CN110909761A - 图像识别方法、装置、计算机设备及存储介质 - Google Patents
图像识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110909761A CN110909761A CN201910968961.4A CN201910968961A CN110909761A CN 110909761 A CN110909761 A CN 110909761A CN 201910968961 A CN201910968961 A CN 201910968961A CN 110909761 A CN110909761 A CN 110909761A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- execution engine
- big data
- execution
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000013499 data model Methods 0.000 claims abstract description 190
- 230000003993 interaction Effects 0.000 claims abstract description 61
- 238000010276 construction Methods 0.000 claims abstract description 20
- 238000012795 verification Methods 0.000 claims description 74
- 238000011161 development Methods 0.000 claims description 50
- 230000010354 integration Effects 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 25
- 239000000470 constituent Substances 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及人工智能的模型构建领域,具体涉及一种图像识别方法、装置、计算机设备和存储介质。方法包括:首先获取待识别图像;将待识别图像输入预设图像识别大数据模型,获取图像识别结果;预设图像识别大数据模型是根据各执行引擎单元的数据交互通道,并基于各执行引擎单元的执行顺序执行各执行引擎单元构建得到。本申请通过将初始图像识别大数据模型拆分为多个执行引擎单元,而后基于执行引擎单元的执行顺序执行各执行引擎单元来集成重构图像识别大数据模型,从而有效提高模型构建的效率,进而提高图像识别的效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种图像识别方法、装置、计算机设备及存储介质。
背景技术
图像识别,是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对像的技术。目前可以基于大数据模型来对目标图像进行识别。大数据,指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合,是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。大数据具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。通过大数据模型可以有效对目标图像进行识别。
然而由于大数据模型开发完成后还需要对模型进行集成、部署、上线等工作。大数据模型中的每个子模型的开发环境可能存在多种组合、不同的模型实现过程使得模型集成方式不固定,这些因素导致模型的集成、部署上线过程比较繁琐,部分模型不符合上线要求甚至需要重新开发,影响大数据模型开发的效率,进而影响图像识别的效率。
发明内容
基于此,有必要现有大数据模型构建过程效率低,影响图像识别效率的问题,提供一种效率较高的图像识别方法、装置、计算机设备及存储介质。
一种图像识别方法,所述方法包括:
获取待识别图像;
将所述待识别图像输入预设图像识别大数据模型,获取图像识别结果;
所述预设图像识别大数据模型是根据各执行引擎单元的数据交互通道,并基于各执行引擎单元的执行顺序执行各执行引擎单元构建得到,所述各执行引擎单元是根据模型重构集成配置参数对初始图像识别大数据模型拆分重构获得,所述各执行引擎单元的执行顺序由模型重构集成配置参数确定,所述数据交互通道由所述各执行引擎单元间的数据依赖关系构建。
在其中一个实施例中,所述将所述待识别图像输入预设图像识别大数据模型,获取图像识别结果之前,还包括:
获取初始图像识别大数据模型和模型重构集成配置参数,将所述初始图像识别大数据模型拆分为最小功能单元;
获取所述最小功能单元对应的执行过程,根据所述最小功能单元以及与所述最小功能单元对应的执行过程,获取执行引擎单元;
根据所述模型重构集成配置参数确定所述执行引擎单元的单元执行顺序;
获取所述执行引擎单元间的数据依赖关系,根据所述数据依赖关系构建所述执行引擎单元间的数据交互通道,基于所述数据交互通道、所述执行顺序以及所述执行引擎单元构建预设图像识别大数据模型。
在其中一个实施例中,所述获取所述最小功能单元对应的执行过程,根据所述最小功能单元以及与所述最小功能单元对应的执行过程,获取执行引擎单元包括:
识别所述最小功能单元对应的开发信息数据;
根据所述最小功能单元的开发信息数据,确定所述最小功能单元对应执行配置信息;
根据所述最小功能单元以及所述执行配置信息,获取执行引擎单元。
在其中一个实施例中,所述获取初始图像识别大数据模型和模型重构集成配置参数,将所述初始图像识别大数据模型拆分为最小功能单元包括:
获取初始图像识别大数据模型和模型重构集成配置参数,识别所述初始图像识别大数据模型中各功能组成部分对应的开发信息数据;
根据所述初始图像识别大数据模型各功能组成部分对应的开发信息数据,将所述初始图像识别大数据模型拆分为各最小功能单元。
在其中一个实施例中,所述根据所述初始图像识别大数据模型各组成代码对应的构成开发语言,将所述初始图像识别大数据模型拆分为各最小功能单元包括:
获取初始图像识别大数据模型;
根据预设标识符识别所述初始图像识别大数据模型内的参数数据,在所述参数数据前添加对应特殊符号,将初始图像识别大数据模型内的参数数据转化为参数值数据;
执行预设拆分脚本,根据所述初始图像识别大数据模型对应的开发信息数据,将所述初始图像识别大数据模型拆分为最小组成单元;
删除所述参数值数据前的所述特征符号,将所述最小组成单元内的参数值数据转化为参数数据,获得最小功能单元。
在其中一个实施例中,所述获取所述执行引擎单元间的数据依赖关系,根据所述数据依赖关系构建所述执行引擎单元间的数据交互通道,基于所述数据交互通道、所述执行顺序以及所述执行引擎单元构建预设图像识别大数据模型的步骤包括:
获取所述执行引擎单元间的数据依赖关系,根据所述数据依赖关系构建所述执行引擎单元间的数据交互通道;
基于所述数据交互通道以及所述执行顺序构建模型运行网络,并根据所述单元执行顺序定位各执行引擎单元在所述模型运行网络的执行位置;
将所述执行引擎单元添加于所述模型运行网络对应执行位置,获得预设图像识别大数据模型。
在其中一个实施例中,所述将所述待识别图像输入预设图像识别大数据模型,获取图像识别结果之前,还包括:
获取校验数据以及所述校验数据对应的中间结果数据以及校验输出结果数据;
将所述预设校验数据输入预设图像识别大数据模型,获取预设校验数据对应的各个执行引擎单元的输出数据以及预设图像识别大数据模型输出的校验结果数据;
对比所述预设输出结果数据与所述校验结果数据,获得验证结果,当所述验证结果为验证不通过时,对比所述预设中间结果数据与各个执行引擎单元的输出数据查找所述执行引擎单元中的问题单元,根据所述验证结果修正所述问题单元,返回将所述预设校验数据输入预设图像识别大数据模型的步骤。
一种图像识别装置,所述装置包括:
数据获取模块,用于获取待识别图像;
图像识别模块,用于将所述待识别图像输入预设图像识别大数据模型,获取图像识别结果;
所述预设图像识别大数据模型是根据各执行引擎单元的数据交互通道,并基于各执行引擎单元的执行顺序执行各执行引擎单元构建得到,所述各执行引擎单元是根据模型重构集成配置参数对初始图像识别大数据模型拆分重构获得,所述各执行引擎单元的执行顺序由模型重构集成配置参数确定,所述数据交互通道由所述各执行引擎单元间的数据依赖关系构建。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待识别图像;
将所述待识别图像输入预设图像识别大数据模型,获取图像识别结果;
所述预设图像识别大数据模型是根据各执行引擎单元的数据交互通道,并基于各执行引擎单元的执行顺序执行各执行引擎单元构建得到,所述各执行引擎单元是根据模型重构集成配置参数对初始图像识别大数据模型拆分重构获得,所述各执行引擎单元的执行顺序由模型重构集成配置参数确定,所述数据交互通道由所述各执行引擎单元间的数据依赖关系构建。
一种计算机可读存储介质,其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以下步骤:
获取待识别图像;
将所述待识别图像输入预设图像识别大数据模型,获取图像识别结果;
所述预设图像识别大数据模型是根据各执行引擎单元的数据交互通道,并基于各执行引擎单元的执行顺序执行各执行引擎单元构建得到,所述各执行引擎单元是根据模型重构集成配置参数对初始图像识别大数据模型拆分重构获得,所述各执行引擎单元的执行顺序由模型重构集成配置参数确定,所述数据交互通道由所述各执行引擎单元间的数据依赖关系构建。
上述图像识别方法、装置、计算机设备以及存储介质,首先获取待识别图像;将待识别图像输入预设图像识别大数据模型,获取图像识别结果;预设图像识别大数据模型是根据各执行引擎单元的数据交互通道,并基于各执行引擎单元的执行顺序执行各执行引擎单元构建得到,各执行引擎单元是根据模型重构集成配置参数对初始图像识别大数据模型拆分重构获得,各执行引擎单元的执行顺序由模型重构集成配置参数确定,数据交互通道由各执行引擎单元间的数据依赖关系构建。本申请的图像识别方法,通过将初始图像识别大数据模型拆分为多个执行引擎单元,而后基于执行引擎单元的执行顺序执行各执行引擎单元来集成重构图像识别大数据模型,从而有效提高模型构建的效率,进而提高图像识别的效率。
附图说明
图1为一个实施例中图像识别方法的应用环境图;
图2为一个实施例中图像识别方法的流程示意图;
图3为另一个实施例中图像识别方法的流程示意图;
图4为一个实施例中图3中步骤S340的子流程示意图;
图5为一个实施例中图3中步骤S380的子流程示意图;
图6为一个实施例中图像识别装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的图像识别方法,可以应用于如图1所示的应用环境中,其中,图像识别服务器102可以通过网络的方式与终端104进行通信,终端104可以向图像识别服务器102发送待识别图像,图像识别服务器102将获得的待识别图像输入预设图像识别大数据模型,获取对应图像识别结果。其中预设图像识别大数据模型是根据各执行引擎单元的数据交互通道,并基于各执行引擎单元的执行顺序执行各执行引擎单元构建得到,各执行引擎单元是根据模型重构集成配置参数对初始图像识别大数据模型拆分重构获得,各执行引擎单元的执行顺序由模型重构集成配置参数确定,数据交互通道由各执行引擎单元间的数据依赖关系构建。终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,图像识别服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
如图2所示,在其中一个实施例中,本申请的图像识别方法,通过图像识别服务器实现,具体包括以下步骤:
S200,图像识别服务器获取待识别图像。
S400,将待识别图像输入预设图像识别大数据模型,获取图像识别结果。
其中预设图像识别大数据模型是根据各执行引擎单元的数据交互通道,并基于各执行引擎单元的执行顺序执行各执行引擎单元构建得到,各执行引擎单元是根据模型重构集成配置参数对初始图像识别大数据模型拆分重构获得,各执行引擎单元的执行顺序由模型重构集成配置参数确定,数据交互通道由各执行引擎单元间的数据依赖关系构建。模型重构集成配置参数是指模型构建过程中工作人员输入的模型构造参数,
其中执行引擎单元是指模型运行的最小部分,其通过将模型拆分为多个部分后,分别配置不同部分对应的执行环境后获得。重构集成配置参数是指符合上线要求对应的集成方式,重构集成配置参数根据预设图像识别大数据模型对应的上线需求来确定,由开发者输入。数据依赖关系具体包括了不同执行引擎单元间的参数依赖关系,确定各个执行引擎单元在新的大数据模型中的执行顺序之后,可以获取各个相连接的执行引擎单元间的数据依赖关系,基于数据依赖关系构建各个相连接的执行引擎单元之间的数据通道。可以将原初始图像识别大数据模型拆分为各个不同的执行引擎单元后,根据开发者输入的重构集成配置参数对模型进行重构,确定各执行引擎单元的执行顺序,并根据执行引擎间参数的交互关系来构建不同执行引擎单元间的数据交互通道,来获得入预设图像识别大数据模型,完成模型构建的工作。
如图3所示,在其中一个实施例中,在步骤S400之前,预设图像识别大数据模型的构建过程具体包括:
S320,获取初始图像识别大数据模型和模型重构集成配置参数,将初始图像识别大数据模型拆分为最小功能单元。
初始图像识别大数据模型是指已经开发完成的大数据模型,模型初始开始时,在定义好模型对接标准后,多位人员同步开发子模块,而后将子模块集成为初始图像识别大数据模型。但是初始图像识别大数据模型中各个子模块的开发环境存在多种组合,不同的模型实现过程使得模型集成方式不固定,这些因素导致模型的集成部署较为繁琐,不符合上线要求。此时可以将该初始图像识别大数据模型拆分开来,通过重构的方式将初始图像识别大数据模型重组为预设图像识别大数据模型,以达到符合上线要求的目的。重构集成配置参数是指符合上线要求对应的集成方式对应的构造参数,重构集成配置参数根据预设图像识别大数据模型对应的上线需求来确定,由开发者输入。最小功能单元是指将模型集成过程中的计算部分抽象出最小的计算单元。初始图像识别大数据模型为通过多种开发环境下的代码实现的对应的执行程序。将初始图像识别大数据模型拆分为各最小功能单元的步骤具体可以通过拆分初始图像识别大数据模型对应的代码来实现。
S340,获取最小功能单元对应的执行过程,根据最小功能单元以及与最小功能单元对应的执行过程,获取执行引擎单元。
不同的最小功能单元对应的开发语言环境不同,可以将不同的开发环境下执行代码的过程抽象成标准的执行引擎单元。即将执行各最小功能单元代码的过程抽象为执行引擎单元。
S360,根据模型重构集成配置参数确定执行引擎单元的单元执行顺序。
模型重构集成配置参数是指符合上线要求对应的输入参数,通过模型重构集成配置参数可以确定重构后各个执行引擎在新的预设图像识别大数据模型中的单元执行顺序。
S380,获取执行引擎单元间的数据依赖关系,根据数据依赖关系构建执行引擎单元间的数据交互通道,基于数据交互通道、执行顺序以及执行引擎单元构建预设图像识别大数据模型。
数据依赖关系具体包括了不同执行引擎单元间的参数依赖关系,确定各个执行引擎单元在新的大数据模型中的执行顺序之后,可以获取各个相连接的执行引擎单元间的数据依赖关系,基于数据依赖关系构建各个相连接的执行引擎单元之间的数据通道,并基于数据交互通道、执行顺序以及执行引擎单元构建预设图像识别大数据模型。在其中一个实施例中,可以通过数据库和json方式来构建执行引擎单元间的数据交互通道,完成不同执行引擎单元间的数据交互。
如图4所示,在其中一个实施例中,步骤S340包括:
S341,识别最小功能单元对应的开发信息数据。
S343,根据最小功能单元的开发信息数据,确定最小功能单元对应执行配置信息。
S345,根据最小功能单元以及执行配置信息,获取执行引擎单元。
服务器可以首先识别最小功能单元对应的开发信息数据,在其中一个实施例中,开发信息数据具体包括了该最小功能单元对应的构成语言以及开发环境等信息。在识别开发信息数据后,可以基于该开发信息数据,获取完成的执行配置信息。执行配置信息包括了执行配置信息具体包括了最小功能单元对应的,执行环境(Python、R、SQL等开发语言)、环境参数配置、执行标准代码(对于代码的中参数用统一的命名格式加以标识)、标准代码中的参数配置,通过执行配置信息来对当前环境下执行引擎单元进行配置,确保当前环境可以无障碍地运行所有拆分后重构获得的执行引擎单元,提高模型重构的可用性。
在其中一个实施例中,步骤S320包括:
获取初始图像识别大数据模型和模型重构集成配置参数,识别初始图像识别大数据模型中各功能组成部分对应的开发信息数据;
根据初始图像识别大数据模型各功能组成部分对应的开发信息数据,将初始图像识别大数据模型拆分为各最小功能单元。
开发信息数据具体包括了该最小功能单元对应的构成语言以及开发环境等信息。由于模型代码的不同部分由不同的开发语言来开发,可以基于初始图像识别大数据模型的程序代码中各部分的开发语言与开发环境的不同,将初始图像识别大数据模型拆分为一段一段的单元,这些单元即为各最小功能单元。如一个待预设图像识别大数据模型的构成语言包括了A、B和C,而获得的初始图像识别大数据模型对应的程序代码按照顺序下来是ACBABAC,这其中每个字母代表了它的构成语言在,则这个模型可以拆分为A1、C1、B1、A2、B2、A3以及C2这七个最小功能单元。
在其中一个实施例中,根据初始图像识别大数据模型各功能组成部分对应的开发信息数据,将初始图像识别大数据模型拆分为各最小功能单元包括:
获取初始图像识别大数据模型;
根据预设标识符识别初始图像识别大数据模型内的参数数据,在参数数据前添加对应特殊符号,将初始图像识别大数据模型内的参数数据转化为参数值数据;
执行预设拆分脚本,根据初始图像识别大数据模型对应的开发信息数据,将初始图像识别大数据模型拆分为最小组成单元;
删除参数值数据前的特征符号,将最小组成单元内的参数值数据转化为参数数据,获得最小功能单元。
可以通过预设拆分脚本将初始图像识别大数据模型拆分为最小功能单元,为了执行脚本可以现将初始图像识别大数据模型内的参数数据替换为参数值数据,而后在执行完拆分之后,将参数值数据替换回参数数据,获得最小功能单元。可以通过初始图像识别大数据模型内的预设标识符,先识别大数据模型内的参数数据,在参数数据前添加对应特殊符号来实现将参数数据转化为参数值数据,而后拆分完成之后再将其转化会参数数据。在其中一个实施例中,可以在参数数据前面加上一个美元符号,将其替换为参数值数据。通过脚本,可以迅速完成模型拆分的工作,提高模型构建效率。
如图5所示,在其中一个实施例中,S380具体包括:
S381,获取执行引擎单元间的数据依赖关系,根据数据依赖关系构建执行引擎单元间的数据交互通道。
S383,基于数据交互通道以及执行顺序构建模型运行网络,并根据单元执行顺序定位各执行引擎单元在模型运行网络的执行位置。
S385,将执行引擎单元添加于模型运行网络对应执行位置,获得预设图像识别大数据模型。
模型重构需要构建执行引擎单元间的数据交互通道,来实现模块之间的数据互通。由于多个模块之间所使用的参数之类需要通过互通交流才能完成模型的计算任务,所以需要通过构建模块之间的数据通道,并通过多个执行引擎单元间的串联并联关系以及数据交互通道来进一步构建新模型的模型运行网络,同时根据单元执行顺序定位各执行引擎单元在模型运行网络的执行位置,来实现模块之间的数据交流,达成数据互通的效果,这一步骤具体可以通过数据库或者通过json这种轻量级的交换格式来完成不同模块间的数据互通。而后将执行引擎单元设置于模型运行网络对应执行位置,获得预设图像识别大数据模型,达成模型重构的任务。在执行模型运算的任务时,初始的执行引擎单元获取用户输入数据,而后按照执行顺序将当前单元获得的执行结果依次通过数据交互通道输入到下一级的执行引擎单元中,依次执行,直到得出最后的结果。
在其中一个实施例中,S400之前还包括:
获取校验数据以及校验数据对应的中间结果数据以及校验输出结果数据。
将预设校验数据输入预设图像识别大数据模型,获取预设校验数据对应的各个执行引擎单元的输出数据以及预设图像识别大数据模型输出的校验结果数据。
对比预设输出结果数据与校验结果数据,获得验证结果,当验证结果为验证不通过时,对比预设中间结果数据与各个执行引擎单元的输出数据查找执行引擎单元中的问题单元,根据验证结果修正问题单元,返回将预设校验数据输入预设图像识别大数据模型的步骤。
在生成预设图像识别大数据模型,还可以通过预设的校验数据来对模型效果进行验证,具体可以先查找模型对应的校验数据与校验输出结果数据,通过将校验数据输入新生成的预设图像识别大数据模型,获取结果来对模型进行校验,当模型输出的结果与预估的校验输出结果数据不一致时,通过对比各模块的中间结果数据来查找出问题的执行引擎单元,并根据验证结果修正问题单元,重新返回将预设校验数据输入预设图像识别大数据模型的步骤,再对修正后的模型进行验证。当验证结果为验证通过时,可以直接将待识别图像输入该预设图像识别大数据模型,来获取对应的图像识别结果
应该理解的是,虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
如图6所示,一种图像识别装置,装置包括:
数据获取模块200,用于获取待识别图像;
图像识别模块400,用于将待识别图像输入预设图像识别大数据模型,获取图像识别结果;
预设图像识别大数据模型是根据各执行引擎单元的数据交互通道,并基于各执行引擎单元的执行顺序执行各执行引擎单元构建得到,各执行引擎单元是根据模型重构集成配置参数对初始图像识别大数据模型拆分重构获得,各执行引擎单元的执行顺序由模型重构集成配置参数确定,数据交互通道由各执行引擎单元间的数据依赖关系构建。
在其中一个实施例中,还包括模型重构模块,用于获取初始图像识别大数据模型和模型重构集成配置参数,将初始图像识别大数据模型拆分为最小功能单元;
获取最小功能单元对应的执行过程,根据最小功能单元以及与最小功能单元对应的执行过程,获取执行引擎单元;
根据模型重构集成配置参数确定执行引擎单元的单元执行顺序;
获取执行引擎单元间的数据依赖关系,根据数据依赖关系构建执行引擎单元间的数据交互通道,基于数据交互通道、执行顺序以及执行引擎单元构建预设图像识别大数据模型。
在其中一个实施例中,模型重构模块具体用于识别最小功能单元对应的开发信息数据;根据最小功能单元的开发信息数据,确定最小功能单元对应执行配置信息;根据最小功能单元以及执行配置信息,获取执行引擎单元。
在其中一个实施例中,模型重构模块具体用于获取初始图像识别大数据模型和模型重构集成配置参数,识别初始图像识别大数据模型中各功能组成部分对应的开发信息数据;根据初始图像识别大数据模型各功能组成部分对应的开发信息数据,将初始图像识别大数据模型拆分为各最小功能单元。
在其中一个实施例中,模型重构模块具体用于:获取初始图像识别大数据模型;根据预设标识符识别初始图像识别大数据模型内的参数数据,在参数数据前添加对应特殊符号,将初始图像识别大数据模型内的参数数据转化为参数值数据;执行预设拆分脚本,根据初始图像识别大数据模型对应的开发信息数据,将初始图像识别大数据模型拆分为最小组成单元;删除参数值数据前的特征符号,将最小组成单元内的参数值数据转化为参数数据,获得最小功能单元。
在其中一个实施例中,模型重构模块具体用于获取执行引擎单元间的数据依赖关系,根据数据依赖关系构建执行引擎单元间的数据交互通道;基于数据交互通道以及执行顺序构建模型运行网络,并根据单元执行顺序定位各执行引擎单元在模型运行网络的执行位置;将执行引擎单元添加于模型运行网络对应执行位置,获得预设图像识别大数据模型。
在其中一个实施例中,模型重构模块具体用于获取校验数据以及校验数据对应的中间结果数据以及校验输出结果数据;将预设校验数据输入预设图像识别大数据模型,获取预设校验数据对应的各个执行引擎单元的输出数据以及预设图像识别大数据模型输出的校验结果数据;对比预设输出结果数据与校验结果数据,获得验证结果,当验证结果为验证不通过时,对比预设中间结果数据与各个执行引擎单元的输出数据查找执行引擎单元中的问题单元,根据验证结果修正问题单元,返回将预设校验数据输入预设图像识别大数据模型的步骤。
关于图像识别装置的具体限定可以参见上文中对于图像识别方法的限定,在此不再赘述。上述图像识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口以及数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机设备的数据库用于存储知识图谱相关数据。该计算机程序被处理器执行时以实现一种图像识别方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待识别图像;
将待识别图像输入预设图像识别大数据模型,获取图像识别结果;
预设图像识别大数据模型是根据各执行引擎单元的数据交互通道,并基于各执行引擎单元的执行顺序执行各执行引擎单元构建得到,各执行引擎单元是根据模型重构集成配置参数对初始图像识别大数据模型拆分重构获得,各执行引擎单元的执行顺序由模型重构集成配置参数确定,数据交互通道由各执行引擎单元间的数据依赖关系构建。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取初始图像识别大数据模型和模型重构集成配置参数,将初始图像识别大数据模型拆分为最小功能单元;获取最小功能单元对应的执行过程,根据最小功能单元以及与最小功能单元对应的执行过程,获取执行引擎单元;根据模型重构集成配置参数确定执行引擎单元的单元执行顺序;获取执行引擎单元间的数据依赖关系,根据数据依赖关系构建执行引擎单元间的数据交互通道,基于数据交互通道、执行顺序以及执行引擎单元构建预设图像识别大数据模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:识别最小功能单元对应的开发信息数据;根据最小功能单元的开发信息数据,确定最小功能单元对应执行配置信息;根据最小功能单元以及执行配置信息,获取执行引擎单元。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取初始图像识别大数据模型和模型重构集成配置参数,识别初始图像识别大数据模型中各功能组成部分对应的开发信息数据;根据初始图像识别大数据模型各功能组成部分对应的开发信息数据,将初始图像识别大数据模型拆分为各最小功能单元。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取初始图像识别大数据模型;根据预设标识符识别初始图像识别大数据模型内的参数数据,在参数数据前添加对应特殊符号,将初始图像识别大数据模型内的参数数据转化为参数值数据;执行预设拆分脚本,根据初始图像识别大数据模型对应的开发信息数据,将初始图像识别大数据模型拆分为最小组成单元;删除参数值数据前的特征符号,将最小组成单元内的参数值数据转化为参数数据,获得最小功能单元。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取执行引擎单元间的数据依赖关系,根据数据依赖关系构建执行引擎单元间的数据交互通道;基于数据交互通道以及执行顺序构建模型运行网络,并根据单元执行顺序定位各执行引擎单元在模型运行网络的执行位置;将执行引擎单元添加于模型运行网络对应执行位置,获得预设图像识别大数据模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取校验数据以及校验数据对应的中间结果数据以及校验输出结果数据;将预设校验数据输入预设图像识别大数据模型,获取预设校验数据对应的各个执行引擎单元的输出数据以及预设图像识别大数据模型输出的校验结果数据;对比预设输出结果数据与校验结果数据,获得验证结果,当验证结果为验证不通过时,对比预设中间结果数据与各个执行引擎单元的输出数据查找执行引擎单元中的问题单元,根据验证结果修正问题单元,返回将预设校验数据输入预设图像识别大数据模型的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待识别图像;
将待识别图像输入预设图像识别大数据模型,获取图像识别结果;
预设图像识别大数据模型是根据各执行引擎单元的数据交互通道,并基于各执行引擎单元的执行顺序执行各执行引擎单元构建得到,各执行引擎单元是根据模型重构集成配置参数对初始图像识别大数据模型拆分重构获得,各执行引擎单元的执行顺序由模型重构集成配置参数确定,数据交互通道由各执行引擎单元间的数据依赖关系构建。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取初始图像识别大数据模型和模型重构集成配置参数,将初始图像识别大数据模型拆分为最小功能单元;获取最小功能单元对应的执行过程,根据最小功能单元以及与最小功能单元对应的执行过程,获取执行引擎单元;根据模型重构集成配置参数确定执行引擎单元的单元执行顺序;获取执行引擎单元间的数据依赖关系,根据数据依赖关系构建执行引擎单元间的数据交互通道,基于数据交互通道、执行顺序以及执行引擎单元构建预设图像识别大数据模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:识别最小功能单元对应的开发信息数据;根据最小功能单元的开发信息数据,确定最小功能单元对应执行配置信息;根据最小功能单元以及执行配置信息,获取执行引擎单元。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取初始图像识别大数据模型和模型重构集成配置参数,识别初始图像识别大数据模型中各功能组成部分对应的开发信息数据;根据初始图像识别大数据模型各功能组成部分对应的开发信息数据,将初始图像识别大数据模型拆分为各最小功能单元。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取初始图像识别大数据模型;根据预设标识符识别初始图像识别大数据模型内的参数数据,在参数数据前添加对应特殊符号,将初始图像识别大数据模型内的参数数据转化为参数值数据;执行预设拆分脚本,根据初始图像识别大数据模型对应的开发信息数据,将初始图像识别大数据模型拆分为最小组成单元;删除参数值数据前的特征符号,将最小组成单元内的参数值数据转化为参数数据,获得最小功能单元。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取执行引擎单元间的数据依赖关系,根据数据依赖关系构建执行引擎单元间的数据交互通道;基于数据交互通道以及执行顺序构建模型运行网络,并根据单元执行顺序定位各执行引擎单元在模型运行网络的执行位置;将执行引擎单元添加于模型运行网络对应执行位置,获得预设图像识别大数据模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取校验数据以及校验数据对应的中间结果数据以及校验输出结果数据;将预设校验数据输入预设图像识别大数据模型,获取预设校验数据对应的各个执行引擎单元的输出数据以及预设图像识别大数据模型输出的校验结果数据;对比预设输出结果数据与校验结果数据,获得验证结果,当验证结果为验证不通过时,对比预设中间结果数据与各个执行引擎单元的输出数据查找执行引擎单元中的问题单元,根据验证结果修正问题单元,返回将预设校验数据输入预设图像识别大数据模型的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像识别方法,所述方法包括:
获取待识别图像;
将所述待识别图像输入预设图像识别大数据模型,获取图像识别结果;
所述预设图像识别大数据模型是根据各执行引擎单元的数据交互通道,并基于各执行引擎单元的执行顺序执行各执行引擎单元构建得到,所述各执行引擎单元是根据模型重构集成配置参数对初始图像识别大数据模型拆分重构获得,所述各执行引擎单元的执行顺序由模型重构集成配置参数确定,所述数据交互通道由所述各执行引擎单元间的数据依赖关系构建。
2.根据权利要求1所述的方法,其特征在于,所述将所述待识别图像输入预设图像识别大数据模型,获取图像识别结果之前,还包括:
获取初始图像识别大数据模型和模型重构集成配置参数,将所述初始图像识别大数据模型拆分为最小功能单元;
获取所述最小功能单元对应的执行过程,根据所述最小功能单元以及与所述最小功能单元对应的执行过程,获取执行引擎单元;
根据所述模型重构集成配置参数确定所述执行引擎单元的单元执行顺序;
获取所述执行引擎单元间的数据依赖关系,根据所述数据依赖关系构建所述执行引擎单元间的数据交互通道,基于所述数据交互通道、所述执行顺序以及所述执行引擎单元构建预设图像识别大数据模型。
3.根据权利要求2所述的方法,其特征在于,所述获取所述最小功能单元对应的执行过程,根据所述最小功能单元以及与所述最小功能单元对应的执行过程,获取执行引擎单元最小功能单元最小功能单元包括:
识别所述最小功能单元对应的开发信息数据;
根据所述最小功能单元的开发信息数据,确定所述最小功能单元对应执行配置信息;
根据所述最小功能单元以及所述执行配置信息,获取执行引擎单元。
4.根据权利要求2所述的方法,其特征在于,所述获取初始图像识别大数据模型和模型重构集成配置参数,将所述初始图像识别大数据模型拆分为最小功能单元最小功能单元包括:
获取初始图像识别大数据模型和模型重构集成配置参数,识别所述初始图像识别大数据模型中各功能组成部分对应的开发信息数据;
根据所述初始图像识别大数据模型各功能组成部分对应的开发信息数据,将所述初始图像识别大数据模型拆分为各最小功能单元。
5.根据权利要求4所述的方法,其特征在于,所述根据所述初始图像识别大数据模型各组成代码对应的构成开发语言,将所述初始图像识别大数据模型拆分为各最小功能单元包括:
获取初始图像识别大数据模型;
根据预设标识符识别所述初始图像识别大数据模型内的参数数据,在所述参数数据前添加对应特殊符号,将初始图像识别大数据模型内的参数数据转化为参数值数据;
执行预设拆分脚本,根据所述初始图像识别大数据模型对应的开发信息数据,将所述初始图像识别大数据模型拆分为最小组成单元;
删除所述参数值数据前的所述特征符号,将所述最小组成单元内的参数值数据转化为参数数据,获得最小功能单元。
6.根据权利要求1所述的方法,其特征在于,所述获取所述执行引擎单元间的数据依赖关系,根据所述数据依赖关系构建所述执行引擎单元间的数据交互通道,基于所述数据交互通道、所述执行顺序以及所述执行引擎单元构建预设图像识别大数据模型的步骤包括:
获取所述执行引擎单元间的数据依赖关系,根据所述数据依赖关系构建所述执行引擎单元间的数据交互通道;
基于所述数据交互通道以及所述执行顺序构建模型运行网络,并根据所述单元执行顺序定位各执行引擎单元在所述模型运行网络的执行位置;
将所述执行引擎单元添加于所述模型运行网络对应执行位置,获得预设图像识别大数据模型。
7.根据权利要求1所述的方法,其特征在于,所述将所述待识别图像输入预设图像识别大数据模型,获取图像识别结果之前,还包括:
获取校验数据以及所述校验数据对应的中间结果数据以及校验输出结果数据;
将所述预设校验数据输入预设图像识别大数据模型,获取预设校验数据对应的各个执行引擎单元的输出数据以及预设图像识别大数据模型输出的校验结果数据;
对比所述预设输出结果数据与所述校验结果数据,获得验证结果,当所述验证结果为验证不通过时,对比所述预设中间结果数据与各个执行引擎单元的输出数据查找所述执行引擎单元中的问题单元,根据所述验证结果修正所述问题单元,返回将所述预设校验数据输入预设图像识别大数据模型的步骤。
8.一种图像识别装置,其特征在于,所述装置包括:
数据获取模块,用于获取待识别图像;
图像识别模块,用于将所述待识别图像输入预设图像识别大数据模型,获取图像识别结果;
所述预设图像识别大数据模型是根据各执行引擎单元的数据交互通道,并基于各执行引擎单元的执行顺序执行各执行引擎单元构建得到,所述各执行引擎单元是根据模型重构集成配置参数对初始图像识别大数据模型拆分重构获得,所述各执行引擎单元的执行顺序由模型重构集成配置参数确定,所述数据交互通道由所述各执行引擎单元间的数据依赖关系构建。
最小功能单元最小功能单元最小功能单元最小功能单元执行引擎单元最小功能单元最小功能单元最小功能单元最小功能单元
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910968961.4A CN110909761A (zh) | 2019-10-12 | 2019-10-12 | 图像识别方法、装置、计算机设备及存储介质 |
PCT/CN2020/093575 WO2021068529A1 (zh) | 2019-10-12 | 2020-05-30 | 图像识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910968961.4A CN110909761A (zh) | 2019-10-12 | 2019-10-12 | 图像识别方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110909761A true CN110909761A (zh) | 2020-03-24 |
Family
ID=69815352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910968961.4A Pending CN110909761A (zh) | 2019-10-12 | 2019-10-12 | 图像识别方法、装置、计算机设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110909761A (zh) |
WO (1) | WO2021068529A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021068529A1 (zh) * | 2019-10-12 | 2021-04-15 | 平安科技(深圳)有限公司 | 图像识别方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010152751A (ja) * | 2008-12-25 | 2010-07-08 | Nec Corp | 統計モデル学習装置、統計モデル学習方法、およびプログラム |
CN107092962A (zh) * | 2016-02-17 | 2017-08-25 | 阿里巴巴集团控股有限公司 | 一种分布式机器学习方法和平台 |
CN109800805A (zh) * | 2019-01-14 | 2019-05-24 | 上海联影智能医疗科技有限公司 | 基于人工智能的图像处理系统以及计算机设备 |
CN110008971A (zh) * | 2018-08-23 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机可读存储介质及计算机设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105022896A (zh) * | 2015-06-10 | 2015-11-04 | 泰富重工制造有限公司 | 一种基于动态编号的apdl建模方法及装置 |
KR102050780B1 (ko) * | 2018-01-10 | 2019-12-02 | 한국과학기술원 | 신경망을 이용한 컨텐츠 인지 기반 컨텐츠 전송 서버 장치 및 방법 |
CN110909761A (zh) * | 2019-10-12 | 2020-03-24 | 平安科技(深圳)有限公司 | 图像识别方法、装置、计算机设备及存储介质 |
-
2019
- 2019-10-12 CN CN201910968961.4A patent/CN110909761A/zh active Pending
-
2020
- 2020-05-30 WO PCT/CN2020/093575 patent/WO2021068529A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010152751A (ja) * | 2008-12-25 | 2010-07-08 | Nec Corp | 統計モデル学習装置、統計モデル学習方法、およびプログラム |
CN107092962A (zh) * | 2016-02-17 | 2017-08-25 | 阿里巴巴集团控股有限公司 | 一种分布式机器学习方法和平台 |
CN110008971A (zh) * | 2018-08-23 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机可读存储介质及计算机设备 |
CN109800805A (zh) * | 2019-01-14 | 2019-05-24 | 上海联影智能医疗科技有限公司 | 基于人工智能的图像处理系统以及计算机设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021068529A1 (zh) * | 2019-10-12 | 2021-04-15 | 平安科技(深圳)有限公司 | 图像识别方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021068529A1 (zh) | 2021-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111176990B (zh) | 基于数据决策的测试数据生成方法、装置、计算机设备 | |
CN110824587B (zh) | 图像预测方法、装置、计算机设备和存储介质 | |
CN110378230B (zh) | 失踪人脸识别方法、装置、计算机设备和存储介质 | |
CN112231224A (zh) | 基于人工智能的业务系统测试方法、装置、设备和介质 | |
CN109325118A (zh) | 不平衡样本数据预处理方法、装置和计算机设备 | |
CN111476216A (zh) | 人脸识别方法、装置、计算机设备和可读存储介质 | |
CN110717647A (zh) | 决策流构建方法、装置、计算机设备和存储介质 | |
CN110275703B (zh) | 键值对数据的赋值方法、装置、计算机设备和存储介质 | |
CN111124898B (zh) | 问答系统测试方法、装置、计算机设备和存储介质 | |
CN113888299A (zh) | 风控决策方法、装置、计算机设备和存储介质 | |
CN111274202B (zh) | 电子合同生成方法、装置、计算机设备及存储介质 | |
CN113032398A (zh) | 多类型业务的业务处理方法、计算机设备和存储介质 | |
CN110569083A (zh) | 图像分割处理方法、装置、计算机设备和存储介质 | |
CN110909761A (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
CN114527974B (zh) | 软件产品的业务功能实现方法、装置和计算机设备 | |
CN110688400A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN114242196B (zh) | 临床医疗记录自动生成方法和装置 | |
CN113704107B (zh) | 应用测试方法、装置、设备及计算机可读存储介质 | |
CN115695472A (zh) | 服务器故障响应处理方法、装置、计算机设备和存储介质 | |
CN109656948B (zh) | 位图数据处理方法、装置、计算机设备和存储介质 | |
CN110969430B (zh) | 可疑用户的识别方法、装置、计算机设备和存储介质 | |
CN110597874B (zh) | 数据分析模型的创建方法、装置、计算机设备和存储介质 | |
CN114661545A (zh) | 处理器资源的监控方法、装置、设备及存储介质 | |
CN110717727A (zh) | 基于多平台的信息处理方法、装置、计算机设备和存储介质 | |
CN113869524A (zh) | 一种深度学习模型评测方法、系统、存储介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40017607 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |