一神经网络模型，发送第一神经网络模型至智能终端。

具体的，第三方平台和/或智能终端将图像样本和用户状态信息如用户位置信息和/或用户偏好信息上传至服务器后，服务器筛选出对应于用户状态信息的图像样本，根据这些与用户状态信息匹配对应的图像样本输入原始神经网络模型中，通过原始神经网络模型中各个网络的学习训练，得到适应于配置参数信息且匹配用户状态信息的第一神经网络模型。本发明由服务器根据图像样本进行集中训练，不需要智能终端自身进行训练，减小智能终端的硬件配置需求，只要服务器训练得到的第一神经网络模型的规模能够适应于用户状态信息以及智能终端的配置参数即可，使用方便，此外，图像样本和用户状态信息由第三方平台和/或智能终端生成并上传，根据大量高频率的用户感兴趣的图像样本，结合用户状态信息训练得到的第一神经网络模型，即根据用户偏好信息和用户位置信息生成适配的第一神经网络模型，降低第一神经网络模型的规模的同时，降低智能终端安装运行第一神经网络模型的系统资源，间接节省智能终端下载安装第一神经网络模型的网络流量，并且由于第一神经网络模型规模小使得智能终端安装第一神经网络模型的占用系统资源较小，从而提升智能终端的图像识别效率，能够在后期用户采集图片数据时，根据适应于用户状态信息和配置参数信息的第一神经网络模型快速，高效的识别出该图片数据。

例如作为第三方平台的饭店A1将所有的与菜品有关的图像样本A2作为图像样本A3上传至服务器以外，还将饭店A1自身的位置信息A4上传至服务器，服务器就根据饭店A1的图像样本A3进行训练得到对应于饭店A1的位置信息A4的第一神经网络模型A5，当用户B携带的智能终端的定位信息与饭店A的位置信息A4相符合时，服务器就会推送与饭店A1对应的第一神经网络模型A5，这样，在用户B在饭店A1就餐时，用户B携带的智能终端能够安装并运行饭店A1对应的第一神经网络模型A5，由于是根据与饭店A1的菜品有关的图像样本A2作为图像样本A3进行训练得到的第一神经网络模型A5，因此在就餐期间，用户B携带的智能终端根据饭店A1对应的第一神经网络模型A5在保证识别用户在饭店A1餐桌上的进食的菜品的准确率的同时，还能够提升识别效率，不需要用户手动输入打字输入用户的饮食菜品，使用智能终端的拍照功能就能自行快速的了解用户每天的饮食习惯和饮食状况，从而提供基础数据便于后期用户养身或者减肥等等为用户提供每日饮食推荐，减少手动输入的繁琐度，简化操作，提升用户的使用体验。获取用户当前位置所处的饭店，可以依据这家饭店菜单中的所有菜品图像样本设计第一神经网络模型，并及时推送至用户手机等智能终端进行安装，之后用户在这个饭店拍摄的菜品图片数据就会极大概率被智能终端的第一神经网络模型识别出来，从而不用再通过远端的服务器进行处理，快速识别图片数据，能够改善用户体验的同时大大减小了服务器端负担。对于用户每天的书籍阅读进行拍摄书籍图像样本，识别用户在图书馆每天阅读的书籍类型，得到用户的阅读习惯偏好，也可以类同于上述菜品的例子，在此不再详细说明。

还例如作为智能手机C1将用户日常在家食用的所有的与菜品有关的图像样本C2作为图像样本C3上传至服务器以外，还根据智能手机C1将在家中时的位置信息C4上传至服务器，并将用户的饮食偏好C5作为用户偏好信息上传至服务器，服务器就根据位置信息C4和饮食偏好C5筛选出对应于位置信息C4和饮食偏好C5的图像样本C6，根据对应于位置信息C4和饮食偏好C5的图像样本C6进行训练得到对应的第一神经网络模型C7，当用户D携带的智能手机C1的定位信息与位置信息C4相符合即用户在家进食时，服务器就会推送与对应于位置信息C4和饮食偏好C5的第一神经网络模型C7，这样，在用户D在智能手机C1就餐时，用户D携带的智能手机C1能够安装并运行位置信息C4和饮食偏好C5对应的第一神经网络模型C7，由于是根据与对应于位置信息C4和饮食偏好C5的图像样本C6进行训练得到的第一神经网络模型C7，因此在就餐期间，用户D携带的智能手机C1根据对应于位置信息C4和饮食偏好C5的第一神经网络模型C7在保证识别用户在家就餐的菜品的准确率的同时，还能够提升识别效率，不需要用户手动输入打字输入用户的饮食菜品，使用智能终端的拍照功能就能自行快速的了解用户每天的饮食习惯和饮食状况，从而提供基础数据便于后期用户养身或者减肥等等为用户提供每日饮食推荐，减少手动输入的繁琐度，简化操作，提升用户的使用体验。对于用户每天的书籍阅读进行拍摄书籍图像样本，识别用户在家中每天阅读的书籍类型，得到用户的阅读习惯偏好，也可以类同于上述菜品的例子，在此不再详细说明。

本发明第四实施例，本实施例是上述第一实施例的优化实施例，相同部分的效果在此不再一一赘述，进一步的，服务器根据第二神经网络对图像样本进行筛选分类，得到对应于第一神经网络模型的类型信息的图像样本。

具体的，服务器在获取到由第三方平台和/或智能终端生成并上传图像样本后，由于第三方平台和/或智能终端在生成图像数据的过程中，可能会生成其他的与第一神经网络模型的类型信息不相符的噪声图像样本，对这些图像样本进行筛选分类预处理，根据筛选滤除不符合第一神经网络模型的类型信息的图像样本，从而得到更加准确的对应于第一神经网络模型的类型信息的图像样本，例如，饰品包括头饰，衣饰，首饰等等，服务器的第二神经网络能够识别各种饰品图像，那么在第三方平台和/或智能终端生成并上传头饰图像样本后，由服务器自行根据第二神经网络进行筛选识别得到对应于类型信息为头饰的目标图像样本，从而由服务器根据头饰的目标图像样本进行训练得到对应的能够识别头饰的第一神经网络模型。

本发明根据对应于第一神经网络模型的类型信息的图像样本进行训练第一神经网络模型时，能够减少训练的迭代次数，提升第一神经网络模型的训练效率，此外，将筛选工作由服务器进行，提升自动化，不需要用户自行筛选分类后上传，直接在获取到图像样本后上传至服务器，由服务器根据第二神经网络进行筛选分类即可，减少用户肉眼筛选的操作，降低人工筛选的主观性，根据客观筛选分类得到的对应于第一神经网络模型的类型信息的图像样本，提升第一神经网络识别图片数据的准确率和鲁棒性。

具体的，服务器可以在线下或者线上预先收集大量图像样本，采用海量图像样本对原始神经网络模型进行训练得到训练后的第一神经网络模型，在将该第一神经网络训练成功后，可以发布新的第一神经网络模型版本供智能终端下载。

本发明第五实施例，本实施例是上述第一实施例的优化实施例，相同部分的效果在此不再一一赘述，进一步的，智能终端采集图片数据，发送图片数据至目标神经网络模型，使得目标神经网络模型识别图片数据，并得到对应的图像识别结果具体包括：

智能终端采集图片数据；

智能终端将图片数据分别发送至第一神经网络模型和第二神经网络模型，使得智能终端根据第一神经网络模型识别图片数据，并使得服务器根据第二神经网络模型识别图片数据；

当根据第一神经网络模型识别失败时，智能终端生成并发送识别失败信息至服务器，控制服务器继续第二神经网络模型对图像数据的识别进程，并获取第二神经网络模型的识别结果；

当根据第一神经网络模型识别成功时，智能终端获取第一神经网络模型的识别结果，生成并发送识别成功信息至服务器，控制服务器中断第二神经网络模型对图像数据的识别进程。

具体的，智能终端实时采集图片数据，将图片数据发送至安装于智能终端处的第一神经网络模型和服务器自身训练得到的第二神经网络模型，第一神经网络模型规模小于第二神经网络模型规模，安装于智能终端处的第一神经网络模型对智能终端采集到的图片数据进行识别，并得到对应的图像识别结果，如果第一神经网络模型识别出图片数据，那么智能终端就发送识别成功信息至服务器，服务器接收到识别成功信息后，就中断第二神经网络模型对图像数据的识别进程。如果第一神经网络模型未识别出图片数据，那么智能终端就发送识别失败信息至服务器，服务器接收到识别失败信息后，第二神经网络模型继续对图像数据进行识别，将第二神经网络模型的识别结果返回至智能终端。

本发明通过智能终端收集到待识别的图片数据后，同时向智能终端本地端已安装的第一神经网络模型和远程的服务器的第二神经网络模型发送待识别的图片数据，两端的神经网络模型收到图片数据之后，分别对待识别的图片数据进行识别，由于智能终端本地端已安装的第一神经网络模型不用网络传输，能够更快地得到识别反馈信息，在智能终端本地端出来识别反馈信息之后，智能终端向服务器端发送识别状态结果通知(识别失败信息或者识别成功信息)，此时服务器再根据智能终端的识别状态结果通知判断是否中断自身的第二神经网络模型的识别任务，具有分布式识别的效果，即不像现有技术中那样集中由服务器进行识别，保证识别成功率的同时提升识别效率。

本发明第六实施例，一种图像识别系统，如图2所示：服务器200和智能终端100；服务器200与智能终端100连接；智能终端100包括：第一收发模块110，安装模块120，采集模块130，第一识别模块140；服务器200包括：第二收发模块210，第二识别模块220；安装模块120分别与第一收发模块110和采集模块130连接，第一收发模块110分别与第一识别模块140和第二收发模块210连接，第二收发模块210与第二识别模块220连接；

第一收发模块110，获取第一神经网络模型；第一神经网络模型由服务器200根据智能终端100的配置参数信息和图像样本得到适应于配置参数信息的第一神经网络模型；

安装模块120，安装第一神经网络模型；

采集模块130，采集图片数据；

第一收发模块110，发送图片数据至目标神经网络模型；目标神经网络模型包括安装于智能终端100的第一神经网络模型和服务器200的第二神经网络模型；

第一识别模块140，根据第一神经网络模型识别图片数据，得到对应的图像识别结果；

第二收发模块210，接收图片数据；

第二识别模块220，根据第二神经网络模型识别图片数据，得到对应的图像识别结果。

具体的，本实施例是上述方法实施例对应的系统实施例，具体效果参见上述第一实施例，在此不再一一赘述。

本发明第七实施例，如图3所示，本实施例是上述第六实施例的优化实施例，进一步的，服务器200还包括：第一获取模块230和第一生成模块240；第一生成模块240分别与第一获取模块230和第二收发模块210连接；

第一获取模块230，获取图像样本和配置参数信息；图像样本由第三方平台和/或智能终端100生成并上传；

第一生成模块240，将图像样本输入原始神经网络模型，得到适应于配置参数信息的第一神经网络模型；

第二收发模块210，发送第一神经网络模型至智能终端100。

具体的，本实施例是上述方法实施例对应的系统实施例，具体效果参见上述第二实施例，在此不再一一赘述。

本发明第八实施例，如图4所示，本实施例是上述第六实施例的优化实施例，服务器200还包括：第二获取模块250，筛选模块260和第二生成模块270；筛选模块260分别与第二获取模块250和第二生成模块270连接；第二生成模块270与第二收发模块210连接；

第二获取模块250，获取图像样本、配置参数信息和用户状态信息；用户状态信息包括用户位置信息和/或用户偏好信息；图像样本和用户状态信息由第三方平台和/或智能终端100生成并上传；

筛选模块260，筛选出对应于用户状态信息的图像样本；

第二生成模块270，将对应于用户状态信息的图像样本输入原始神经网络模型，得到适应于配置参数信息，且匹配用户状态信息的第一神经网络模型；

第二收发模块210，发送第一神经网络模型至智能终端100。

具体的，本实施例是上述方法实施例对应的系统实施例，具体效果参见上述第三实施例，在此不再一一赘述。

本发明第九实施例，本实施例是上述第六实施例的优化实施例，所述服务器200还包括：过滤模块，所述过滤模块与所述筛选模块260连接；所述过滤模块，根据第二神经网络对图像样本进行筛选分类，得到对应于第一神经网络模型的类型信息的图像样本。

具体的，本实施例是上述方法实施例对应的系统实施例，具体效果参见上述第四实施例，在此不再一一赘述。

本发明第十实施例，如图5所示，本实施例是上述第六实施例的优化实施例，智能终端100还包括：第一处理模块150；第一处理模块150分别与第一识别模块140和第一收发模块110连接；服务器200还包括第二处理模块230；第二处理模块230与第二收发模块210连接；

第一处理模块150，当第一识别模块140根据第一神经网络模型识别失败时，生成识别失败信息；当第一识别模块140根据第一神经网络模型识别成功时，获取第一神经网络模型的识别结果，生成识别成功信息；

第一收发模块110，发送识别失败信息或者识别成功信息至第二收发模块210；

第二收发模块210，接收识别失败信息或者识别成功信息；

第二处理模块230，当第二收发模块210接收识别失败信息时，控制服务器200继续第二神经网络模型对图像数据的识别进程；当第二收发模块210接收识别成功信息至服务器200，控制服务器200中断第二神经网络模型对图像数据的识别进程。

具体的，本实施例是上述方法实施例对应的系统实施例，具体效果参见上述第五实施例，在此不再一一赘述。

应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种图像识别方法，其特征在于，包括步骤：

智能终端获取并安装第一神经网络模型；所述第一神经网络模型由服务器根据智能终端的配置参数信息和图像样本得到适应于所述配置参数信息的第一神经网络模型；

所述智能终端采集图片数据，发送所述图片数据至目标神经网络模型，使得所述目标神经网络模型识别所述图片数据，并得到对应的图像识别结果；所述目标神经网络模型包括安装于所述智能终端的第一神经网络模型和所述服务器的第二神经网络模型。

2.根据权利要求1所述的图像识别方法，其特征在于，所述智能终端获取并安装第一神经网络模型之前包括：

所述服务器获取所述图像样本和所述配置参数信息；所述图像样本由第三方平台和/或智能终端生成并上传；

所述服务器将所述图像样本输入原始神经网络模型，得到适应于所述配置参数信息的第一神经网络模型，发送所述第一神经网络模型至所述智能终端。

3.根据权利要求1所述的图像识别方法，其特征在于，所述智能终端获取并安装第一神经网络模型之前还包括：

所述服务器获取所述图像样本、所述配置参数信息和用户状态信息；所述用户状态信息包括用户位置信息和/或用户偏好信息；所述图像样本和所述用户状态信息由第三方平台和/或智能终端生成并上传；

所述服务器筛选出对应于所述用户状态信息的图像样本；

所述服务器将对应于所述用户状态信息的图像样本输入原始神经网络模型，得到适应于所述配置参数信息，且匹配所述用户状态信息的第一神经网络模型，发送所述第一神经网络模型至所述智能终端。

4.根据权利要求2或3所述的图像识别方法，其特征在于，还包括：

所述服务器根据所述第二神经网络对所述图像样本进行筛选分类，得到对应于所述第一神经网络模型的类型信息的图像样本。

5.根据权利要求1所述的图像识别方法，其特征在于，所述智能终端采集图片数据，发送所述图片数据至目标神经网络模型，使得所述目标神经网络模型识别所述图片数据，并得到对应的图像识别结果具体包括：

所述智能终端采集所述图片数据；

所述智能终端将所述图片数据分别发送至所述第一神经网络模型和所述第二神经网络模型，使得所述智能终端根据所述第一神经网络模型识别所述图片数据，并使得所述服务器根据所述第二神经网络模型识别所述图片数据；

当根据所述第一神经网络模型识别失败时，所述智能终端生成并发送识别失败信息至所述服务器，控制所述服务器继续所述第二神经网络模型对所述图像数据的识别进程，并获取所述第二神经网络模型的识别结果；

当根据所述第一神经网络模型识别成功时，所述智能终端获取所述第一神经网络模型的识别结果，生成并发送识别成功信息至所述服务器，控制所述服务器中断所述第二神经网络模型对所述图像数据的识别进程。

6.一种图像识别系统，其特征在于，包括：服务器和智能终端；所述服务器与所述智能终端连接；所述智能终端包括：第一收发模块，安装模块，采集模块，第一识别模块；所述服务器包括：第二收发模块，第二识别模块；所述安装模块分别与所述第一收发模块和所述采集模块连接，所述第一收发模块分别与所述第一识别模块和所述第二收发模块连接，所述第二收发模块与所述第二识别模块连接；

所述第一收发模块，获取第一神经网络模型；所述第一神经网络模型由服务器根据智能终端的配置参数信息和图像样本得到适应于所述配置参数信息的第一神经网络模型；

所述安装模块，安装所述第一神经网络模型；

所述采集模块，采集图片数据；

所述第一收发模块，发送所述图片数据至目标神经网络模型；所述目标神经网络模型包括安装于所述智能终端的第一神经网络模型和所述服务器的第二神经网络模型；

所述第一识别模块，根据所述第一神经网络模型识别所述图片数据，得到对应的图像识别结果；

所述第二收发模块，接收所述图片数据；

所述第二识别模块，根据所述第二神经网络模型识别所述图片数据，得到对应的图像识别结果。

7.根据权利要求6所述的图像识别系统，其特征在于，所述服务器还包括：第一获取模块和第一生成模块；所述第一生成模块分别与所述第一获取模块和所述第二收发模块连接；

所述第一获取模块，获取所述图像样本和所述配置参数信息；所述图像样本由第三方平台和/或智能终端生成并上传；

所述第一生成模块，将所述图像样本输入原始神经网络模型，得到适应于所述配置参数信息的第一神经网络模型；

所述第二收发模块，发送所述第一神经网络模型至所述智能终端。

8.根据权利要求6所述的图像识别系统，其特征在于，所述服务器还包括：第二获取模块，筛选模块和第二生成模块；所述筛选模块分别与所述第二获取模块和所述第二生成模块连接；所述第二生成模块与所述第二收发模块连接；

所述第二获取模块，获取所述图像样本、所述配置参数信息和用户状态信息；所述用户状态信息包括用户位置信息和/或用户偏好信息；所述图像样本和所述用户状态信息由第三方平台和/或智能终端生成并上传；

所述筛选模块，筛选出对应于所述用户状态信息的图像样本；

所述第二生成模块，将对应于所述用户状态信息的图像样本输入原始神经网络模型，得到适应于所述配置参数信息，且匹配所述用户状态信息的第一神经网络模型；

所述第二收发模块，发送所述第一神经网络模型至所述智能终端。

9.根据权利要求7或8所述的图像识别系统，其特征在于，所述服务器还包括：过滤模块，所述过滤模块与所述筛选模块连接；所述过滤模块根据所述第二神经网络对所述图像样本进行筛选分类，得到对应于所述第一神经网络模型的类型信息的图像样本。

10.根据权利要求6所述的图像识别系统，其特征在于，所述智能终端还包括：第一处理模块；所述第一处理模块分别与所述第一识别模块和所述第一收发模块连接；所述服务器还包括第二处理模块；所述第二处理模块与所述第二收发模块连接；

所述第一处理模块，当所述第一识别模块根据所述第一神经网络模型识别失败时，生成识别失败信息；当所述第一识别模块根据所述第一神经网络模型识别成功时，获取所述第一神经网络模型的识别结果，生成识别成功信息；

所述第一收发模块，发送所述识别失败信息或者所述识别成功信息至所述第二收发模块；

所述第二收发模块，接收所述识别失败信息或者所述识别成功信息；

所述第二处理模块，当所述第二收发模块接收所述识别失败信息时，控制所述服务器继续所述第二神经网络模型对所述图像数据的识别进程；当所述第二收发模块接收所述识别成功信息至所述服务器，控制所述服务器中断所述第二神经网络模型对所述图像数据的识别进程。