CN110188783A - 一种图像分类方法、装置及电子设备 - Google Patents

一种图像分类方法、装置及电子设备 Download PDF

Info

Publication number
CN110188783A
CN110188783A CN201810154164.8A CN201810154164A CN110188783A CN 110188783 A CN110188783 A CN 110188783A CN 201810154164 A CN201810154164 A CN 201810154164A CN 110188783 A CN110188783 A CN 110188783A
Authority
CN
China
Prior art keywords
image
feature vector
target
classification
category
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810154164.8A
Other languages
English (en)
Inventor
张彦刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Orion Star Technology Co Ltd
Original Assignee
Beijing Orion Star Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Orion Star Technology Co Ltd filed Critical Beijing Orion Star Technology Co Ltd
Priority to CN201810154164.8A priority Critical patent/CN110188783A/zh
Publication of CN110188783A publication Critical patent/CN110188783A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Abstract

本发明实施例提供了一种图像分类方法、装置及电子设备，所述方法包括：获取待分类图像；提取待分类图像的目标特征向量；根据目标特征向量及预先建立的特征向量与图像类别的对应关系，确定目标特征向量对应的目标图像类别；将目标图像类别确定为待分类图像的类别。可见，该方案中，只需根据待分类图像的目标特征向量及预先建立的特征向量与图像类别的对应关系，便可以确定待分类图像的类别，无需采集大量图像样本进行训练，计算量大大降低，减少计算所耗费的时间，提高图像分类效率。

Description

一种图像分类方法、装置及电子设备
技术领域
本发明涉及图像处理技术领域，特别是涉及一种图像分类方法、装置及电子设备。
背景技术
计算机视觉是指对图像特征进行提取和分析，让计算机具有人眼和人脑对图像识别的能力。而图像分类是计算机视觉的核心问题之一，图像分类即是按照预设类别对图像进行分类，一般方式可以为从固定的一组分类标签中，给输入图像分配标签，该标签标识输入图像的类别。
图像分类在实际生活中有着各种各样的应用，例如，人工智能设备包括机器人、机械臂等，在执行任务的过程中，需要监测自身与交互环境的状况。比较常用的一种方式是通过摄像机获取环境图像，然后对所获取的图像进行分析和判断，此时，对获取的图像进行分析和判断可以抽象为图像分类问题。
深度学习是解决图像分类问题的一种有效手段。具体来说，首先需要构建一个分类器，然后对该分类器进行训练，要使得一个分类器具备较好的图像分类能力，需要对大量图像样本进行多次训练迭代。针对不同环境场景，则需要采集每个场景在不同情况下的大量图像作为图像样本，对所有图像样本进行训练，计算量巨大，耗费大量时间，图像分类效率较低。
发明内容
本发明实施例的目的在于提供一种图像分类方法、装置及电子设备，以减少图像分类的计算量，提高分类效率。具体技术方案如下：
第一方面，本发明实施例提供了一种图像分类方法，所述方法包括：
获取待分类图像；
提取所述待分类图像的目标特征向量；
根据所述目标特征向量及预先建立的特征向量与图像类别的对应关系，确定所述目标特征向量对应的目标图像类别；
将所述目标图像类别确定为所述待分类图像的类别。
可选的，所述根据所述目标特征向量及预先建立的特征向量与图像类别的对应关系，确定所述目标特征向量对应的目标图像类别的步骤，包括：
确定所述目标特征向量与预先建立的特征向量与图像类别的对应关系中的每一特征向量的距离；
将与所述目标特征向量距离最近的K个特征向量确定为近邻特征向量，其中，K为大于1的正整数；
根据所述对应关系，确定每个所述近邻特征向量对应的图像类别；
根据所确定的图像类别，确定所述目标特征向量对应的目标图像类别。
可选的，所述根据所确定的图像类别，确定所述目标特征向量对应的目标图像类别的步骤，包括：
将所确定的图像类别中比例最高的图像类别，确定为所述目标特征向量对应的目标图像类别。
可选的，在所述将所确定的图像类别中比例最高的图像类别，确定为所述目标特征向量对应的目标图像类别的步骤之前，所述方法还包括：
确定所述比例最高的图像类别的比例达到预设比例。
可选的，所述根据所述目标特征向量及预先建立的特征向量与图像类别的对应关系，确定所述目标特征向量对应的目标图像类别的步骤，包括：
确定所述目标特征向量与预先建立的特征向量与图像类别的对应关系中的每一特征向量的距离；
确定与所述目标特征向量距离最近的一个特征向量；
根据所述对应关系，确定所述与目标特征向量距离最近的一个特征向量对应的图像类别；
将所确定的图像类别，确定为所述目标特征向量对应的目标图像类别。
可选的，所述提取所述待分类图像的目标特征向量的步骤，包括：
将所述待分类图像输入目标网络模型，得到所述待分类图像的目标特征向量，其中，所述目标网络模型为预先训练完成的用于提取图像特征向量的网络模型。
可选的，所述目标网络模型具体为一个去掉输出层的卷积神经网络模型，所述卷积神经网络模型用于图像分类。
可选的，所述特征向量与图像类别的对应关系的建立方式，包括：
获取每个预设场景下的预设数量的图像样本，其中，预设场景为需要进行图像分类的场景；
根据预设分类规则，确定每一预设场景对应的图像类别；
提取所述图像样本的特征向量；
将每一预设场景对应的图像样本的特征向量与其对应的图像类别建立对应关系。
可选的，所述获取待分类图像的步骤，包括：
获取在机械臂执行设定任务时的预设场景图像作为待分类图像，其中，所述预先建立的对应关系中的图像类别为：用于标识机械臂所在场景情况的类别。
可选的，当所述目标图像类别为异常类别时，所述方法还包括：
输出异常提示信息，其中，所述异常类别为标识所述机械臂所在场景出现异常情况的类别。
第二方面，本发明实施例提供了一种图像分类装置，所述装置包括：
图像获取模块，用于获取待分类图像；
特征向量提取模块，用于提取所述待分类图像的目标特征向量；
第一类别确定模块，用于根据所述目标特征向量及通过对应关系建立模块预先建立的特征向量与图像类别的对应关系，确定所述目标特征向量对应的目标图像类别；
第二类别确定模块，用于将所述目标图像类别确定为所述待分类图像的类别。
可选的，所述第一类别确定模块包括：
第一距离确定子模块，用于确定所述目标特征向量与预先建立的特征向量与图像类别的对应关系中的每一特征向量的距离；
近邻特征向量确定子模块，用于将与所述目标特征向量距离最近的K个特征向量确定为近邻特征向量，其中，K为大于1的正整数；
第一图像类别确定子模块，用于根据所述对应关系，确定每个所述近邻特征向量对应的图像类别；
第一目标图像类别确定子模块，用于根据所确定的图像类别，确定所述目标特征向量对应的目标图像类别。
可选的，所述第一目标图像类别确定子模块包括：
目标图像类别确定单元，用于将所确定的图像类别中比例最高的图像类别，确定为所述目标特征向量对应的目标图像类别。
可选的，所述第一目标图像类别确定子模块还包括：
预设比例判断单元，用于在将所确定的图像类别中比例最高的图像类别，确定为所述目标特征向量对应的目标图像类别之前，确定所述比例最高的图像类别的比例达到预设比例。
可选的，所述第一类别确定模块包括：
第二距离确定子模块，用于确定所述目标特征向量与预先建立的特征向量与图像类别的对应关系中的每一特征向量的距离；
特征向量确定子模块，用于确定与所述目标特征向量距离最近的一个特征向量；
第二图像类别确定子模块，用于根据所述对应关系，确定所述与目标特征向量距离最近的一个特征向量对应的图像类别；
第二目标图像类别确定子模块，用于将所确定的图像类别，确定为所述目标特征向量对应的目标图像类别。
可选的，所述特征向量提取模块包括：
特征向量提取子模块，用于将所述待分类图像输入目标网络模型，得到所述待分类图像的目标特征向量，其中，所述目标网络模型为预先训练完成的用于提取图像特征向量的网络模型。
可选的，所述目标网络模型具体为一个去掉输出层的卷积神经网络模型，所述卷积神经网络模型用于图像分类。
可选的，所述对应关系建立模块包括：
图像样本获取子模块，用于获取每个预设场景下的预设数量的图像样本，其中，预设场景为需要进行图像分类的场景；
场景类别确定子模块，用于根据预设分类规则，确定每一预设场景对应的图像类别；
样本特征向量提取子模块，用于提取所述图像样本的特征向量；
对应关系建立子模块，用于将每一预设场景对应的图像样本的特征向量与其对应的图像类别建立对应关系。
可选的，所述图像获取模块包括：
图像获取子模块，用于获取在机械臂执行设定任务时的预设场景图像作为待分类图像，其中，所述预先建立的对应关系中的图像类别为：用于标识机械臂所在场景情况的类别。
可选的，所述装置还包括：
提示信息输出模块，用于当所述目标图像类别为异常类别时，输出异常提示信息，其中，所述异常类别为标识所述机械臂所在场景出现异常情况的类别。
第三方面，本发明实施例还提供了一种电子设备，包括处理器、存储器和通信总线，其中，处理器、存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述的图像分类方法步骤。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述的图像分类方法步骤。
本发明实施例所提供的方案中，首先获取待分类图像，然后提取待分类图像的目标特征向量，根据目标特征向量及预先建立的特征向量与图像类别的对应关系，确定目标特征向量对应的目标图像类别，最后将该目标图像类别确定为待分类图像的类别。该方案中，只需根据待分类图像的目标特征向量及预先建立的特征向量与图像类别的对应关系，便可以确定待分类图像的类别，无需采集大量图像样本进行训练，计算量大大降低，减少计算所耗费的时间，提高图像分类效率。
附图说明
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。
图1为本发明实施例所提供的一种图像分类方法的流程图；
图2为图1所示实施例中步骤S103的一种具体流程图；
图3为图1所示实施例中步骤S103的另一种具体流程图；
图4为特征向量与图像类别的对应关系的建立方式的流程图；
图5为特征向量与图像类别的对应关系的一种示意图；
图6为本发明实施例所提供的一种图像分类装置的结构示意图；
图7为本发明实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了减少图像分类时的计算量，提高分类效率，本发明实施例提供了一种图像分类方法、装置、电子设备及计算机可读存储介质。
下面首先对本发明实施例所提供的一种图像分类方法进行介绍。
本发明实施例所提供的一种图像分类方法可以应用于任意需要进行图像分类处理的电子设备，以下简称电子设备，例如，可以为处理器、电脑、平板电脑、手机等电子设备，在此不做具体限定。
如图1所示，一种图像分类方法，所述方法包括：
S101，获取待分类图像；
S102，提取所述待分类图像的目标特征向量；
S103，根据所述目标特征向量及预先建立的特征向量与图像类别的对应关系，确定所述目标特征向量对应的目标图像类别；
S104，将所述目标图像类别确定为所述待分类图像的类别。
可见，本发明实施例所提供的方案中，电子设备首先获取待分类图像，然后提取待分类图像的目标特征向量，根据目标特征向量及预先建立的特征向量与图像类别的对应关系，确定目标特征向量对应的目标图像类别，最后将该目标图像类别确定为待分类图像的类别。该方案中，只需根据待分类图像的目标特征向量及预先建立的特征向量与图像类别的对应关系，便可以确定待分类图像的类别，无需采集大量图像样本进行训练，计算量大大降低，减少计算所耗费的时间，提高图像分类效率。
电子设备首先可以获取待分类图像，可以理解的是，待分类图像即为需要确定类别的图像。然后在上述步骤S102中，电子设备便可以提取待分类图像的目标特征向量，具体来说，电子设备可以通过卷积神经网络等提取待分类图像的目标特征向量。目标特征向量即为可以表征待分类图像的图像特征的向量，一般情况下为一高维向量。
接下来，在上述步骤S103中，电子设备便可以根据上述目标特征向量及预先建立的特征向量与图像类别的对应关系，确定目标特征向量对应的目标图像类别，例如，可以采用聚类算法确定目标特征向量对应的目标图像类别，具体如K近邻算法等，当然K近邻算法仅为一个示例，也可以采用其它聚类算法确定目标特征向量对应的目标图像类别，在此不再一一例举。进而，将该目标图像类别确定为待分类图像的类别。
其中，上述对应关系中的特征向量及图像类别可以是预先获取的各种场景下的图像样本的特征向量及图像类别。为了方案清楚及布局清晰，对于该对应关系的建立方式，以及目标图像类别的确定方式，后续将会举例介绍。
需要说明的是，上述目标特征向量仅仅用于指代待分类图像的特征向量，目标图像类别仅仅用于指代目标特征向量对应的图像类别，并不具有其他限定意义。
作为本发明实施例的一种实施方式，如图2所示，上述根据所述目标特征向量及预先建立的特征向量与图像类别的对应关系，确定所述目标特征向量对应的目标图像类别的步骤，可以采用K近邻算法，具体可以包括：
S201，确定所述目标特征向量与预先建立的特征向量与图像类别的对应关系中的每一特征向量的距离；
首先电子设备可以通过K近邻算法确定上述目标特征向量对应的目标图像类别，具体来说，电子设备首先可以计算目标特征向量与预先建立的特征向量与图像类别的对应关系中的每一特征向量的距离。也就是说，电子设备可以逐一计算目标特征向量与预先建立的特征向量与图像类别的对应关系中的每一特征向量的距离。
例如，预先建立的特征向量与图像类别的对应关系中的特征向量共有50个，那么电子设备便可以逐一计算目标特征向量与该50个特征向量的距离，共得到50个距离值。
本方案中所说的特征向量之间的距离可以理解为特征向量之间的相似性，特征向量之间的相似度越高，则距离越近，反之，特征向量之间的相似度越低，则距离越远。
由于两个单位向量a、b的数量积的表达式为|a||b|cosθ，其中，θ为两个向量之间的夹角。该数量积可以表示两个单位向量的相似性，具体来说，θ越接近0度，两个向量越接近重合，说明两个向量的相似度越高，也就是说，数量积越接近1，说明两个单位向量的相似度越高，距离越近。
同理的，目标特征向量与预先建立的特征向量与图像类别的对应关系中的每个特征向量之间的距离也可以用向量的数量积表示，例如，目标特征向量用A表示，预先建立的特征向量与图像类别的对应关系中的一个特征向量用B表示，那么二者的距离即为A·B＝|A||B|cosθ，其中，θ为向量A、B之间的夹角。目标特征向量与上述对应关系中的每个特征向量之间的距离均可以通过同样的方式计算得到，在此不再赘述。
S202，将与所述目标特征向量距离最近的K个特征向量确定为近邻特征向量；
计算得到目标特征向量与预先建立的特征向量与图像类别的对应关系中的每个特征向量之间的距离后，电子设备便可以将与目标特征向量距离最近的K个特征向量确定为近邻特征向量，其中，K可以为大于1的正整数，例如可以为3、5、10、12等，在此不做具体限定。
由上述描述可知，两个向量的数量积越接近1，说明两个单位向量的相似度越高，距离越近，因此，电子设备便可以确定与目标特征向量的数量积最接近1的K个特征向量，将这K个特征向量确定为近邻特征向量，可以理解的是，该K个近邻特征向量与目标特征向量的相似度最高。
S203，根据所述对应关系，确定每个所述近邻特征向量对应的图像类别；
在上述预先建立的对应关系中，每个特征向量对应有图像类别，因此确定了上述近邻特征向量后，电子设备便可以根据该对应关系，确定每个近邻特征向量对应的图像类别。
预先建立的对应关系可以通过构建一个表格实现，例如，可以如下表所示：
特征向量 图像类别
X<sub>1</sub> Y2
X<sub>2</sub> Y3
X<sub>3</sub> Y2
X<sub>4</sub> Y1
X<sub>5</sub> Y1
X<sub>6</sub> Y2
X<sub>7</sub> Y1
示例性的，如果在步骤S202中电子设备确定的近邻向量为X2、X4、X5及X7，那么根据上表中的对应关系可以得到近邻向量X2、X4、X5及X7对应的图像类别依次为：Y3、Y1、Y1及Y1。
S204，根据所确定的图像类别，确定所述目标特征向量对应的目标图像类别。
确定近邻特征向量对应的图像类别后，电子设备便可以根据所确定的图像类别，确定上述目标特征向量对应的目标图像类别。在一种实施方式中，电子设备可以根据所确定的图像类别中各图像类别所占比例，确定目标特征向量对应的目标图像类别。
可见，在本实施例中，电子设备可以采用K近邻算法，计算目标特征向量与预先建立的特征向量与图像类别的对应关系中的每一特征向量的距离，确定近邻特征向量，进而确定目标特征向量对应的目标图像类别，计算量小，耗费时间短，可以快速确定目标特征向量对应的目标图像类别。
作为本发明实施例的一种实施方式，上述根据所确定的图像类别，确定所述目标特征向量对应的目标图像类别的步骤，可以包括：
将所确定的图像类别中比例最高的图像类别，确定为所述目标特征向量对应的目标图像类别。
电子设备确定近邻特征向量对应的图像类别后，可以得出所确定的图像类别中比例最高的图像类别，由于对于该比例最高的图像类别来说，说明与待分类图像的目标特征向量最为相似的近邻特征向量所对应的图像类别大多数为该比例最高的图像类别，那么说明待分类图像与这些最为相似的近邻特征向量对应的图像的特征最为相似，因此，待分类图像与这些最为相似的近邻特征向量对应的图像的图像类别也就最为相近，进而，电子设备便可以将该比例最高的图像类别确定为目标特征向量对应的目标图像类别。
依然以上述步骤S203中的例子为例，近邻向量X2、X4、X5及X7对应的图像类别依次为：Y3、Y1、Y1及Y1。可以看出，图像类别Y3对应的比例为25％，图像类别Y1对应的比例为75％，显然，比例最高的图像类别为Y1，那么电子设备便可以将Y1确定为目标特征向量对应的目标图像类别。假如图像类别Y1为“咖啡机正常”，那么目标特征向量对应的目标图像类别也就是“咖啡机正常”。
可见，在本实施例中，电子设备可以将所确定的图像类别中比例最高的图像类别确定为目标特征向量对应的目标图像类别，能够快速准确地确定目标图像类别，进一步减少计算量，提高图像分类效率。
为了更准确地确定目标图像类别，作为本发明实施例的一种实施方式，在上述将所确定的图像类别中比例最高的图像类别，确定为所述目标特征向量对应的目标图像类别的步骤之前，上述方法还可以包括：
确定所述比例最高的图像类别的比例达到预设比例。
由于在一些情况下，上述比例最高的图像类别也可能对应一个很低的比例，例如10％、20％、25％等，那么说明该比例最高的图像类别所对应的图像的特征与待分类图像的特征的相似度也不是很高，此时如果将该比例最高的图像类别确定为目标图像类别，图像分类结果可能是不够准确的，因此，在将所确定的图像类别中比例最高的图像类别，确定为目标特征向量对应的目标图像类别之前，电子设备可以确定该比例最高的图像类别的比例是否达到预设比例。
其中，该预设比例可以根据实际图像分类的准确率等因素确定，例如，可以为50％、60％、70％等，在此不做具体限定。这样，如果上述比例最高的图像类别的比例达到预设比例，那么电子设备便可以确定该比例最高的图像类别为目标特征向量对应的目标图像类别。如果上述比例最高的图像类别的比例未达到预设比例，那么电子设备可以输出提示信息，提示用户图像分类异常等。
示例性的，如果预设比例为70％，在上述步骤中所确定的比例最高的图像类别的比例为80％，那么电子设备便可以确定比例最高的图像类别为目标特征向量对应的目标图像类别。在上述步骤中所确定的比例最高的图像类别的比例为40％，那么电子设备可以输出提示信息，提示用户图像分类异常。
可见，在本实施例中，电子设备在将所确定的图像类别中比例最高的图像类别，确定为目标特征向量对应的目标图像类别之前，可以确定比例最高的图像类别的比例达到预设比例，这样可以更准确地确定目标图像类别。
作为本发明实施例的一种实施方式，如图3所示，上述根据所述目标特征向量及预先建立的特征向量与图像类别的对应关系，确定所述目标特征向量对应的目标图像类别的步骤，可以包括：
S301，确定所述目标特征向量与预先建立的特征向量与图像类别的对应关系中的每一特征向量的距离；
由于步骤S301与上述步骤S201相同，具体实施方式可以参见上述步骤S201部分的描述，在此不再赘述。
S302，确定与所述目标特征向量距离最近的一个特征向量；
电子设备确定了目标特征向量与预先建立的特征向量与图像类别的对应关系中的每一特征向量的距离后，便可以确定与目标特征向量距离最近的一个特征向量，可以理解的是，该与目标特征向量距离最近的一个特征向量与目标特征向量最为相似。
S303，根据所述对应关系，确定所述与目标特征向量距离最近的一个特征向量对应的图像类别；
接下来，电子设备便可以根据上述预先建立的对应关系，确定该与目标特征向量距离最近的一个特征向量对应的图像类别。假设该预先建立的对应关系如上表所示，电子设备确定的与目标特征向量距离最近的一个特征向量为X6，那么可以看出，其对应的图像类别为Y2。
S304，将所确定的图像类别，确定为所述目标特征向量对应的目标图像类别。
由于与目标特征向量距离最近的一个特征向量与目标特征向量相似性最高，因此其对应的图像的特征与待分类图像的特征最为相似，其对应的图像的图像类别也就与待分类图像的图像类别最为相近，因此，电子设备可以将步骤S303中所确定的图像类别，确定为目标特征向量对应的目标图像类别。
可见，在本实施例中，电子设备可以计算目标特征向量与预先建立的特征向量与图像类别的对应关系中的每一特征向量的距离，确定与目标特征向量距离最近的一个特征向量，进而确定目标特征向量对应的目标图像类别，计算量进一步减少小，耗费时间更短，可以更加快速地确定目标特征向量对应的目标图像类别。
作为本发明实施例的一种实施方式，上述提取所述待分类图像的目标特征向量的步骤，可以包括：
将所述待分类图像输入目标网络模型，得到所述待分类图像的目标特征向量。
其中，目标网络模型为预先训练完成的用于提取图像特征向量的网络模型。举例来说，目标网络模型可以为卷积神经网络等能够提取图像特征向量的网络模型。
具体来说，目标网络模型具体可以为一个去掉输出层的卷积神经网络模型，该卷积神经网络模型用于图像分类。在一种实施方式中，可以在现有针对多类别分类的图像分类器卷积神经网络基础上进行改造，去掉卷积神经网络的输出层，仅获取卷积神经网络对所输入的图像进行多次抽象提取的特征向量。可以采用VGG16、VGG19、RESNET等已有卷积神经网络，这都是合理的，在此不做具体限定。
在另一种实施方式中，可以构建一个卷积神经网络模型，进行模型训练，以分类为目的训练一个收敛卷积神经网络模型，拿掉最后一层输出层，获取卷积神经网络对所输入的图像进行多次抽象提取的特征向量即可。由于构建及训练卷积神经网络模型为本领域常用的技术手段，在此不做具体限定及说明，只要训练得到的卷积神经网络模型可以对图像进行提取得到特征向量即可。
当然，卷积神经网络仅为一种实现方式，并不用于限定本发明，在本发明的其它实施例中，也可以采用其它类型的神经网络模型来实现目标网络模型，只要能够实现提取图像特征向量即可。
可见，在本实施例中，电子设备可以通过将所述待分类图像输入目标网络模型的方式，得到待分类图像的目标特征向量，可以简单快速地提取待分类图像的目标特征向量，进一步提高后续图像分类步骤的效率。
作为本发明实施例的一种实施方式，如图4所示，所述特征向量与图像类别的对应关系的建立方式，可以包括：
S401，获取每个预设场景下的预设数量的图像样本；
首先，电子设备可以获取每个预设场景下的预设数量的图像样本，其中，该预设场景为需要进行图像分类的场景。
例如，在机械臂制作咖啡的过程中，在需要判断在按动咖啡机按钮后咖啡机的情况时，在这种情况下一般会出现三种场景，即“红灯亮”、“绿灯亮”及“没有灯亮”，其中，“红灯亮”表示咖啡机出现异常，“绿灯亮”表示咖啡机正常，可以进行下一步操作，“没有灯亮”表示咖啡机未启动，需要重新按动按钮启动咖啡机。
那么上述三种可能出现的场景便可以作为预设场景，在建立对应关系时，电子设备可以分别获取该三个预设场景下的预设数量的图像样本，预设数量可以为20、30、50等，为了减少计算量，一般可以不超过100，在此不做具体限定。
具体来说，电子设备可以获取机械臂在咖啡机处于“红灯亮”、“绿灯亮”及“没有灯亮”三种情况时采集的图像样本，例如，可以获取机械臂在咖啡机分别处于每种情况下的30张图像，作为图像样本。
当然，如果在机械臂制作咖啡的过程中，还需要判断按动牛奶柜按钮后牛奶柜的情况，那么“奶管出奶”及“奶管不出奶”两个场景也可以作为预设场景，也就是说，需要进行图像分类的场景有多少，电子设备便可以获取所有预设场景下的图像样本。
S402，根据预设分类规则，确定每一预设场景对应的图像类别；
获取图像样本后，电子设备可以根据预设分类规则，确定每一预设场景对应的图像类别。
在一种实施方式中，可以为预设场景设置对应的标识，作为该预设场景对应图像类别。其中，标识可以采用数字、字母或二者的结合，只要可以不重复地标识每一预设场景对应的图像类别即可，在此不做具体限定。
例如，对于上述“红灯亮”、“绿灯亮”及“没有灯亮”三种预设场景，可以分别确定其类别为B1、B2及B3，也可以分别确定其类别为1、2及3，还可以为x、y、z，这都是合理的，在此不做具体限定。
S403，提取所述图像样本的特征向量；
获取图像样本后，电子设备可以提取图像样本的特征向量，由于提取图像样本的特征向量的方式与上述提取待分类图像的目标特征向量的方式相同，因此具体图像样本的特征向量的方式可以参见上述提取待分类图像的目标特征向量部分的描述，在此不再赘述。
S404，将每一预设场景对应的图像样本的特征向量与其对应的图像类别建立对应关系。
电子设备提取图像样本的特征向量后，便可以将每一预设场景对应的图像样本的特征向量与其对应的图像类别建立对应关系。
例如图5所示，针对上述三个预设场景“红灯亮”、“绿灯亮”及“没有灯亮”，图5中分别以场景A、场景B及场景C表示，其分别对应的图像类别以A1、A2及A3表示。对在场景A中获取的图像样本进行特征向量提取，得到每个图像样本对应的特征向量，得到特征向量集，图5中以f1表示，则这些特征向量对应的图像类别为A1；对在场景B中获取的图像样本进行特征向量提取，得到每个图像样本对应的特征向量，得到特征向量集，图5中以f2表示，则这些特征向量对应的图像类别为A2；对在场景C中获取的图像样本进行特征向量提取，得到每个图像样本对应的特征向量，得到特征向量集，图5中以f3表示，则这些特征向量对应的图像类别为A3。
假设特征向量集f1包括20个特征向量，以f10，f11…f120表示，特征向量集f2包括20个特征向量，以f20，f21…f220表示，特征向量集f3包括20个特征向量，以f30，f31…f320表示，对应关系的具体表示方式可以如下表所示：
可见，在本实施例中，电子设备可以获取需要进行图像分类的预设场景的图像样本，进而建立特征向量与图像类别的对应关系，后续图像分类过程中，电子设备便可以根据该对应关系，确定目标图像类别，可以准确对需要进行图像分类的预设场景中获取的图像进行分类。
为了在机械臂执行设定任务时确定环境情况，作为本发明实施例的一种实施方式，上述获取待分类图像的步骤，可以包括：
获取在机械臂执行设定任务时的预设场景图像作为待分类图像。
在这种情况下，由于需要在机械臂执行设定任务时确定环境情况，所以预先建立的对应关系中的图像类别一般为：用于标识机械臂所在场景情况的类别。这样，电子设备可以获取机械臂执行设定任务时的预设场景图像，作为待分类图像，进而利用预先建立的对应关系便可以确定机械臂执行设定任务时的预设场景图像的类别，也就可以确定机械臂执行设定任务时的环境情况，帮助控制机械臂执行进一步的操作。
举例而言，待分类图像为机械臂在执行制作咖啡的任务时，准备抓取牛奶杯的场景下获取的图像，此时需要判断环境中是否存在奶杯，那么预先建立的对应关系中的图像类别便可以为“存在奶杯”和“不存在奶杯”分别对应的类别C1及C2，特征向量即为在“存在奶杯”和“不存在奶杯”两种预设场景下获取的图像样本的特征向量。
这样，电子设备获取机械臂在执行制作咖啡的任务时，准备抓取牛奶杯的场景下获取的图像后，便可以根据该预先建立的对应关系确定目标图像类别，也就可以确定此时环境中是否存在奶杯。
进而，在一种实施方式中，如果电子设备确定待分类图像的图像类别为C1，说明此时存在奶杯，那么便可以控制机械臂进行制作咖啡流程中的下一步动作，例如，抓取奶杯。如果电子设备确定待分类图像的图像类别为C2，说明此时不存在奶杯，那么可以进行一些预设操作，例如，控制机械臂移动等。
可见，在本实施例中，电子设备可以在机械臂执行设定任务过程中需要进行图像分类的情况下，对机械臂所采集的图像进行图像分类，进而确定机械臂的下一步操作，能够帮助机械臂快速准确完全设定任务，计算量小，效率高。
针对上述待分类图像为在机械臂执行设定任务时的预设场景获取的图像的情况，当目标图像类别为异常类别时，上述方法还可以包括：输出异常提示信息。
其中，该异常类别为标识机械臂所在场景出现异常情况的类别。此时，由于机械臂所在场景出现异常情况，为了提示用户进行相关处理，电子设备可以输出异常提示信息进行提示。
例如，机械臂在执行制作咖啡的任务时，准备抓取牛奶杯时，确定待分类图像的图像类别为不存在奶杯C2，说明此时不存在奶杯，该图像类别属于异常类别，那么电子设备便可以输出异常提示信息。
对于输出提示信息的具体方式，可以采用在显示器上显示提示信息、采用指示灯输出提示信息、采用蜂鸣等声音方式输出信息等方式，在此不做具体限定。
可见，在本实施例中，电子设备可以在机械臂所在场景出现异常情况时输出异常提示信息，以提示用户进行相关处理，可以保证机械臂顺利执行设定任务。
相应于上述方法实施例，本发明实施例还提供了一种图像分类装置。
如图6所示，一种图像分类装置，所述装置包括：
图像获取模块610，用于获取待分类图像；
特征向量提取模块620，用于提取所述待分类图像的目标特征向量；
第一类别确定模块630，用于根据所述目标特征向量及通过对应关系建立模块(图6中未示出)预先建立的特征向量与图像类别的对应关系，确定所述目标特征向量对应的目标图像类别；
第二类别确定模块640，用于将所述目标图像类别确定为所述待分类图像的类别。
可见，本发明实施例所提供的方案中，首先获取待分类图像，然后提取待分类图像的目标特征向量，根据目标特征向量及预先建立的特征向量与图像类别的对应关系，确定目标特征向量对应的目标图像类别，最后将该目标图像类别确定为待分类图像的类别。该方案中，只需根据待分类图像的目标特征向量及预先建立的特征向量与图像类别的对应关系，便可以确定待分类图像的类别，无需采集大量图像样本进行训练，计算量大大降低，减少计算所耗费的时间，提高图像分类效率。
作为本发明实施例的一种实施方式，所述第一类别确定模块630具体用于根据所述目标特征向量及通过对应关系建立模块预先建立的特征向量与图像类别的对应关系，采用聚类算法确定所述目标特征向量对应的目标图像类别。
作为本发明实施例的一种实施方式，所述第一类别确定模块630可以包括：
第一距离确定子模块(图6中未示出)，用于确定所述目标特征向量与预先建立的特征向量与图像类别的对应关系中的每一特征向量的距离；
近邻特征向量确定子模块(图6中未示出)，用于将与所述目标特征向量距离最近的K个特征向量确定为近邻特征向量，其中，K为大于1的正整数；
第一图像类别确定子模块(图6中未示出)，用于根据所述对应关系，确定每个所述近邻特征向量对应的图像类别；
第一目标图像类别确定子模块(图6中未示出)，用于根据所确定的图像类别，确定所述目标特征向量对应的目标图像类别。
作为本发明实施例的一种实施方式，所述第一目标图像类别确定子模块可以包括：
目标图像类别确定单元(图6中未示出)，用于将所确定的图像类别中比例最高的图像类别，确定为所述目标特征向量对应的目标图像类别。
作为本发明实施例的一种实施方式，所述第一目标图像类别确定子模块还可以包括：
预设比例判断单元(图6中未示出)，用于在将所确定的图像类别中比例最高的图像类别，确定为所述目标特征向量对应的目标图像类别之前，确定所述比例最高的图像类别的比例达到预设比例。
作为本发明实施例的一种实施方式，所述第一类别确定模块630可以包括：
第二距离确定子模块(图6中未示出)，用于确定所述目标特征向量与预先建立的特征向量与图像类别的对应关系中的每一特征向量的距离；
特征向量确定子模块(图6中未示出)，用于确定与所述目标特征向量距离最近的一个特征向量；
第二图像类别确定子模块(图6中未示出)，用于根据所述对应关系，确定所述与目标特征向量距离最近的一个特征向量对应的图像类别；
第二目标图像类别确定子模块(图6中未示出)，用于将所确定的图像类别，确定为所述目标特征向量对应的目标图像类别。
作为本发明实施例的一种实施方式，所述特征向量提取模块620可以包括：
特征向量提取子模块(图6中未示出)，用于将所述待分类图像输入目标网络模型，得到所述待分类图像的目标特征向量，其中，所述目标网络模型为预先训练完成的用于提取图像特征向量的网络模型。
作为本发明实施例的一种实施方式，所述目标网络模型具体可以为一个去掉输出层的卷积神经网络模型，所述卷积神经网络模型用于图像分类。
作为本发明实施例的一种实施方式，所述对应关系建立模块包括：
图像样本获取子模块(图6中未示出)，用于获取每个预设场景下的预设数量的图像样本，其中，预设场景为需要进行图像分类的场景；
场景类别确定子模块(图6中未示出)，用于根据预设分类规则，确定每一预设场景对应的图像类别；
样本特征向量提取子模块(图6中未示出)，用于提取所述图像样本的特征向量；
对应关系建立子模块(图6中未示出)，用于将每一预设场景对应的图像样本的特征向量与其对应的图像类别建立对应关系。
作为本发明实施例的一种实施方式，所述图像获取模块610可以包括：
图像获取子模块(图6中未示出)，用于获取在机械臂执行设定任务时的预设场景图像作为待分类图像，其中，所述预先建立的对应关系中的图像类别为：用于标识机械臂所在场景情况的类别。
作为本发明实施例的一种实施方式，所述装置还可以包括：
提示信息输出模块(图6中未示出)，用于当所述目标图像类别为异常类别时，输出异常提示信息，其中，所述异常类别为标识所述机械臂所在场景出现异常情况的类别。
本发明实施例还提供了一种电子设备，如图7所示，包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信，
存储器703，用于存放计算机程序；
处理器701，用于执行存储器703上所存放的程序时，实现如下步骤：
获取待分类图像；
提取所述待分类图像的目标特征向量；
根据所述目标特征向量及预先建立的特征向量与图像类别的对应关系，确定所述目标特征向量对应的目标图像类别；
将所述目标图像类别确定为所述待分类图像的类别。
可见，本发明实施例所提供的方案中，电子设备首先获取待分类图像，然后提取待分类图像的目标特征向量，根据目标特征向量及预先建立的特征向量与图像类别的对应关系，确定目标特征向量对应的目标图像类别，最后将该目标图像类别确定为待分类图像的类别。该方案中，只需根据待分类图像的目标特征向量及预先建立的特征向量与图像类别的对应关系，便可以确定待分类图像的类别，无需采集大量图像样本进行训练，计算量大大降低，减少计算所耗费的时间，提高图像分类效率。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
其中，上述根据所述目标特征向量及预先建立的特征向量与图像类别的对应关系，确定所述目标特征向量对应的目标图像类别的步骤，可以包括：
确定所述目标特征向量与预先建立的特征向量与图像类别的对应关系中的每一特征向量的距离；
将与所述目标特征向量距离最近的K个特征向量确定为近邻特征向量，其中，K为大于1的正整数；
根据所述对应关系，确定每个所述近邻特征向量对应的图像类别；
根据所确定的图像类别，确定所述目标特征向量对应的目标图像类别。
其中，上述根据所确定的图像类别，确定所述目标特征向量对应的目标图像类别的步骤，可以包括：
将所确定的图像类别中比例最高的图像类别，确定为所述目标特征向量对应的目标图像类别。
其中，在上述将所确定的图像类别中比例最高的图像类别，确定为所述目标特征向量对应的目标图像类别的步骤之前，上述方法还可以包括：
确定所述比例最高的图像类别的比例达到预设比例。
其中，上述根据所述目标特征向量及预先建立的特征向量与图像类别的对应关系，确定所述目标特征向量对应的目标图像类别的步骤，可以包括：
确定所述目标特征向量与预先建立的特征向量与图像类别的对应关系中的每一特征向量的距离；
确定与所述目标特征向量距离最近的一个特征向量；
根据所述对应关系，确定所述与目标特征向量距离最近的一个特征向量对应的图像类别；
将所确定的图像类别，确定为所述目标特征向量对应的目标图像类别。
其中，上述提取所述待分类图像的目标特征向量的步骤，可以包括：
将所述待分类图像输入目标网络模型，得到所述待分类图像的目标特征向量，其中，所述目标网络模型为预先训练完成的用于提取图像特征向量的网络模型。
其中，上述目标网络模型具体可以为一个去掉输出层的卷积神经网络模型，所述卷积神经网络模型用于图像分类。
其中，上述特征向量与图像类别的对应关系的建立方式，可以包括：
获取每个预设场景下的预设数量的图像样本，其中，预设场景为需要进行图像分类的场景；
根据预设分类规则，确定每一预设场景对应的图像类别；
提取所述图像样本的特征向量；
将每一预设场景对应的图像样本的特征向量与其对应的图像类别建立对应关系。
其中，上述获取待分类图像的步骤，可以包括：
获取在机械臂执行设定任务时的预设场景图像作为待分类图像，其中，所述预先建立的对应关系中的图像类别为：用于标识机械臂所在场景情况的类别。
其中，当上述目标图像类别为异常类别时，上述方法还可以包括：
输出异常提示信息，其中，所述异常类别为标识所述机械臂所在场景出现异常情况的类别。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待分类图像；
提取所述待分类图像的目标特征向量；
根据所述目标特征向量及预先建立的特征向量与图像类别的对应关系，确定所述目标特征向量对应的目标图像类别；
将所述目标图像类别确定为所述待分类图像的类别。
可见，本发明实施例所提供的方案中，计算机程序被处理器执行时，首先获取待分类图像，然后提取待分类图像的目标特征向量，根据目标特征向量及预先建立的特征向量与图像类别的对应关系，确定目标特征向量对应的目标图像类别，最后将该目标图像类别确定为待分类图像的类别。该方案中，只需根据待分类图像的目标特征向量及预先建立的特征向量与图像类别的对应关系，便可以确定待分类图像的类别，无需采集大量图像样本进行训练，计算量大大降低，减少计算所耗费的时间，提高图像分类效率。
其中，上述根据所述目标特征向量及预先建立的特征向量与图像类别的对应关系，确定所述目标特征向量对应的目标图像类别的步骤，可以包括：
确定所述目标特征向量与预先建立的特征向量与图像类别的对应关系中的每一特征向量的距离；
将与所述目标特征向量距离最近的K个特征向量确定为近邻特征向量，其中，K为大于1的正整数；
根据所述对应关系，确定每个所述近邻特征向量对应的图像类别；
根据所确定的图像类别，确定所述目标特征向量对应的目标图像类别。
其中，上述根据所确定的图像类别，确定所述目标特征向量对应的目标图像类别的步骤，可以包括：
将所确定的图像类别中比例最高的图像类别，确定为所述目标特征向量对应的目标图像类别。
其中，在上述将所确定的图像类别中比例最高的图像类别，确定为所述目标特征向量对应的目标图像类别的步骤之前，上述方法还可以包括：
确定所述比例最高的图像类别的比例达到预设比例。
其中，上述根据所述目标特征向量及预先建立的特征向量与图像类别的对应关系，确定所述目标特征向量对应的目标图像类别的步骤，可以包括：
确定所述目标特征向量与预先建立的特征向量与图像类别的对应关系中的每一特征向量的距离；
确定与所述目标特征向量距离最近的一个特征向量；
根据所述对应关系，确定所述与目标特征向量距离最近的一个特征向量对应的图像类别；
将所确定的图像类别，确定为所述目标特征向量对应的目标图像类别。
其中，上述提取所述待分类图像的目标特征向量的步骤，可以包括：
将所述待分类图像输入目标网络模型，得到所述待分类图像的目标特征向量，其中，所述目标网络模型为预先训练完成的用于提取图像特征向量的网络模型。
其中，上述目标网络模型具体可以为一个去掉输出层的卷积神经网络模型，所述卷积神经网络模型用于图像分类。
其中，上述特征向量与图像类别的对应关系的建立方式，可以包括：
获取每个预设场景下的预设数量的图像样本，其中，预设场景为需要进行图像分类的场景；
根据预设分类规则，确定每一预设场景对应的图像类别；
提取所述图像样本的特征向量；
将每一预设场景对应的图像样本的特征向量与其对应的图像类别建立对应关系。
其中，上述获取待分类图像的步骤，可以包括：
获取在机械臂执行设定任务时的预设场景图像作为待分类图像，其中，所述预先建立的对应关系中的图像类别为：用于标识机械臂所在场景情况的类别。
其中，当上述目标图像类别为异常类别时，上述方法还可以包括：
输出异常提示信息，其中，所述异常类别为标识所述机械臂所在场景出现异常情况的类别。
需要说明的是，对于上述装置、电子设备及计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
进一步需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种图像分类方法，其特征在于，所述方法包括：
获取待分类图像；
提取所述待分类图像的目标特征向量；
根据所述目标特征向量及预先建立的特征向量与图像类别的对应关系，确定所述目标特征向量对应的目标图像类别；
将所述目标图像类别确定为所述待分类图像的类别。
2.如权利要求1所述的方法，其特征在于，所述根据所述目标特征向量及预先建立的特征向量与图像类别的对应关系，确定所述目标特征向量对应的目标图像类别的步骤，包括：
根据所述目标特征向量及预先建立的特征向量与图像类别的对应关系，采用聚类算法确定所述目标特征向量对应的目标图像类别的步骤。
3.如权利要求2所述的方法，其特征在于，所述根据所述目标特征向量及预先建立的特征向量与图像类别的对应关系，采用聚类算法确定所述目标特征向量对应的目标图像类别的步骤，包括：确定所述目标特征向量与预先建立的特征向量与图像类别的对应关系中的每一特征向量的距离；
将与所述目标特征向量距离最近的K个特征向量确定为近邻特征向量，其中，K为大于1的正整数；
根据所述对应关系，确定每个所述近邻特征向量对应的图像类别；
根据所确定的图像类别，确定所述目标特征向量对应的目标图像类别。
4.如权利要求3所述的方法，其特征在于，所述根据所确定的图像类别，确定所述目标特征向量对应的目标图像类别的步骤，包括：
将所确定的图像类别中比例最高的图像类别，确定为所述目标特征向量对应的目标图像类别。
5.如权利要求4所述的方法，其特征在于，在所述将所确定的图像类别中比例最高的图像类别，确定为所述目标特征向量对应的目标图像类别的步骤之前，所述方法还包括：
确定所述比例最高的图像类别的比例达到预设比例。
6.如权利要求1所述的方法，其特征在于，所述根据所述目标特征向量及预先建立的特征向量与图像类别的对应关系，确定所述目标特征向量对应的目标图像类别的步骤，包括：
确定所述目标特征向量与预先建立的特征向量与图像类别的对应关系中的每一特征向量的距离；
确定与所述目标特征向量距离最近的一个特征向量；
根据所述对应关系，确定所述与目标特征向量距离最近的一个特征向量对应的图像类别；
将所确定的图像类别，确定为所述目标特征向量对应的目标图像类别。
7.如权利要求1所述的方法，其特征在于，所述提取所述待分类图像的目标特征向量的步骤，包括：
将所述待分类图像输入目标网络模型，得到所述待分类图像的目标特征向量，其中，所述目标网络模型为预先训练完成的用于提取图像特征向量的网络模型。
8.一种图像分类装置，其特征在于，所述装置包括：
图像获取模块，用于获取待分类图像；
特征向量提取模块，用于提取所述待分类图像的目标特征向量；
第一类别确定模块，用于根据所述目标特征向量及通过对应关系建立模块预先建立的特征向量与图像类别的对应关系，确定所述目标特征向量对应的目标图像类别；
第二类别确定模块，用于将所述目标图像类别确定为所述待分类图像的类别。
9.一种电子设备，其特征在于，包括处理器、存储器和通信总线，其中，处理器、存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。
CN201810154164.8A 2018-02-22 2018-02-22 一种图像分类方法、装置及电子设备 Pending CN110188783A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810154164.8A CN110188783A (zh) 2018-02-22 2018-02-22 一种图像分类方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810154164.8A CN110188783A (zh) 2018-02-22 2018-02-22 一种图像分类方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN110188783A true CN110188783A (zh) 2019-08-30

Family

ID=67713866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810154164.8A Pending CN110188783A (zh) 2018-02-22 2018-02-22 一种图像分类方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN110188783A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582372A (zh) * 2020-05-09 2020-08-25 西交利物浦大学 图像分类方法、模型、存储介质及电子设备
CN111932529A (zh) * 2020-09-10 2020-11-13 腾讯科技（深圳）有限公司 一种图像分割方法、装置及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105868722A (zh) * 2016-04-05 2016-08-17 国家电网公司 异常电力设备图像的识别方法及系统
CN106023185A (zh) * 2016-05-16 2016-10-12 国网河南省电力公司电力科学研究院 一种输电设备故障诊断方法
US20170220836A1 (en) * 2016-01-28 2017-08-03 University Of The West Indies Fingerprint classification system and method using regular expression machines
CN107097226A (zh) * 2016-02-19 2017-08-29 发那科株式会社 机器人系统的故障诊断装置
CN107392886A (zh) * 2017-06-14 2017-11-24 国网山东省电力公司菏泽供电公司 一种电力设备图像处理方法
CN107437080A (zh) * 2017-08-07 2017-12-05 浙江国自机器人技术有限公司 一种综合管廊动态智能巡检系统
CN107545241A (zh) * 2017-07-19 2018-01-05 百度在线网络技术（北京）有限公司 神经网络模型训练及活体检测方法、装置及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170220836A1 (en) * 2016-01-28 2017-08-03 University Of The West Indies Fingerprint classification system and method using regular expression machines
CN107097226A (zh) * 2016-02-19 2017-08-29 发那科株式会社 机器人系统的故障诊断装置
CN105868722A (zh) * 2016-04-05 2016-08-17 国家电网公司 异常电力设备图像的识别方法及系统
CN106023185A (zh) * 2016-05-16 2016-10-12 国网河南省电力公司电力科学研究院 一种输电设备故障诊断方法
CN107392886A (zh) * 2017-06-14 2017-11-24 国网山东省电力公司菏泽供电公司 一种电力设备图像处理方法
CN107545241A (zh) * 2017-07-19 2018-01-05 百度在线网络技术（北京）有限公司 神经网络模型训练及活体检测方法、装置及存储介质
CN107437080A (zh) * 2017-08-07 2017-12-05 浙江国自机器人技术有限公司 一种综合管廊动态智能巡检系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582372A (zh) * 2020-05-09 2020-08-25 西交利物浦大学 图像分类方法、模型、存储介质及电子设备
CN111932529A (zh) * 2020-09-10 2020-11-13 腾讯科技（深圳）有限公司 一种图像分割方法、装置及系统
CN111932529B (zh) * 2020-09-10 2020-12-29 腾讯科技（深圳）有限公司 一种图像分类分割方法、装置及系统

Similar Documents

Publication Publication Date Title
WO2020239015A1 (zh) 一种图像识别、分类方法、装置、电子设备及存储介质
CN109697416B (zh) 一种视频数据处理方法和相关装置
CN108428227B (zh) 基于全卷积神经网络的无参考图像质量评价方法
CN110070101A (zh) 植物种类的识别方法及装置、存储介质、计算机设备
US20210334604A1 (en) Facial recognition method and apparatus
CN106022317A (zh) 人脸识别方法及装置
CN106056083B (zh) 一种信息处理方法及终端
CN109522775B (zh) 人脸属性检测方法、装置及电子设备
CN109410211A (zh) 一种图像中目标物体的分割方法及装置
CN102253995B (zh) 一种利用位置信息实现图像搜索的方法和系统
CN108121943B (zh) 基于图片的判别方法及装置和计算设备
CN110163111A (zh) 基于人脸识别的叫号方法、装置、电子设备及存储介质
CN110245561A (zh) 一种人脸识别方法及装置
CN108961183A (zh) 图像处理方法、终端设备及计算机可读存储介质
CN110298405A (zh) 类别识别方法及装置、存储介质与终端
CN109871845A (zh) 证件图像提取方法及终端设备
CN109389105A (zh) 一种基于多任务的虹膜检测和视角分类方法
CN110245573A (zh) 一种基于人脸识别的签到方法、装置及终端设备
CN110188783A (zh) 一种图像分类方法、装置及电子设备
CN109697389B (zh) 身份识别方法与装置
CN111339884A (zh) 图像识别方法以及相关设备、装置
CN111784665A (zh) 基于傅里叶变换的oct图像质量评估方法、系统及装置
CN115151952A (zh) 一种变电设备高精度识别方法及系统
CN110378304A (zh) 皮肤状态检测方法、装置、设备及存储介质
CN105957114A (zh) 对图像中多边形进行检测的方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190830