CN111178442B - 一种提高算法精度的业务实现方法 - Google Patents

一种提高算法精度的业务实现方法 Download PDF

Info

Publication number
CN111178442B
CN111178442B CN201911413936.6A CN201911413936A CN111178442B CN 111178442 B CN111178442 B CN 111178442B CN 201911413936 A CN201911413936 A CN 201911413936A CN 111178442 B CN111178442 B CN 111178442B
Authority
CN
China
Prior art keywords
processing
picture
pictures
algorithm
preset
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.)
Active
Application number
CN201911413936.6A
Other languages
English (en)
Other versions
CN111178442A (zh
Inventor
任永建
师天磊
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 Ronglian Yitong Information Technology Co ltd
Original Assignee
Beijing Ronglian Yitong Information 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 Ronglian Yitong Information Technology Co ltd filed Critical Beijing Ronglian Yitong Information Technology Co ltd
Priority to CN201911413936.6A priority Critical patent/CN111178442B/zh
Publication of CN111178442A publication Critical patent/CN111178442A/zh
Application granted granted Critical
Publication of CN111178442B publication Critical patent/CN111178442B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种提高算法精度的业务实现方法，该提高算法精度的业务实现方法根据算法模型对特定场景的图片具有较高的依赖性，其通过在系统应用层利用识别错误的抓拍图片和自行上传的包含预设目标的图片进行相应的修正标注，再利用该修正标注后的图片对原有算法模型进行训练以更新得到新算法模型，从而提高算法模型在特定场景下的算法精度。

Description

一种提高算法精度的业务实现方法
技术领域
本发明涉及图像处理的技术领域，特别涉及一种提高算法精度的业务实现方法。
背景技术
目前的业务应用的算法模型一般是由平台算法厂商提供，而这些算法模型只能通过算法厂商对算法模型进行统一升级处理，由于算法模型本身受到训练素材的影响比较大，若平台算法厂商对于某些特殊场景没有对应的训练素材，这会造成算法模型识别精度差和识别错误率高等问题，并且算法模型的迭代升级一般需要等待较长的时间，而升级后的算法模型也只局限于比较普适的场景，其对于特殊场景的针对性效果较差。可见，现有的业务应用的算法模型的算法精度不高、用户体验较差，并且只能等待平台算法厂商进行统一升级，而且圣后的算法也不能保证对特定场景具有较高的识别精度。
发明内容
针对现有技术存在的缺陷，本发明提供一种提高算法精度的业务实现方法，该提高算法精度的业务实现方法包括如下步骤：步骤S1，对处于识别错误状态的第一类图片进行第一图片处理和/或对处于已采集状态的第二类图片进行第二图片处理；步骤S2，根据该第一图片处理和/或该第二图片处理的结果，对相应图片进行算法标注处理和人工标注处理；步骤S3，根据该算法标注处理和该人工标注处理的结果，对预设算法模型进行训练处理；步骤S4，根据该训练处理的结果，对该预设算法模型进行更新处理，以获得新算法模型；可见，该提高算法精度的业务实现方法根据算法模型对特定场景的图片具有较高的依赖性，其通过在系统应用层利用识别错误的抓拍图片和自行上传的包含预设目标的图片进行相应的修正标注，再利用该修正标注后的图片对原有算法模型进行训练以更新得到新算法模型，从而提高算法模型在特定场景下的算法精度。
本发明提供一种提高算法精度的业务实现方法，其特征在于，所述提高算法精度的业务实现方法包括如下步骤：
步骤S1，对处于识别错误状态的第一类图片进行第一图片处理和/或对处于已采集状态的第二类图片进行第二图片处理；
步骤S2，根据所述第一图片处理和/或所述第二图片处理的结果，对相应图片进行算法标注处理和人工标注处理；
步骤S3，根据所述算法标注处理和所述人工标注处理的结果，对预设算法模型进行训练处理；
步骤S4，根据所述训练处理的结果，对所述预设算法模型进行更新处理，以获得新算法模型；
进一步，在所述步骤S1中，对处于识别错误状态的第一类图片进行第一图片处理和/或对处于已采集状态的第二类图片进行第二图片处理具体包括，
步骤S101，获取关于预设算法模型历史图像识别结果集合，并对所述历史图像识别结果集合进行摘选处理，以获得若干所述第一类图片；
步骤S102，获取关于实时采集的特定场景图片集合，并对所述特定场景图片集合进行目标甄别处理，以获得若干所述第二类图片；
步骤S103，对若干第一类图片进行关于图像细节纠错的所述第一图片处理，以获得若干纠错处理图片；
步骤S104，对若干第二类图片进行关于预设目标标注的所述第二图片处理，以获得若干标注处理图片；
进一步，在所述步骤S101中，获取关于预设算法模型历史图像识别结果集合，并对所述历史图像识别结果集合进行摘选处理，以获得若干所述第一类图片具体包括，
对所述预设算法模型关于历史输入训练素材的算法输出结果进行汇集，以获得所述历史图像识别结果结合，并对所述历史图像识别结果集合进行关于错误状态的摘选处理，以获得若干所述第一类图片；
或者，
在所述步骤S102中，获取关于实时采集的特定场景图片集合，并对所述特定场景图片集合进行目标甄别处理，以获得若干所述第二类图片具体包括，
对特定场景进行连续拍摄处理以获得所述特定场景图片集合，并构建关于预设目标的甄别标记，并根据所述甄别标记对所述特定场景图片集合进行目标甄别处理，以获得若干所述第二类图片；
或者，
在所述步骤S103中，对若干第一类图片进行关于图像细节纠错的所述第一图片处理，以获得若干纠错处理图片具体包括，
根据每一个第一类图片中算法识别错误的类型，对其进行适应性的图像细节纠错处理，以对应获得若干就做处理图片；
或者，
在所述步骤S104中，对若干第二类图片进行关于预设目标标注的所述第二图片处理，以获得若干标注处理图片具体包括，
根据关于预设目标的甄别标记，对每一个第二类图片进行关于预设目标标注的所述第二图片处理，以在每一个第二类图片中对所述预设目标进行可视化标注，从而得到所述若干标注处理图片；
进一步，在所述步骤S2中，根据所述第一图片处理和/或所述第二图片处理的结果，对相应图片进行算法标注处理和人工标注处理具体包括，
步骤S201，获取若干第一类图片经过所述第一图片处理后产生的若干纠错处理图片，并对所述若干纠错处理图片进行压缩上传处理；
步骤S202，获取若干第二类图片经过所述第二图片处理后产生的若干；标注处理图片，并对所述若干标注处理图片进行压缩上传处理；
步骤S203，将经过所述压缩上传处理的所述若干纠错处理图片和所述若干标注处理图片依次进行所述算法标注处理和所述人工标注处理；
进一步，在所述步骤S201或者所述步骤S202中，所述压缩上传处理具体包括将所述若干纠错处理图片或者所述若干标注处理图片压缩形成若干数据包，并对所述若干数据包进行直接上传处理或者页面跳转上传处理；
或者，
在所述步骤S203中，将经过所述压缩上传处理的所述若干纠错处理图片和所述若干标注处理图片依次进行所述算法标注处理和所述人工标注处理具体包括，
步骤S2031，对经过所述压缩上传处理的所述若干纠错处理图片和所述若干标注处理图片分别进行关于图像颜色、图像纹理和图像轮廓中至少一者的算法标注处理，以获得满足预设图像颜色分布条件、图像纹理分布条件和图像轮廓分布条件中至少一者的算法标注图像处理结果；
步骤S2032，对经过所述算法标注处理的所述若干纠错处理图片和所述若干标注处理图片分别进行关于图片分辨率的人工标注处理，以获得满足预设图像分辨率条件的人工标注图像处理结果；
并且，
在所述步骤S2031前，还包括按照预设识别方法对所述若干纠错处理图片和所述若干标注处理图片进行识别处理，以确定所述若干纠错处理图片和所述若干标注处理图片是否包括预设图像纹理，其中，将所述若干纠错处理图片和所述若干标注处理图片中的任一图片设定为待识别图片，所述预设识别方法包括，
将所述待识别图片转换为二值化图片，并且确定所述二值化图片的二值骨架图和识别系数τ，所述识别系数τ通过下面公式(1)计算
Figure BDA0002350694750000041
在上述公式(1)中，
Figure BDA0002350694750000051
为所述二值化图片的面积，η(x,y)为所述二值骨架图的面积，μ为预设比对因子，所述预设比对因子的大小所述预设图像纹理的宽度所占据的像素数量，x为横坐标，y为纵坐标；
当所述识别系数τ等于或者小于1时，则确定所述待识别包括所述预设图像纹理，当所述识别系数τ大于1时，则确定所述待识别不包括所述预设图像纹理；
进一步，在所述步骤S3中，根据所述算法标注处理和所述人工标注处理的结果，对预设算法模型进行训练处理具体包括，
步骤S301，将依次经过所述算法标注处理和所述人工标注处理的图片标注集合传送到预设数据仓库中；
步骤S302，在所述预设数据仓库中，将所述图片标注集合转换成满足预设排列结构的图片序列，并对所述图片序列进行数值化转换处理；
步骤S303，将经过所述数值化转换处理的所述图片序列输入至所述预设算法模型以进行所述训练处理；
进一步，在所述步骤S302中，在所述预设数据仓库中，将所述图片标注集合转换成满足预设排列结构的图片序列，并对所述图片序列进行数值化转换处理具体包括，
步骤S3021，根据所述图片标注集合中每一个图片对应的属性信息，将所述图片标注集合转换成在图片视野区域互不重叠的所述图片序列；
步骤S3022，将所述图片序列中每一个序列片段的图片内容进行二进制形式的数值化转换处理，以得到相应二进制数值序列；
或者，
在所述步骤S303中，将经过所述数值化转换处理的所述图片序列输入至所述预设算法模型以进行所述训练处理具体包括，
步骤S3031，将所述数值化转换处理得到的关于所述图片序列的二级制数值数列输入至所述预设算法模型以进行所述训练处理；
步骤S3032，获取经过所述训练处理的所述预设算法模型的算法精度值，若所述算法精度值大于预设算法精度阈值，则终止所述训练处理，否则，继续维持所述训练处理；
进一步，在所述步骤S4中，根据所述训练处理的结果，对所述预设算法模型进行更新处理，以获得新算法模型具体包括，
步骤S401，根据经过所述训练处理后的预设算法模型的算法容差度，确定对所述预设算法模型不同算法运行层的调整模式；
步骤S402，根据所述不同算法运行层的调整模式，对所述预设算法模型进行适应性的更新处理，以获得所述新算法模型；
进一步，在所述步骤S401中，根据经过所述训练处理后的预设算法模型的算法容差度，确定对所述预设算法模型不同算法运行层的调整模式具体包括
根据所述算法容差度与预设容差对照表之间的匹配关系，确定对所述预设算法模型不同算法运行层的调整模式；
或者，
在所述步骤S402中，根据所述不同算法运行层的调整模式，对所述预设算法模型进行适应性的更新处理，以获得所述新算法模型具体包括，
根据所述不同算法运行层的调整模式，对所述预设算法模型进行关于应用场景、数据处理量和算法结果输出形式中至少一者的更新处理，以获得所述新算法模型；
进一步，在所述步骤S4中，还包括对所述新算法模型进行算法精度的判断处理，若所述判断处理的结果指示所述新算法模型当前的算法精度满足预设精度要求，则终止所述更新处理，否则继续维持所述更新处理。
相比于现有技术，该提高算法精度的业务实现方法根据算法模型对特定场景的图片具有较高的依赖性，其通过在系统应用层利用识别错误的抓拍图片和自行上传的包含预设目标的图片进行相应的修正标注，再利用该修正标注后的图片对原有算法模型进行训练以更新得到新算法模型，从而提高算法模型在特定场景下的算法精度。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
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为本发明提供的一种提高算法精度的业务实现方法的流程示意图。
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作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。
参阅图1，为本发明实施例提供的一种提高算法精度的业务实现方法的流程示意图。该提高算法精度的业务实现方法包括如下步骤：
步骤S1，对处于识别错误状态的第一类图片进行第一图片处理和/或对处于已采集状态的第二类图片进行第二图片处理；
步骤S2，根据该第一图片处理和/或该第二图片处理的结果，对相应图片进行算法标注处理和人工标注处理；
步骤S3，根据该算法标注处理和该人工标注处理的结果，对预设算法模型进行训练处理；
步骤S4，根据该训练处理的结果，对该预设算法模型进行更新处理，以获得新算法模型。
优选地，在该步骤S1中，对处于识别错误状态的第一类图片进行第一图片处理和/或对处于已采集状态的第二类图片进行第二图片处理具体包括，
步骤S101，获取关于预设算法模型历史图像识别结果集合，并对该历史图像识别结果集合进行摘选处理，以获得若干该第一类图片；
步骤S102，获取关于实时采集的特定场景图片集合，并对该特定场景图片集合进行目标甄别处理，以获得若干该第二类图片；
步骤S103，对若干第一类图片进行关于图像细节纠错的该第一图片处理，以获得若干纠错处理图片；
步骤S104，对若干第二类图片进行关于预设目标标注的该第二图片处理，以获得若干标注处理图片。
优选地，在该步骤S101中，获取关于预设算法模型历史图像识别结果集合，并对该历史图像识别结果集合进行摘选处理，以获得若干该第一类图片具体包括，
对该预设算法模型关于历史输入训练素材的算法输出结果进行汇集，以获得该历史图像识别结果结合，并对该历史图像识别结果集合进行关于错误状态的摘选处理，以获得若干该第一类图片。
优选地，在该步骤S102中，获取关于实时采集的特定场景图片集合，并对该特定场景图片集合进行目标甄别处理，以获得若干该第二类图片具体包括，
对特定场景进行连续拍摄处理以获得该特定场景图片集合，并构建关于预设目标的甄别标记，并根据该甄别标记对该特定场景图片集合进行目标甄别处理，以获得若干该第二类图片。
优选地，在该步骤S103中，对若干第一类图片进行关于图像细节纠错的该第一图片处理，以获得若干纠错处理图片具体包括，
根据每一个第一类图片中算法识别错误的类型，对其进行适应性的图像细节纠错处理，以对应获得若干就做处理图片。
优选地，在该步骤S104中，对若干第二类图片进行关于预设目标标注的该第二图片处理，以获得若干标注处理图片具体包括，
根据关于预设目标的甄别标记，对每一个第二类图片进行关于预设目标标注的该第二图片处理，以在每一个第二类图片中对该预设目标进行可视化标注，从而得到该若干标注处理图片。
优选地，在该步骤S2中，根据该第一图片处理和/或该第二图片处理的结果，对相应图片进行算法标注处理和人工标注处理具体包括，
步骤S201，获取若干第一类图片经过该第一图片处理后产生的若干纠错处理图片，并对该若干纠错处理图片进行压缩上传处理；
步骤S202，获取若干第二类图片经过该第二图片处理后产生的若干；标注处理图片，并对该若干标注处理图片进行压缩上传处理；
步骤S203，将经过该压缩上传处理的该若干纠错处理图片和该若干标注处理图片依次进行该算法标注处理和该人工标注处理。
优选地，在该步骤S201或者该步骤S202中，该压缩上传处理具体包括将该若干纠错处理图片或者该若干标注处理图片压缩形成若干数据包，并对该若干数据包进行直接上传处理或者页面跳转上传处理。
优选地，在该步骤S203中，将经过该压缩上传处理的该若干纠错处理图片和该若干标注处理图片依次进行该算法标注处理和该人工标注处理具体包括，
步骤S2031，对经过该压缩上传处理的该若干纠错处理图片和该若干标注处理图片分别进行关于图像颜色、图像纹理和图像轮廓中至少一者的算法标注处理，以获得满足预设图像颜色分布条件、图像纹理分布条件和图像轮廓分布条件中至少一者的算法标注图像处理结果；
步骤S2032，对经过该算法标注处理的该若干纠错处理图片和该若干标注处理图片分别进行关于图片分辨率的人工标注处理，以获得满足预设图像分辨率条件的人工标注图像处理结果；
并且，
在该步骤S2031前，还包括按照预设识别方法对该若干纠错处理图片和该若干标注处理图片进行识别处理，以确定该若干纠错处理图片和该若干标注处理图片是否包括预设图像纹理，其中，将该若干纠错处理图片和该若干标注处理图片中的任一图片设定为待识别图片，该预设识别方法包括，
将该待识别图片转换为二值化图片，并且确定该二值化图片的二值骨架图和识别系数τ，该识别系数τ通过下面公式(1)计算
Figure BDA0002350694750000101
在上述公式(1)中，
Figure BDA0002350694750000102
为该二值化图片的面积，η(x,y)为该二值骨架图的面积，μ为预设比对因子，该预设比对因子的大小该预设图像纹理的宽度所占据的像素数量，x为横坐标，y为纵坐标；
当该识别系数τ等于或者小于1时，则确定该待识别包括该预设图像纹理，当该识别系数τ大于1时，则确定该待识别不包括该预设图像纹理；
这样通过对图片进行二值化处理和二值化骨架处理，并根据该预设识别方法进行识别，能够快速地和准确地识别出图像中是否包含预设图像纹理。
优选地，在该步骤S3中，根据该算法标注处理和该人工标注处理的结果，对预设算法模型进行训练处理具体包括，
步骤S301，将依次经过该算法标注处理和该人工标注处理的图片标注集合传送到预设数据仓库中；
步骤S302，在该预设数据仓库中，将该图片标注集合转换成满足预设排列结构的图片序列，并对该图片序列进行数值化转换处理；
步骤S303，将经过该数值化转换处理的该图片序列输入至该预设算法模型以进行该训练处理。
优选地，在该步骤S302中，在该预设数据仓库中，将该图片标注集合转换成满足预设排列结构的图片序列，并对该图片序列进行数值化转换处理具体包括，
步骤S3021，根据该图片标注集合中每一个图片对应的属性信息，将该图片标注集合转换成在图片视野区域互不重叠的该图片序列；
步骤S3022，将该图片序列中每一个序列片段的图片内容进行二进制形式的数值化转换处理，以得到相应二进制数值序列。
优选地，在该步骤S303中，将经过该数值化转换处理的该图片序列输入至该预设算法模型以进行该训练处理具体包括，
步骤S3031，将该数值化转换处理得到的关于该图片序列的二级制数值数列输入至该预设算法模型以进行该训练处理；
步骤S3032，获取经过该训练处理的该预设算法模型的算法精度值，若该算法精度值大于预设算法精度阈值，则终止该训练处理，否则，继续维持该训练处理。
优选地，在该步骤S4中，根据该训练处理的结果，对该预设算法模型进行更新处理，以获得新算法模型具体包括，
步骤S401，根据经过该训练处理后的预设算法模型的算法容差度，确定对该预设算法模型不同算法运行层的调整模式；
步骤S402，根据该不同算法运行层的调整模式，对该预设算法模型进行适应性的更新处理，以获得该新算法模型。
优选地，在该步骤S401中，根据经过该训练处理后的预设算法模型的算法容差度，确定对该预设算法模型不同算法运行层的调整模式具体包括
根据该算法容差度与预设容差对照表之间的匹配关系，确定对该预设算法模型不同算法运行层的调整模式。
优选地，在该步骤S402中，根据该不同算法运行层的调整模式，对该预设算法模型进行适应性的更新处理，以获得该新算法模型具体包括，
根据该不同算法运行层的调整模式，对该预设算法模型进行关于应用场景、数据处理量和算法结果输出形式中至少一者的更新处理，以获得该新算法模型。
优选地，在该步骤S4中，还包括对该新算法模型进行算法精度的判断处理，若该判断处理的结果指示该新算法模型当前的算法精度满足预设精度要求，则终止该更新处理，否则继续维持该更新处理。
从上述实施例的内容可知，该提高算法精度的业务实现方法根据算法模型对特定场景的图片具有较高的依赖性，其通过在系统应用层利用识别错误的抓拍图片和自行上传的包含预设目标的图片进行相应的修正标注，再利用该修正标注后的图片对原有算法模型进行训练以更新得到新算法模型，从而提高算法模型在特定场景下的算法精度。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种提高算法精度的业务实现方法，其特征在于，所述提高算法精度的业务实现方法包括如下步骤：
步骤S1，对处于识别错误状态的第一类图片进行第一图片处理和对处于已采集状态的第二类图片进行第二图片处理，其中，第一图片处理是进行关于图像细节纠错；
步骤S2，根据所述第一图片处理和所述第二图片处理的结果，对相应图片进行算法标注处理和人工标注处理，具体包括：步骤S201，获取若干第一类图片经过所述第一图片处理后产生的若干纠错处理图片，并对所述若干纠错处理图片进行压缩上传处理；步骤S202，获取若干第二类图片经过所述第二图片处理后产生的若干标注处理图片，并对所述若干标注处理图片进行压缩上传处理；步骤S203，将经过所述压缩上传处理的所述若干纠错处理图片和所述若干标注处理图片依次进行所述算法标注处理和所述人工标注处理；在所述步骤S201或者所述步骤S202中，所述压缩上传处理具体包括将所述若干纠错处理图片或者所述若干标注处理图片压缩形成若干数据包，并所述若干数据包进行直接上传处理或者页面跳转上传处理；在所述步骤S203中，将经过所述压缩上传处理的所述若干纠错处理图片和所述若干标注处理图片依次进行所述算法标注处理和所述人工标注处理具体包括：步骤S2031，对经过所述压缩上传处理的所述若干纠错处理图片和所述若干标注处理图片分别进行关于图像颜色、图像纹理和图像轮廓中至少一者的算法标注处理，以获得满足预设图像颜色分布条件、图像纹理分布条件和图像轮廓分布条件中至少一者的算法标注图像处理结果；步骤S2032，对经过所述算法标注处理的所述若干纠错处理图片和所述若干标注处理图片分别进行关于图片分辨率的人工标注处理，以获得满足预设图像分辨率条件的人工标注图像处理结果；并且，在所述步骤S2031前，还包括按照预设识别方法对所述若干纠错处理图片和所述若干标注处理图片进行识别处理，以确定所述若干纠错处理图片和所述若干标注处理图片是否包括预设图像纹理，其中，将所述若干纠错处理图片和所述若干标注处理图片中的任一图片设定为待识别图片，所述预设识别方法包括：将所述待识别图片转换为二值化图片，并且确定所述二值化图片的二值骨架图和识别系数，所述识别系数通过下面公式（1）计算
（1）
在上述公式（1）中，为所述二值化图片的面积，为所述二值骨架图的面积，为预设比对因子，所述预设比对因子的大小为所述预设图像纹理的宽度所占据的像素数量，x为横坐标，y为纵坐标；当所述识别系数等于或者小于1时，则确定所述待识别图片包括所述预设图像纹理，当所述识别系数大于1时，则确定所述待识别图片不包括所述预设图像纹理；
步骤S3，根据所述算法标注处理和所述人工标注处理的结果，对预设算法模型进行训练处理；
步骤S4，根据所述训练处理的结果，对所述预设算法模型进行更新处理，以获得新算法模型。
2.如权利要求1所述的提高算法精度的业务实现方法，其特征在于：
在所述步骤S1中，对处于识别错误状态的第一类图片进行第一图片处理和对处于已采集状态的第二类图片进行第二图片处理具体包括：
步骤S101，获取关于预设算法模型历史图像识别结果集合，并对所述历史图像识别结果集合进行摘选处理，以获得若干所述第一类图片；
步骤S102，获取关于实时采集的特定场景图片集合，并对所述特定场景图片集合进行目标甄别处理，以获得若干所述第二类图片；
步骤S103，对若干第一类图片进行关于图像细节纠错的所述第一图片处理，以获得若干纠错处理图片；
步骤S104，对若干第二类图片进行关于预设目标标注的所述第二图片处理，以获得若干标注处理图片。
3.如权利要求2所述的提高算法精度的业务实现方法，其特征在于：
在所述步骤S101中，获取关于预设算法模型历史图像识别结果集合，并对所述历史图像识别结果集合进行摘选处理，以获得若干所述第一类图片具体包括：
对所述预设算法模型关于历史输入训练素材的算法输出结果进行汇集，以获得所述历史图像识别结果集合，并对所述历史图像识别结果集合进行关于错误状态的摘选处理，以获得若干所述第一类图片；
在所述步骤S102中，获取关于实时采集的特定场景图片集合，并对所述特定场景图片集合进行目标甄别处理，以获得若干所述第二类图片具体包括：
对特定场景进行连续拍摄处理以获得所述特定场景图片集合，并构建关于预设目标的甄别标记，并根据所述甄别标记对所述特定场景图片集合进行目标甄别处理，以获得若干所述第二类图片；
在所述步骤S103中，对若干第一类图片进行关于图像细节纠错的所述第一图片处理，以获得若干纠错处理图片具体包括：
在所述第一类图片中，根据历史图像识别结果集合按照算法模型识别的错误类型对其进行图像细节纠错处理，以对应获得若干纠错处理图片；
在所述步骤S104中，对若干第二类图片进行关于预设目标标注的所述第二图片处理，以获得若干标注处理图片具体包括，
根据关于预设目标的甄别标记，对每一个第二类图片进行关于预设目标标注的所述第二图片处理，以在每一个第二类图片中对所述预设目标进行可视化标注，从而得到所述若干标注处理图片。
4.如权利要求1所述的提高算法精度的业务实现方法，其特征在于：
在所述步骤S3中，根据所述算法标注处理和所述人工标注处理的结果，对预设算法模型进行训练处理具体包括：
步骤S301，将依次经过所述算法标注处理和所述人工标注处理的图片标注集合传送到预设数据仓库中；
步骤S302，在所述预设数据仓库中，将所述图片标注集合转换成满足预设排列结构的图片序列，并对所述图片序列进行数值化转换处理；
步骤S303，将经过所述数值化转换处理的所述图片序列输入至所述预设算法模型以进行所述训练处理。
5.如权利要求4所述的提高算法精度的业务实现方法，其特征在于：
在所述步骤S302中，在所述预设数据仓库中，将所述图片标注集合转换成满足预设排列结构的图片序列，并对所述图片序列进行数值化转换处理具体包括:
步骤S3021，根据所述图片标注集合中每一个图片对应的属性信息，将所述图片标注集合转换成在图片视野区域互不重叠的所述图片序列；
步骤S3022，将所述图片序列中每一个序列片段的图片内容进行二进制形式的数值化转换处理，以得到相应二进制数值序列；
在所述步骤S303中，将经过所述数值化转换处理的所述图片序列输入至所述预设算法模型以进行所述训练处理具体包括，
步骤S3031，将所述数值化转换处理得到的关于所述图片序列的二级制数值数列输入至所述预设算法模型以进行所述训练处理；
步骤S3032，获取经过所述训练处理的所述预设算法模型的算法精度值，若所述算法精度值大于预设算法精度阈值，则终止所述训练处理，否则，继续维持所述训练处理。
6.如权利要求1所述的提高算法精度的业务实现方法，其特征在于：
在所述步骤S4中，根据所述训练处理的结果，对所述预设算法模型进行更新处理，以获得新算法模型具体包括：
步骤S401，根据经过所述训练处理后的预设算法模型的算法容差度，确定对所述预设算法模型不同算法运行层的调整模式；
步骤S402，根据所述不同算法运行层的调整模式对所述预设算法模型进行更新处理，以获得所述新算法模型。
7.如权利要求6所述的提高算法精度的业务实现方法，其特征在于：
在所述步骤S401中，根据经过所述训练处理后的预设算法模型的算法容差度，确定对所述预设算法模型不同算法运行层的调整模式具体包括:
根据所述算法容差度与预设容差对照表之间的匹配关系，确定对所述预设算法模型不同算法运行层的调整模式；
在所述步骤S402中，根据所述不同算法运行层的调整模式对所述预设算法模型进行更新处理，以获得所述新算法模型具体包括:
根据所述不同算法运行层的调整模式，对所述预设算法模型进行关于应用场景、数据处理量和算法结果输出形式中至少一者的更新处理，以获得所述新算法模型。
8.如权利要求1所述的提高算法精度的业务实现方法，其特征在于：
在所述步骤S4中，还包括对所述新算法模型进行算法精度的判断处理，若所述判断处理的结果指示所述新算法模型当前的算法精度满足预设精度要求，则终止所述更新处理，否则继续维持所述更新处理。
CN201911413936.6A 2019-12-31 2019-12-31 一种提高算法精度的业务实现方法 Active CN111178442B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911413936.6A CN111178442B (zh) 2019-12-31 2019-12-31 一种提高算法精度的业务实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911413936.6A CN111178442B (zh) 2019-12-31 2019-12-31 一种提高算法精度的业务实现方法

Publications (2)

Publication Number Publication Date
CN111178442A CN111178442A (zh) 2020-05-19
CN111178442B true CN111178442B (zh) 2023-05-12

Family

ID=70652382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911413936.6A Active CN111178442B (zh) 2019-12-31 2019-12-31 一种提高算法精度的业务实现方法

Country Status (1)

Country Link
CN (1) CN111178442B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560612B (zh) * 2020-12-03 2023-08-22 杭州海康威视数字技术股份有限公司 确定业务算法的系统、方法、计算机设备及存储介质
CN112802570A (zh) * 2021-02-07 2021-05-14 成都延华西部健康医疗信息产业研究院有限公司 一种针对电子病历命名实体识别系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960232A (zh) * 2018-06-08 2018-12-07 Oppo广东移动通信有限公司 模型训练方法、装置、电子设备和计算机可读存储介质
CN109190631A (zh) * 2018-08-31 2019-01-11 阿里巴巴集团控股有限公司 图片的目标对象标注方法及装置
CN109635838A (zh) * 2018-11-12 2019-04-16 平安科技（深圳）有限公司 人脸样本图片标注方法、装置、计算机设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101359372B (zh) * 2008-09-26 2011-05-11 腾讯科技（深圳）有限公司 分类器的训练方法及装置、识别敏感图片的方法及装置
CN108875821A (zh) * 2018-06-08 2018-11-23 Oppo广东移动通信有限公司 分类模型的训练方法和装置、移动终端、可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960232A (zh) * 2018-06-08 2018-12-07 Oppo广东移动通信有限公司 模型训练方法、装置、电子设备和计算机可读存储介质
CN109190631A (zh) * 2018-08-31 2019-01-11 阿里巴巴集团控股有限公司 图片的目标对象标注方法及装置
CN109635838A (zh) * 2018-11-12 2019-04-16 平安科技（深圳）有限公司 人脸样本图片标注方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN111178442A (zh) 2020-05-19

Similar Documents

Publication Publication Date Title
CN110210513B (zh) 数据分类方法、装置及终端设备
CN110569856B (zh) 样本标注方法及装置、损伤类别的识别方法及装置
CN111178442B (zh) 一种提高算法精度的业务实现方法
CN107679564A (zh) 样本数据推荐方法及其装置
CN111163338A (zh) 视频清晰度评估模型训练方法、视频推荐方法及相关装置
CN110880021B (zh) 模型辅助式数据标注系统及标注方法
CN110610169B (zh) 图片标注方法和装置、存储介质及电子装置
CN111489401A (zh) 一种图像颜色恒常性处理方法、系统、设备和存储介质
EP2661720A2 (en) Logo recognition
CN112529210A (zh) 模型训练方法、装置以及计算机可读存储介质
CN114169381A (zh) 图像标注方法、装置、终端设备及存储介质
CN113065609B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN110675359A (zh) 一种钢卷表面的缺陷样本生成方法、系统及电子设备
CN112132232A (zh) 医学图像的分类标注方法和系统、服务器
CN110751191A (zh) 一种图像的分类方法及系统
CN108376257B (zh) 一种燃气表不完整码字识别方法
CN116778148A (zh) 目标检测方法、装置、电子设备及存储介质
CN111091122A (zh) 一种多尺度特征卷积神经网络的训练和检测方法、装置
CN112966687B (zh) 图像分割模型训练方法、装置及通信设备
CN110717405A (zh) 人脸特征点定位方法、装置、介质及电子设备
CN110996128B (zh) 在线教学视频推送管理系统
CN109472307A (zh) 一种训练图像分类模型的方法和装置
CN111935484A (zh) 一种视频帧压缩编码方法及装置
CN116958113A (zh) 一种产品检测方法、装置、设备及存储介质
CN110414845B (zh) 针对目标交易的风险评估方法及装置

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
GR01 Patent grant
GR01 Patent grant