CN113743427B - 图像识别方法、装置、计算机装置及存储介质 - Google Patents

图像识别方法、装置、计算机装置及存储介质 Download PDF

Info

Publication number
CN113743427B
CN113743427B CN202010463865.7A CN202010463865A CN113743427B CN 113743427 B CN113743427 B CN 113743427B CN 202010463865 A CN202010463865 A CN 202010463865A CN 113743427 B CN113743427 B CN 113743427B
Authority
CN
China
Prior art keywords
nodes
full
layer
image recognition
characteristic
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
CN202010463865.7A
Other languages
English (en)
Other versions
CN113743427A (zh
Inventor
易仁善
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.)
Futaihua Industry Shenzhen Co Ltd
Hon Hai Precision Industry Co Ltd
Original Assignee
Futaihua Industry Shenzhen Co Ltd
Hon Hai Precision Industry 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 Futaihua Industry Shenzhen Co Ltd, Hon Hai Precision Industry Co Ltd filed Critical Futaihua Industry Shenzhen Co Ltd
Priority to CN202010463865.7A priority Critical patent/CN113743427B/zh
Priority to US17/195,891 priority patent/US11948081B2/en
Publication of CN113743427A publication Critical patent/CN113743427A/zh
Application granted granted Critical
Publication of CN113743427B publication Critical patent/CN113743427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/08—Learning methods
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种图像识别方法、图像识别装置、计算机装置及存储介质，所述方法包括：获取训练数据，利用训练数据训练神经网络模型全连接层的参数，并将训练后的神经网络模型作为图像识别模型，其中，对所述参数的训练包括：获取所述神经网络模型中全连接层的运算程序；查找所述全连接层的运算程序中至少一层的结点；将同一层内的结点按照第一预设规则分成多个小组；按照第二预设规则确定多个所述小组内的特征结点，并将多个所述特征结点作为所述全连接层的参数信息；响应于接收到的图像识别指令，从图像识别指令中获取待处理图像；将待处理图像输入至所述图像识别模型中，输出图像识别结果。通过所述方法可以提高图像识别的速度。

Description

图像识别方法、装置、计算机装置及存储介质
技术领域
本发明涉及计算机技术领域，具体涉及一种图像识别方法、图像识别装置、计算机装置及存储介质。
背景技术
在人工智能高速发展的时代，图像识别技术已经运用到生产、生活的各个方面，例如通过图像识别技术确认产线上不良产品的不良类型，识别生物特征信息，识别违章车辆车牌信息等。现有图像识别方法大多基于神经网络模型，但是这种基于神经网络模型的图像识别方法的运算量大，导致图像识别的速度非常慢。
发明内容
鉴于以上内容，有必要提出一种图像识别方法及装置、计算机装置和存储介质，加快图像识别的运行速度，提高图像识别的效率。
本申请的第一方面提供一种图像识别方法，所述图像识别方法包括：
获取训练数据，利用所述训练数据训练神经网络模型的全连接层的参数，并将训练后的神经网络模型作为图像识别模型，其中，对所述神经网络模型的全连接层的参数的训练包括：
获取所述神经网络模型中全连接层的运算程序；
查找所述全连接层的运算程序中至少一层的结点；
将同一层内的结点按照第一预设规则分成多个小组；
按照第二预设规则确定多个所述小组内的特征结点，并将多个所述特征结点作为所述全连接层的参数信息，完成对所述全连接层的参数的训练；
响应于接收到的图像识别指令，从所述图像识别指令中获取待处理图像；
将所述待处理图像输入至所述图像识别模型中，输出图像识别结果。
优选地，所述获取训练数据，利用所述训练数据训练神经网络模型还包括：
构建验证数据集；
利用所述验证数据集对训练后的神经网络模型进行验证，并根据验证结果统计所述神经网络模型预测的准确率；
判断所述预测的准确率是否小于预设阈值；
若所述预测的准确率不小于所述预设阈值，将训练完成的所述神经网络模型作为所述图像识别模型。
优选地，所述将同一层内的结点按照第一预设规则分成多个小组的方法包括：
根据所述同一层内的结点的位置以及结点的个数，及按照预设比例对所述同一层内的结点进行平均分组。
优选地，所述将同一层内的结点按照第一预设规则分成多个小组的方法还包括：
根据所述同一层内的结点的位置，按照差分法选择预设位置的结点，将位于预设位置的结点分为第一组，将非预设位置的结点分为第二组，其中所述差分法包括等距离差分、非等距离差分。
优选地，所述按照第二预设规则确定多个所述小组内的特征结点的方法包括：
获取所述小组内各个结点对应的数值，对所述数值进行排序；
选择最大数值对应的结点作为所述小组内的特征结点。
优选地，所述按照第二预设规则确定多个所述小组内的特征结点的方法还包括：
获取所述小组内各个结点对应的数值，将所述数值与预设阈值进行比对；
若所述数值大于所述预设阈值，则将所述数值对应的结点作为小组内的特征结点。
优选地，所述将所述待处理图像输入至所述图像识别模型中，输出图像识别结果包括：
获取待处理图像中像素的像素值和图像识别模型中全连接层的参数信息，其中所述全连接层的参数信息包括全连接层的输入层、全连接层的输出层、特征结点的位置；
查找所述全连接层的输入层中特征结点的位置，通过第一预设函数关系将所述待处理图像中像素的像素值转换为全连接层的输入层中特征结点的特征像素值；
查找所述全连接层的输出层中特征结点的位置，通过第二预设函数关系将所述全连接层的输入层中特征结点的特征像素值转换为所述全连接层的输出层中特征结点的特征像素值；
获取全连接层的输出层中特征结点的特征像素值，并利用所述输出层中特征结点的特征像素值输出图像识别结果。
本申请的第二方面提供一种图像识别装置，所述装置包括：
训练模块，用于利用所述训练数据训练神经网络模型的全连接层的参数，并将训练后的神经网络模型作为所述图像识别模型，其中，对所述神经网络模型的全连接层的参数的训练包括：
获取所述神经网络模型中全连接层的运算程序；
查找所述全连接层的运算程序中至少一层的结点；
将同一层内的结点按照第一预设规则分成多个小组；及
按照第二预设规则确定多个所述小组内的特征结点，并将多个所述特征结点作为所述全连接层的参数信息，完成对所述全连接层的参数的训练；
获取模块，用于响应于接收到的图像识别指令，从所述图像识别指令中获取待处理图像；
输出模块，用于将所述待处理图像输入至所述图像识别模型中，输出图像识别结果。
本申请的第三方面提供一种计算机装置，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前所述图像识别方法。
本申请的第四方面提供一种存储介质，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如前所述图像识别方法。
本发明图像识别方法、图像识别装置、计算机装置及存储介质，所述方法通过训练图像识别模型，将待处理图像输入至所述图像识别模型中，输出图像识别结果。通过所述方法可以简化图像识别模型的运算结构，加快图像识别的运算速度。
附图说明
图1是本发明一实施例提供的图像识别方法流程图。
图2是本发明一实施例提供的基于AlexNet算法的神经网络模型示意图。
图3是本发明一实施例提供的图像识别装置的结构示意图。
图4是本发明一实施例提供的计算机装置示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
本发明中的图像识别方法应用在计算机装置中。所述计算机装置可以为安装有图像识别软件的电子设备，例如个人电脑、服务器等，其中，所述服务器可以是单一的服务器、服务器集群或云服务器等。
在本发明又一实施方式中，所述计算机装置还可以和至少一个用户终端进行网络连接，所述用户终端用于获取待处理数据，并将所述待处理数据发送至计算机装置，计算机装置对所述数据进行分析处理之后，将处理之后的结果发送至用户终端。所述网络可以是有线网络，也可以是无线网络，例如无线电、无线保真(Wireless Fidelity,WIFI)、蜂窝、卫星、广播等。
请参阅图1所示，是本发明一实施例提供的图像识别方法的流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。
步骤S1、获取训练数据，利用所述训练数据训练神经网络模型的全连接层的参数，并将训练后的神经网络模型作为所述图像识别模型。
所述训练数据可以是已知图像特征信息的图片或视频。例如是已知产品瑕疵类型的图片，已知物体名称的物体照片、视频等。
对所述神经网络模型的全连接层的参数的训练步骤包括：
(1)获取所述神经网络模型中全连接层的运算程序。所述神经网络模型包括基于AlexNet算法的神经网络模型、基于VGG16算法的神经网络模型中的任意一种。
在本发明一实施方式中，所述神经网络模型是基于AlexNet算法的神经网络模型，包括5个卷积层，以及2个全连接层。获取所述基于AlexNet算法的神经网络模型中全连接层的运算程序。在其他实施方式中，所述全连接层的层数可以根据图像识别的精度进行调整，图像识别的精度要求越高，所述全连接层的层数越多。
(2)查找所述全连接层的运算程序中至少一层的结点。
例如分别查找基于AlexNet算法的神经网络模型中全连接层的第一层和全连接层的第二层中的结点。如图2所示，是本发明一实施例提供的基于AlexNet算法的神经网络模型示意图。图中的A层作为全连接层中的第一层，所述第一层的结点数位2048个。所述图像经过卷积层的运算后需要和全连接层中的第一层结点通过ReLU函数运算进行连接。
(3)将同一层内的结点按照第一预设规则分成多个小组。
在本发明一实施方式中，所述将同一层内的结点按照第一预设规则分成多个小组的方法可以包括：
根据所述同一层内的结点的位置以及结点的个数，及按照预设比例对所述同一层内的结点进行平均分组。例如，将全连接层中的第一层中相邻的两个结点分为一组，或将全连接层中的第一层中相邻的三个结点分为一组。同一小组内结点的数量可以根据神经网络模型所要达到的运算速度进行选择，其中神经网络模型的运算速度越快，则在同一小组内的结点数量越多。
在本发明又一实施方式中，所述将同一层内的结点按照第一预设规则分成多个小组的方法还可以包括：
根据所述同一层内的结点的位置，按照差分法选择预设位置的结点，将位于预设位置的结点分为第一组，将非预设位置的结点分为第二组，其中所述差分法包括等距离差分、非等距离差分。例如，按照神经网络模型中全连接层结点的特性，将特征信息区域的结点按照两个结点一组进行划分，在非特征信息区域的结点按照五个结点为一组进行划分。这种非等距离差分法可以最大化的保存特征区域的运算量，减少非特征区域的运算量，从而加快整个神经网络模型的运算速度。
(4)按照第二预设规则确定多个所述小组内的特征结点，并将多个所述特征结点作为所述全连接层的参数信息，完成对所述全连接层的参数的训练。
在本发明一实施方式中，所述按照第二预设规则确定多个所述小组内的特征结点的方法可以包括：
获取所述小组内各个结点对应的数值，对所述数值进行排序；选择最大数值对应的结点作为所述小组内的特征结点。例如，所述结点对应的数值为图像中像素的灰度值，对应的灰度范围为0到255。获取同一小组内每个结点对应灰度值，并对所述灰度值进行排序，选择同一小组内灰度值最大的结点最为所述小组内的特征结点。
在本发明又一实施方式中，所述按照第二预设规则确定多个所述小组内的特征结点的方法还可以包括：
获取所述小组内各个结点对应的数值，将所述数值与预设阈值进行比对；
若所述数值大于所述预设阈值，则将所述数值对应的结点作为小组内的特征结点。例如，获取同一小组内每个结点对应灰度值，将同一小组内的灰度值与一设定的阈值进行比较，若所述灰度值在所述阈值范围内，则所述灰度值对应的结点为所述小组内的特征结点。
在其他实施方式中，所述获取训练数据，利用所述训练数据训练神经网络模型的步骤还包括：
构建验证数据集；
利用所述验证数据集对训练后的神经网络模型进行验证，并根据验证结果统计所述神经网络模型预测的准确率；
判断所述预测的准确率是否小于预设阈值；
若所述预测的准确率不小于所述预设阈值，将训练完成的所述神经网络模型作为所述图像识别模型。
步骤S2、响应于接收到的图像识别指令，从所述图像识别指令中获取待处理图像。
其中，所述待处理图像可以由工作人员上传，也可以通过网络爬虫技术进行获取。
步骤S3、将所述待处理图像输入至所述图像识别模型中，输出图像识别结果。
在本发明一实施方式中，将所述待处理图像输入至所述图像识别模型中，输出图像识别结果的步骤可以包括：
获取待处理图像中像素的像素值和图像识别模型中全连接层的参数信息，其中所述全连接层的参数信息包括全连接层的输入层、全连接层的输出层、特征结点的位置；
查找所述全连接层的输入层中特征结点的位置，通过第一预设函数关系将所述待处理图像中像素的像素值转换为全连接层的输入层中特征结点的特征像素值；
查找所述全连接层的输出层中特征结点的位置，通过第二预设函数关系将所述全连接层的输入层中特征结点的特征像素值转换为所述全连接层的输出层中特征结点的特征像素值；
获取全连接层的输出层中特征结点的特征像素值，并利用所述输出层中特征结点的特征像素值输出图像识别结果。
在其他实施方式中，可以获取待处理图像中像素的RGB值、灰度值，将所述RGB值、灰度值导入到所述图像识别模型中，输出图像识别的结果。
上述图1、图2详细介绍了本发明的图像识别方法，下面结合第3-4图，对实现所述图像识别方法的软件装置的功能模块以及实现所述图像识别方法的硬件装置架构进行介绍。
应所述了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
图3为本发明图像识别装置较佳实施例的结构图。
在一些实施例中，图像识别装置10运行于计算机装置中。所述计算机装置通过网络连接了多个用户终端。所述图像识别装置10可以包括多个由程序代码段所组成的功能模块。所述图像识别装置10中的各个程序段的程序代码可以存储于计算机装置的存储器中，并由所述至少一个处理器所执行，以实现图像识别功能。
本实施例中，所述图像识别装置10根据其所执行的功能，可以被划分为多个功能模块。参阅图3所示，所述功能模块可以包括：训练模块101、获取模块102、输出模块103。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
所述训练模块101，用于利用所述训练数据训练神经网络模型的全连接层的参数，并将训练后的神经网络模型作为所述图像识别模型。
所述训练数据可以是已知图像特征信息的图片或视频。例如是已知产品瑕疵类型的图片，已知物体名称的物体照片、视频等。
对所述神经网络模型的全连接层的参数的训练步骤包括：
(1)获取所述神经网络模型中全连接层的运算程序。所述神经网络模型包括基于AlexNet算法的神经网络模型、基于VGG16算法的神经网络模型中的任意一种。
在本发明一实施方式中，所述神经网络模型是基于AlexNet算法的神经网络模型，包括5个卷积层，以及2个全连接层。获取所述基于AlexNet算法的神经网络模型中全连接层的运算程序。在其他实施方式中，所述全连接层的层数可以根据图像识别的精度进行调整，图像识别的精度要求越高，所述全连接层的层数越多。
(2)查找所述全连接层的运算程序中至少一层的结点。
例如分别查找基于AlexNet算法的神经网络模型中全连接层的第一层和全连接层的第二层中的结点。如图2所示，是本发明一实施例提供的基于AlexNet算法的神经网络模型示意图。图中的A层作为全连接层中的第一层，所述第一层的结点数位2048个。所述图像经过卷积层的运算后需要和全连接层中的第一层结点通过ReLU函数运算进行连接。
(3)将同一层内的结点按照第一预设规则分成多个小组。
在本发明一实施方式中，所述将同一层内的结点按照第一预设规则分成多个小组的方法可以包括：
根据所述同一层内的结点的位置以及结点的个数，及按照预设比例对所述同一层内的结点进行平均分组。例如，将全连接层中的第一层中相邻的两个结点分为一组，或将全连接层中的第一层中相邻的三个结点分为一组。同一小组内结点的数量可以根据神经网络模型所要达到的运算速度进行选择，其中神经网络模型的运算速度越快，则在同一小组内的结点数量越多。
在本发明又一实施方式中，所述将同一层内的结点按照第一预设规则分成多个小组的方法还可以包括：
根据所述同一层内的结点的位置，按照差分法选择预设位置的结点，将位于预设位置的结点分为第一组，将非预设位置的结点分为第二组，其中所述差分法包括等距离差分、非等距离差分。例如，按照神经网络模型中全连接层结点的特性，将特征信息区域的结点按照两个结点一组进行划分，在非特征信息区域的结点按照五个结点为一组进行划分。这种非等距离差分法可以最大化的保存特征区域的运算量，减少非特征区域的运算量，从而加快整个神经网络模型的运算速度。
(4)按照第二预设规则确定多个所述小组内的特征结点，并将多个所述特征结点作为所述全连接层的参数信息，完成对所述全连接层的参数的训练。
在本发明一实施方式中，所述按照第二预设规则确定多个所述小组内的特征结点的方法可以包括：
获取所述小组内各个结点对应的数值，对所述数值进行排序；选择最大数值对应的结点作为所述小组内的特征结点。例如，所述结点对应的数值为图像中像素的灰度值，对应的灰度范围为0到255。获取同一小组内每个结点对应灰度值，并对所述灰度值进行排序，选择同一小组内灰度值最大的结点最为所述小组内的特征结点。
在本发明又一实施方式中，所述按照第二预设规则确定多个所述小组内的特征结点的方法还可以包括：
获取所述小组内各个结点对应的数值，将所述数值与预设阈值进行比对；
若所述数值大于所述预设阈值，则将所述数值对应的结点作为小组内的特征结点。例如，获取同一小组内每个结点对应灰度值，将同一小组内的灰度值与一设定的阈值进行比较，若所述灰度值在所述阈值范围内，则所述灰度值对应的结点为所述小组内的特征结点。
在其他实施方式中，所述获取训练数据，利用所述训练数据训练神经网络模型的步骤还包括：
构建验证数据集；
利用所述验证数据集对训练后的神经网络模型进行验证，并根据验证结果统计所述神经网络模型预测的准确率；
判断所述预测的准确率是否小于预设阈值；
若所述预测的准确率不小于所述预设阈值，将训练完成的所述神经网络模型作为所述图像识别模型。
所述获取模块102，用于响应于接收到的图像识别指令，从所述图像识别指令中获取待处理图像。
其中，所述待处理图像可以由工作人员上传，也可以通过网络爬虫技术进行获取。
所述输出模块103，用于将所述待处理图像输入至所述图像识别模型中，输出图像识别结果。
在本发明一实施方式中，将所述待处理图像输入至所述图像识别模型中，输出图像识别结果的步骤可以包括：
获取待处理图像中像素的像素值和图像识别模型中全连接层的参数信息，其中所述全连接层的参数信息包括全连接层的输入层、全连接层的输出层、特征结点的位置；
查找所述全连接层的输入层中特征结点的位置，通过第一预设函数关系将所述待处理图像中像素的像素值转换为全连接层的输入层中特征结点的特征像素值；
查找所述全连接层的输出层中特征结点的位置，通过第二预设函数关系将所述全连接层的输入层中特征结点的特征像素值转换为所述全连接层的输出层中特征结点的特征像素值；
获取全连接层的输出层中特征结点的特征像素值，并利用所述输出层中特征结点的特征像素值输出图像识别结果。
在其他实施方式中，可以获取待处理图像中像素的RGB值、灰度值，将所述RGB值、灰度值导入到所述图像识别模型中，输出图像识别的结果。
图4为本发明计算机装置较佳实施例的示意图。
计算机装置1包括存储器20、处理器30以及存储在所述存储器20中并可在所述处理器30上运行的计算机程序40，例如图像识别程序。所述处理器30执行所述计算机程序40时实现上述图像识别方法实施例中的步骤，例如图1所示的步骤S1～S3。或者，所述处理器30执行所述计算机程序40时实现上述图像识别装置实施例中各模块/单元的功能，例如图3中的单元101-103。
示例性的，所述计算机程序40可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，所述指令段用于描述所述计算机程序40在所述计算机装置1中的执行过程。例如，所述计算机程序40可以被分割成图3中的训练模块101、获取模块102、输出模块103。
所述计算机装置1可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解，所述示意图仅仅是计算机装置1的示例，并不构成对计算机装置1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述计算机装置1还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。通用处理器可以是微处理器或者所述处理器30也可以是任何常规的处理器等，所述处理器30是所述计算机装置1的控制中心，利用各种接口和线路连接整个计算机装置1的各个部分。
所述存储器20可用于存储所述计算机程序40和/或模块/单元，所述处理器30通过运行或执行存储在所述存储器20内的计算机程序和/或模块/单元，以及调用存储在存储器20内的数据，实现所述计算机装置1的各种功能。所述存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机装置1的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述计算机装置1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，所述计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个实施例中，应所述理解到，所揭露的计算机装置和方法，可以通过其它的方式实现。例如，以上所描述的计算机装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
另外，在本发明各个实施例中的各功能单元可以集成在相同处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。计算机装置权利要求中陈述的多个单元或计算机装置也可以由同一个单元或计算机装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种图像识别方法，其特征在于，所述图像识别方法包括：
获取训练数据，利用所述训练数据训练神经网络模型的全连接层的参数，并将训练后的神经网络模型作为图像识别模型，其中，对所述神经网络模型的全连接层的参数的训练包括：
获取所述神经网络模型中全连接层的运算程序；
查找所述全连接层的运算程序中至少一层的结点；
将同一层内的结点按照第一预设规则分成多个小组；
按照第二预设规则确定多个所述小组内的特征结点，并将多个所述特征结点作为所述全连接层的参数信息，完成对所述全连接层的参数的训练；响应于接收到的图像识别指令，从所述图像识别指令中获取待处理图像；将所述待处理图像输入至所述图像识别模型中，输出图像识别结果，包括：
获取待处理图像中像素的像素值和图像识别模型中全连接层的参数信息，其中所述全连接层的参数信息包括全连接层的输入层、全连接层的输出层、特征结点的位置；
查找所述全连接层的输入层中特征结点的位置，通过第一预设函数关系将所述待处理图像中像素的像素值转换为全连接层的输入层中特征结点的特征像素值；
查找所述全连接层的输出层中特征结点的位置，通过第二预设函数关系将所述全连接层的输入层中特征结点的特征像素值转换为所述全连接层的输出层中特征结点的特征像素值；
获取全连接层的输出层中特征结点的特征像素值，并利用所述输出层中特征结点的特征像素值输出图像识别结果。
2.如权利要求1所述的图像识别方法，其特征在于，所述获取训练数据，利用所述训练数据训练神经网络模型还包括：
构建验证数据集；
利用所述验证数据集对训练后的神经网络模型进行验证，并根据验证结果统计所述神经网络模型预测的准确率；
判断所述预测的准确率是否小于预设阈值；
若所述预测的准确率不小于所述预设阈值，将训练完成的所述神经网络模型作为所述图像识别模型。
3.如权利要求1所述的图像识别方法，其特征在于，所述将同一层内的结点按照第一预设规则分成多个小组的方法包括：
根据所述同一层内的结点的位置以及结点的个数，及按照预设比例对所述同一层内的结点进行平均分组。
4.如权利要求1所述的图像识别方法，其特征在于，所述将同一层内的结点按照第一预设规则分成多个小组的方法还包括：
根据所述同一层内的结点的位置，按照差分法选择预设位置的结点，将位于预设位置的结点分为第一组，将非预设位置的结点分为第二组，其中所述差分法包括等距离差分、非等距离差分。
5.如权利要求1所述的图像识别方法，其特征在于，所述按照第二预设规则确定多个所述小组内的特征结点的方法包括：
获取所述小组内各个结点对应的数值，对所述数值进行排序；
选择最大数值对应的结点作为所述小组内的特征结点。
6.如权利要求1所述的图像识别方法，其特征在于，所述按照第二预设规则确定多个所述小组内的特征结点的方法还包括：
获取所述小组内各个结点对应的数值，将所述数值与预设阈值进行比对；
若所述数值大于所述预设阈值，则将所述数值对应的结点作为小组内的特征结点。
7.一种图像识别装置，其特征在于，所述装置包括：
训练模块，用于利用训练数据训练神经网络模型的全连接层的参数，并将训练后的神经网络模型作为图像识别模型，其中，对所述神经网络模型的全连接层的参数的训练包括：
获取所述神经网络模型中全连接层的运算程序；
查找所述全连接层的运算程序中至少一层的结点；
将同一层内的结点按照第一预设规则分成多个小组；及
按照第二预设规则确定多个所述小组内的特征结点，并将多个所述特征结点作为所述全连接层的参数信息，完成对所述全连接层的参数的训练；
获取模块，用于响应于接收到的图像识别指令，从所述图像识别指令中获取待处理图像；
输出模块，用于将所述待处理图像输入至所述图像识别模型中，输出图像识别结果，包括：获取待处理图像中像素的像素值和图像识别模型中全连接层的参数信息，其中所述全连接层的参数信息包括全连接层的输入层、全连接层的输出层、特征结点的位置；查找所述全连接层的输入层中特征结点的位置，通过第一预设函数关系将所述待处理图像中像素的像素值转换为全连接层的输入层中特征结点的特征像素值；查找所述全连接层的输出层中特征结点的位置，通过第二预设函数关系将所述全连接层的输入层中特征结点的特征像素值转换为所述全连接层的输出层中特征结点的特征像素值；获取全连接层的输出层中特征结点的特征像素值，并利用所述输出层中特征结点的特征像素值输出图像识别结果。
8.一种计算机装置，其特征在于：所述计算机装置包括处理器与存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1-6中任一项所述的图像识别方法。
9.一种存储介质，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如权利要求1-6中任一项所述的图像识别方法。
CN202010463865.7A 2020-05-27 2020-05-27 图像识别方法、装置、计算机装置及存储介质 Active CN113743427B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010463865.7A CN113743427B (zh) 2020-05-27 2020-05-27 图像识别方法、装置、计算机装置及存储介质
US17/195,891 US11948081B2 (en) 2020-05-27 2021-03-09 Image recognition method and computing device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010463865.7A CN113743427B (zh) 2020-05-27 2020-05-27 图像识别方法、装置、计算机装置及存储介质

Publications (2)

Publication Number Publication Date
CN113743427A CN113743427A (zh) 2021-12-03
CN113743427B true CN113743427B (zh) 2023-10-31

Family

ID=78706388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010463865.7A Active CN113743427B (zh) 2020-05-27 2020-05-27 图像识别方法、装置、计算机装置及存储介质

Country Status (2)

Country Link
US (1) US11948081B2 (zh)
CN (1) CN113743427B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650922A (zh) * 2016-09-29 2017-05-10 清华大学 硬件神经网络转换方法、计算装置、编译方法和神经网络软硬件协作系统
CN110674716A (zh) * 2019-09-16 2020-01-10 腾讯云计算（北京）有限责任公司 图像识别方法、装置和存储介质
CN110689117A (zh) * 2019-09-27 2020-01-14 北京百度网讯科技有限公司 基于神经网络的信息处理方法和装置
CN110914829A (zh) * 2017-04-07 2020-03-24 英特尔公司 使用改进的卷积神经网络用于图像处理的方法和系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460649A (zh) 2017-02-22 2018-08-28 阿里巴巴集团控股有限公司 一种图像识别方法及装置
US20200051176A1 (en) * 2017-03-31 2020-02-13 Nec Corporation Analysis system
WO2019138983A1 (ja) * 2018-01-10 2019-07-18 日本電気株式会社 一致判定装置、一致判定方法、記憶媒体
CN109063742B (zh) * 2018-07-06 2023-04-18 平安科技（深圳）有限公司 蝴蝶识别网络构建方法、装置、计算机设备及存储介质
US11379555B2 (en) * 2019-06-28 2022-07-05 Amazon Technologies, Inc. Dilated convolution using systolic array
JP7349870B2 (ja) * 2019-10-03 2023-09-25 キヤノン株式会社 医用画像処理装置、断層撮影装置、医用画像処理方法及びプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650922A (zh) * 2016-09-29 2017-05-10 清华大学 硬件神经网络转换方法、计算装置、编译方法和神经网络软硬件协作系统
CN110914829A (zh) * 2017-04-07 2020-03-24 英特尔公司 使用改进的卷积神经网络用于图像处理的方法和系统
CN110674716A (zh) * 2019-09-16 2020-01-10 腾讯云计算（北京）有限责任公司 图像识别方法、装置和存储介质
CN110689117A (zh) * 2019-09-27 2020-01-14 北京百度网讯科技有限公司 基于神经网络的信息处理方法和装置

Also Published As

Publication number Publication date
CN113743427A (zh) 2021-12-03
US11948081B2 (en) 2024-04-02
US20210374471A1 (en) 2021-12-02

Similar Documents

Publication Publication Date Title
US11816570B2 (en) Method for accelerated detection of object in videos, server, and non-transitory computer readable storage medium
CN112015603A (zh) 用户终端硬件检测方法、装置、计算机装置及存储介质
CN110399487B (zh) 一种文本分类方法、装置、电子设备及存储介质
CN111489517B (zh) 螺丝锁附异常警报方法、装置、计算机装置及存储介质
CN114764768A (zh) 缺陷检测分类方法、装置、电子设备及存储介质
CN107832794A (zh) 一种卷积神经网络生成方法、车系识别方法及计算设备
CN113821330B (zh) 任务调度方法、装置、计算机设备和存储介质
CN112488287A (zh) 卷积神经网络压缩方法、系统、设备及介质
CN112711963A (zh) 用户终端故障检测方法、装置、计算机装置及存储介质
CN113743427B (zh) 图像识别方法、装置、计算机装置及存储介质
CN115035017A (zh) 细胞密度分群方法、装置、电子设备及存储介质
CN111667046A (zh) 深度学习加速方法及用户终端
CN115909009A (zh) 图像识别方法、装置、存储介质及电子设备
TWI775084B (zh) 圖像識別方法、裝置、電腦裝置及存儲介質
CN115830362A (zh) 图像处理方法、装置、设备、介质及产品
CN113093967A (zh) 数据生成方法、装置、计算机装置及存储介质
CN114566160A (zh) 语音处理方法、装置、计算机设备、存储介质
CN109614854B (zh) 视频数据处理方法及装置、计算机装置及可读存储介质
TWI712033B (zh) 聲音識別方法、裝置、電腦裝置及存儲介質
US12002272B2 (en) Method and device for classifing densities of cells, electronic device using method, and storage medium
CN112489687A (zh) 一种基于序列卷积的语音情感识别方法及装置
US20220207892A1 (en) Method and device for classifing densities of cells, electronic device using method, and storage medium
TW202127327A (zh) 資料生成方法、裝置、電腦裝置及存儲介質
CN111768799A (zh) 声音识别方法、装置、计算机装置及存储介质
US20220178814A1 (en) Method for calculating a density of stem cells in a cell image, electronic device, and storage medium

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