CN118097197A - 一种图像识别神经网络模型的匹配方法 - Google Patents

Abstract

本发明公开了一种图像识别神经网络模型的匹配方法，属于神经网络技术领域，包括：获取各待选神经网络模型的历史图像识别信息；根据各待选神经网络模型的历史图像识别信息，对目标图像数据集进行识别处理，获取目标图像数据集与各待选神经网络模型的综合匹配度；根据综合匹配度筛选与目标图像数据集的优选神经网络模型，获取优选神经网络模型数据集。本发明根据综合匹配度建立优选神经网络模型数据集并进行识别质效分析处理，获取与优选神经网络模型对应的综合处理质效评估指数，利用综合处理质效评估指数筛选出最优神经网络模型，其与目标图像数据集具有高适配度且最优神经网络模型针对目标图像数据集也具有高处理效率和处理质量。

Description

一种图像识别神经网络模型的匹配方法

技术领域

本发明涉及一种图像识别神经网络模型的匹配方法，属于神经网络技术领域。

背景技术

在当今的人工智能领域，神经网络模型已经成为了处理和分析图像数据集的重要工具。无论是在计算机视觉、模式识别还是深度学习等领域，神经网络模型都发挥着至关重要的作用，不同的神经网络模型有着不同的特性和优势。若图像数据集与选择的适合神经网络模型适配度不高，影响后续图像数据集的识别精度，甚至无法正确识别图像，因此，根据图像数据集的特性和需求，选择适合的神经网络模型是至关重要的。

现有技术中为图像数据集选择适合的神经网络模型，在一定程度上可以满足当前要求，但是还存在一定的缺陷，其具体体现在以下几个层面：

大多由工作人员为图像数据集选择适合的神经网络模型，工作人员的选择主观性较强，进而会导致图像数据集选择适合的神经网络模型的标准不一致，难以保障图像数据集选择的神经网络模型的适配度，降低神经网络模型识别图像数据集的效率，难以保障神经网络模型识别图像数据集的准确性；

在为图像数据集选择适合的神经网络模型时，对神经网络模型的历史处理相关信息的关注度不高，神经网络模型的历史处理相关信息在一定程度上体现着神经网络模型的处理质量和处理效率，现有技术中对这一层面的忽视导致神经网络模型的处理质量和处理效率与目标图像数据集的适配性，容易出现神经网络模型与图像数据集适配，但是处理质量和处理效率不高的现象，进而降低目标图像数据集的识别精度，影响后续目标图像数据集的识别质量和效率。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种图像识别神经网络模型的匹配方法，根据各待选神经网络模型的历史图像识别信息对待选神经网络模型进行多次筛选，选取的图像识别神经网络模型适配度、识别精确度高，解决了当前依靠人工经验选取图像识别神经网络模型识别精度低的问题。

为解决上述技术问题，本发明是采用下述技术方案实现的：

本发明提供了一种图像识别神经网络模型的匹配方法，包括：

获取各待选神经网络模型的历史图像识别信息；

根据各待选神经网络模型的历史图像识别信息，对目标图像数据集进行识别处理，获取目标图像数据集与各待选神经网络模型的综合匹配度；

根据目标图像数据集与各待选神经网络模型的综合匹配度筛选与目标图像数据集对应的优选神经网络模型，获取优选神经网络模型数据集；

对优选神经网络模型数据集进行识别质效分析处理，获取优选神经网络模型所对应的综合处理质效评估指数；

根据优选神经网络模型对应的综合处理质效评估指数筛选出最优神经网络模型。

进一步地，所述根据各待选神经网络模型的历史图像识别信息，对目标图像数据集进行识别处理，获取目标图像数据集与各待选神经网络模型的综合匹配度，包括：

根据各待选神经网络模型的历史图像识别信息，获取各待选神经网络模型各次历史图像数据集的预计识别类别、各图像的基本信息；

获取目标图像数据集的预计识别类别、各图像的基本信息；

获取目标图像数据集与各待选神经网络模型各次历史图像数据集的预计识别类别匹配度；

根据目标图像数据集中各图像的基本信息、各待选神经网络模型各次历史图像数据集中各图像的基本信息，获取目标图像数据集与各待选神经网络模型各次历史图像数据集中各图像的图像基本信息相似度；

根据目标图像数据集与各待选神经网络模型各次历史图像数据集的预计识别类别匹配度、目标图像数据集与各待选神经网络模型各次历史图像数据集中各图像的图像基本信息相似度，获取目标图像数据集与各待选神经网络模型的综合匹配度。

更进一步地，所述获取目标图像数据集与各待选神经网络模型各次历史图像数据集的预计识别类别匹配度，包括：

将目标图像数据集的预计识别类别与各待选神经网络模型各次历史图像数据集的预计识别类别进行对比；

判断目标图像数据集的预计识别类别与各待选神经网络模型中某个待选神经网络模型的某次历史图像数据集的预计识别类别是否匹配成功；

若目标图像数据集的预计识别类别与各待选神经网络模型中某个待选神经网络模型的某次历史图像数据集的预计识别类别匹配成功，则将目标图像数据集与该待选神经网络模型的该次历史图像数据集的预计识别类别匹配度标记为α，否则标记为α´。

更进一步地，所述获取目标图像数据集与各待选神经网络模型各次历史图像数据集中各图像的图像基本信息相似度，包括：

筛选目标图像数据集与各待选神经网络模型各次历史图像数据集的相似图像；

统计目标图像数据集与各待选神经网络模型各次历史图像数据集的相似图像的数量；

根据目标图像数据集中图像的数量、相似图像的数量计算图像基本信息相似度，包括：

；

其中：表示相似图像的数量，/>表示目标图像数据集中图像的数量；

表示各待神经网络模型的编号，/>；/>表示待选神经网络模型的数量；

表示各待神经网络模型各次历史图像的识别编号，/> ，/>表示待选神经网络模型各次历史图像的识别次数；

表示目标图像数据集中各图像的编号，/>；/>表示目标图像数据集中图像的数量；

表示各待选神经网络模型各次历史图像数据集中各图像的编号，；/>表示历史图像数据集中图像的数量；

_jimp 表示目标图像数据集中各图像与各待选神经网络模型各次历史图像数据集中各图像的基本信息相似度。

更进一步地，所述筛选目标图像数据集与各待选神经网络模型各次历史图像数据集的相似图像，包括：

从各待选神经网络模型各次历史图像数据集中图像的基本信息提取像素点数量、分辨率/>、清晰度/>和噪点数量/>；

从目标图像数据集中图像的基本信息提取像素点数量、分辨率/>、清晰度和噪点数量/>；

计算目标图像数据集中各图像与各待选神经网络模型各次历史图像数据集中各图像的基本信息相似度，包括：

；

其中：

表示预设的像素点数量相似对应的占比因子，/>表示预设的分辨率相似对应的占比因子，/>表示预设的清晰度相似对应的占比因子，/>表示预设的噪点数量相似对应的占比因子；

将基本信息相似度与预设基本信息相似度阈值进行对比，若目标数据集中图像对应的基本信息相似度/>大于或等于预设基本信息相似度阈值，则将目标数据集中的该图像标记为相似图像。

更进一步地，所述根据目标图像数据集与各待选神经网络模型各次历史图像数据集的预计识别类别匹配度、目标图像数据集与各待选神经网络模型各次历史图像数据集中各图像的图像基本信息相似度，获取目标图像数据集与各待选神经网络模型的综合匹配度，包括：

；

；

其中：

表示目标图像数据集与各待选神经网络模型的综合匹配度；

e表示常数；

_im 表示预计识别类别匹配度，/>=α或α´；

表示图像基本信息相似度；

表示目标图像数据集与各待选神经网络模型各次历史图像识别匹配度；

表示预设预计识别类别匹配度的影响权重因子，/>表示预设图像基本信息相似度的影响权重因子，/>，/>的取值范围为（0，1）；

表示目标图像数据集与第/>个待选神经网络模型第/>次历史图像识别匹配度；

表示预设平均匹配度对应的权值因子，/>表示预设匹配度波动对应的权值因子。

更进一步地，所述根据目标图像数据集与各待选神经网络模型的综合匹配度筛选与目标图像数据集对应的优选神经网络模型，获取优选神经网络模型数据集，包括：

判断目标图像数据集与各待选神经网络模型的综合匹配度同预设适配度阈值是否匹配，若目标图像数据集与各待选神经网络模型的综合匹配度大于或等于预设适配度阈值，则判断该待选神经网络模型为优选神经网络模型；

选取目标图像数据集的各优选神经网络模型，构建优选神经网络模型数据集。

进一步地，所述对优选神经网络模型数据集进行识别质效分析处理，获取优选神经网络模型所对应的综合处理质效评估指数，包括：

根据各优选神经网络模型的各次历史图像数据集的历史图像识别信息和对应的处理信息，获取各优选神经网络模型所对应的处理质量评估指数、识别效率评估指数；

根据处理质量评估指数、识别效率评估指数，获取对应的综合处理质效评估指数。

更进一步地，所述根据各优选神经网络模型的各次历史图像数据集的历史图像识别信息和对应的处理信息，获取各优选神经网络模型所对应的处理质量评估指数、识别效率评估指数，包括：

从各优选神经网络模型的各次历史图像数据集的历史图像识别信息中，获取各优选神经网络模型的各次历史图像数据集对应的预计识别类别和目标各类别；

从各优选神经网络模型的各次历史图像数据集的历史图像识别信息所对应的处理信息中，获取预计识别类别的概率和预计识别类别的识别时长；

根据预计识别类别和目标各类别，获取对应优选神经网络模型的预计识别类别的预计概率；

根据各优选神经网络模型的预计识别类别的预计概率和预计识别类别的概率，获取对应的处理质量评估指数，包括：

；

其中：

表示各优选神经网络模型所对应的处理质量评估指数；

表示各优选神经网络的编号；

s表示各优选神经网络模型各次历史图像的识别编号，s=1，2，……，S；

S表示各优选神经网络模型各次历史图像的识别次数；

´表示各优选神经网络模型各次历史图像数据集中各图像的预计识别类别的预计概率；

表示各优选神经网络模型各次历史图像数据集中各图像的预计识别类别的概率；

表示各优选神经网络模型各次历史图像数据集中各图像的编号；

根据各优选神经网络模型的各次历史图像数据集的各图像的预计识别类别的识别时长，获取对应的识别效率评估指数，包括：

；

其中：

表示各优选神经网络模型所对应识别效率评估指数；

e表示常数；

表示各优选神经网络模型的各次历史图像数据集的各图像的预计识别类别的识别时长；

表示各优选神经网络模型的各次历史图像数据集的各图像的预计识别类别的参考识别时长。

进一步地，所述根据优选神经网络模型对应的综合处理质效评估指数筛选出最优神经网络模型，包括：

对比优选神经网络模型数据集中各优选神经网络模型的综合处理质效评估指数；

将优选神经网络模型数据集中综合处理质效评估指数最大的优选神经网络模型作为最优神经网络模型。

与现有技术相比，本发明所达到的有益效果：

本发明根据各待选神经网络模型的历史图像识别信息得到与目标图像数据集相对应的综合匹配度，并根据综合匹配度建立优选神经网络模型数据集，通过对优选神经网络模型数据集进行识别质效分析处理，获取与优选神经网络模型对应的综合处理质效评估指数，利用综合处理质效评估指数从优选神经网络模型数据集中筛选出最优神经网络模型，筛选出的最优神经网络模型与目标图像数据集具有高适配度且最优神经网络模型针对目标图像数据集也具有高处理效率和处理质量，解决了当前依靠人工经验选取图像识别神经网络模型识别精度低的问题。

附图说明

图1是本发明实施例提供的一种图像识别神经网络模型的匹配方法的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

实施例一：

如图1所示，为本发明实施例提供的一种图像识别神经网络模型的匹配方法的流程图，包括：

获取各待选神经网络模型的历史图像识别信息，本实施例从web数据库中获取各待选神经网络模型的历史图像识别信息；

根据各待选神经网络模型的历史图像识别信息，对目标图像数据集进行识别处理，获取目标图像数据集与各待选神经网络模型的综合匹配度，具体的：

根据各待选神经网络模型的历史图像识别信息，获取各待选神经网络模型各次历史图像数据集的预计识别类别、各图像的基本信息；

获取目标图像数据集的预计识别类别、各图像的基本信息；

获取目标图像数据集与各待选神经网络模型各次历史图像数据集的预计识别类别匹配度，包括：将目标图像数据集的预计识别类别与各待选神经网络模型各次历史图像数据集的预计识别类别进行对比；

判断目标图像数据集的预计识别类别与各待选神经网络模型中某个待选神经网络模型的某次历史图像数据集的预计识别类别是否匹配成功；

若目标图像数据集的预计识别类别与各待选神经网络模型中某个待选神经网络模型的某次历史图像数据集的预计识别类别匹配成功，则将目标图像数据集与该待选神经网络模型的该次历史图像数据集的预计识别类别匹配度标记为α，否则标记为α´。

根据目标图像数据集中各图像的基本信息、各待选神经网络模型各次历史图像数据集中各图像的基本信息，获取目标图像数据集与各待选神经网络模型各次历史图像数据集中各图像的图像基本信息相似度，包括：

筛选目标图像数据集与各待选神经网络模型各次历史图像数据集的相似图像，其中：从各待选神经网络模型各次历史图像数据集中图像的基本信息提取像素点数量、分辨率/>、清晰度/>和噪点数量/>；

从目标图像数据集中图像的基本信息提取像素点数量、分辨率/>、清晰度和噪点数量/>。

计算目标图像数据集中各图像与各待选神经网络模型各次历史图像数据集中各图像的基本信息相似度，包括：

；

其中：

表示预设的像素点数量相似对应的占比因子，/>表示预设的分辨率相似对应的占比因子，/>表示预设的清晰度相似对应的占比因子，/>表示预设的噪点数量相似对应的占比因子；

将基本信息相似度与预设基本信息相似度阈值进行对比，若目标数据集中图像对应的基本信息相似度/>大于或等于预设基本信息相似度阈值，则将目标数据集中的该图像标记为相似图像；

统计目标图像数据集与各待选神经网络模型各次历史图像数据集的相似图像的数量。

根据目标图像数据集中图像的数量、相似图像的数量计算图像基本信息相似度，包括：

；

其中：表示相似图像的数量，/>表示目标图像数据集中图像的数量；

表示各待神经网络模型的编号，/>；/>表示待选神经网络模型的数量；

表示各待神经网络模型各次历史图像的识别编号，/> ，/>表示待选神经网络模型各次历史图像的识别次数；

表示目标图像数据集中各图像的编号，/>；/>表示目标图像数据集中图像的数量；

表示各待选神经网络模型各次历史图像数据集中各图像的编号，；/>表示历史图像数据集中图像的数量；

表示目标图像数据集中各图像与各待选神经网络模型各次历史图像数据集中各图像的基本信息相似度。

根据目标图像数据集与各待选神经网络模型各次历史图像数据集的预计识别类别匹配度、目标图像数据集与各待选神经网络模型各次历史图像数据集中各图像的图像基本信息相似度，获取目标图像数据集与各待选神经网络模型的综合匹配度，包括：

；

；

其中：

表示目标图像数据集与各待选神经网络模型的综合匹配度；

e表示常数；

表示预计识别类别匹配度，/>=α或α´；

表示图像基本信息相似度；

表示目标图像数据集与各待选神经网络模型各次历史图像识别匹配度；

表示预设预计识别类别匹配度的影响权重因子，/>表示预设图像基本信息相似度的影响权重因子，/>，/>的取值范围为（0，1）；

表示目标图像数据集与第/>个待选神经网络模型第/>次历史图像识别匹配度；

表示预设平均匹配度对应的权值因子，/>表示预设匹配度波动对应的权值因子。

根据目标图像数据集与各待选神经网络模型的综合匹配度筛选与目标图像数据集对应的优选神经网络模型，获取优选神经网络模型数据集，具体的：

判断目标图像数据集与各待选神经网络模型的综合匹配度同预设适配度阈值是否匹配，若目标图像数据集与各待选神经网络模型的综合匹配度大于或等于预设适配度阈值，则判断该待选神经网络模型为优选神经网络模型；

选取目标图像数据集的各优选神经网络模型，构建优选神经网络模型数据集。

对优选神经网络模型数据集进行识别质效分析处理，获取优选神经网络模型所对应的综合处理质效评估指数，具体的：

根据各优选神经网络模型的各次历史图像数据集的历史图像识别信息和对应的处理信息，获取各优选神经网络模型所对应的处理质量评估指数、识别效率评估指数，其中：

从各优选神经网络模型的各次历史图像数据集的历史图像识别信息中，获取各优选神经网络模型的各次历史图像数据集对应的预计识别类别和目标各类别；

从各优选神经网络模型的各次历史图像数据集的历史图像识别信息所对应的处理信息中，获取预计识别类别的概率和预计识别类别的识别时长；

根据预计识别类别和目标各类别，获取对应优选神经网络模型的预计识别类别的预计概率。

根据各优选神经网络模型的预计识别类别的预计概率和预计识别类别的概率，获取对应的处理质量评估指数，包括：

；

其中：表示各优选神经网络模型所对应的处理质量评估指数；

表示各优选神经网络的编号；

s表示各优选神经网络模型各次历史图像的识别编号，s=1，2，……，S；

S表示各优选神经网络模型各次历史图像的识别次数；

´表示各优选神经网络模型各次历史图像数据集中各图像的预计识别类别的预计概率；

表示各优选神经网络模型各次历史图像数据集中各图像的预计识别类别的概率；

表示各优选神经网络模型各次历史图像数据集中各图像的编号。

根据各优选神经网络模型的各次历史图像数据集的各图像的预计识别类别的识别时长，获取对应的识别效率评估指数，包括：

；

其中：

表示各优选神经网络模型所对应识别效率评估指数；

e表示常数；

表示各优选神经网络模型的各次历史图像数据集的各图像的预计识别类别的识别时长；

表示各优选神经网络模型的各次历史图像数据集的各图像的预计识别类别的参考识别时长。

根据处理质量评估指数、识别效率评估指数，获取对应的综合处理质效评估指数，包括：

；

表示各优选神经网络模型所对应综合处理质效评估指数；

根据优选神经网络模型对应的综合处理质效评估指数筛选出最优神经网络模型，具体的：对比优选神经网络模型数据集中各优选神经网络模型的综合处理质效评估指数；

将优选神经网络模型数据集中综合处理质效评估指数最大的优选神经网络模型作为最优神经网络模型。

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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种图像识别神经网络模型的匹配方法，其特征在于，包括：

获取各待选神经网络模型的历史图像识别信息；

根据各待选神经网络模型的历史图像识别信息，对目标图像数据集进行识别处理，获取目标图像数据集与各待选神经网络模型的综合匹配度；

根据目标图像数据集与各待选神经网络模型的综合匹配度筛选与目标图像数据集对应的优选神经网络模型，获取优选神经网络模型数据集；

对优选神经网络模型数据集进行识别质效分析处理，获取优选神经网络模型所对应的综合处理质效评估指数；

根据优选神经网络模型对应的综合处理质效评估指数筛选出最优神经网络模型。

2.根据权利要求1所述的图像识别神经网络模型的匹配方法，其特征在于，所述根据各待选神经网络模型的历史图像识别信息，对目标图像数据集进行识别处理，获取目标图像数据集与各待选神经网络模型的综合匹配度，包括：

根据各待选神经网络模型的历史图像识别信息，获取各待选神经网络模型各次历史图像数据集的预计识别类别、各图像的基本信息；

获取目标图像数据集的预计识别类别、各图像的基本信息；

获取目标图像数据集与各待选神经网络模型各次历史图像数据集的预计识别类别匹配度；

根据目标图像数据集中各图像的基本信息、各待选神经网络模型各次历史图像数据集中各图像的基本信息，获取目标图像数据集与各待选神经网络模型各次历史图像数据集中各图像的图像基本信息相似度；

根据目标图像数据集与各待选神经网络模型各次历史图像数据集的预计识别类别匹配度、目标图像数据集与各待选神经网络模型各次历史图像数据集中各图像的图像基本信息相似度，获取目标图像数据集与各待选神经网络模型的综合匹配度。

3.根据权利要求2所述的图像识别神经网络模型的匹配方法，其特征在于，所述获取目标图像数据集与各待选神经网络模型各次历史图像数据集的预计识别类别匹配度，包括：

将目标图像数据集的预计识别类别与各待选神经网络模型各次历史图像数据集的预计识别类别进行对比；

判断目标图像数据集的预计识别类别与各待选神经网络模型中某个待选神经网络模型的某次历史图像数据集的预计识别类别是否匹配成功；

若目标图像数据集的预计识别类别与各待选神经网络模型中某个待选神经网络模型的某次历史图像数据集的预计识别类别匹配成功，则将目标图像数据集与该待选神经网络模型的该次历史图像数据集的预计识别类别匹配度标记为α，否则标记为α´。

4.根据权利要求2所述的图像识别神经网络模型的匹配方法，其特征在于，所述获取目标图像数据集与各待选神经网络模型各次历史图像数据集中各图像的图像基本信息相似度，包括：

筛选目标图像数据集与各待选神经网络模型各次历史图像数据集的相似图像；

统计目标图像数据集与各待选神经网络模型各次历史图像数据集的相似图像的数量；

根据目标图像数据集中图像的数量、相似图像的数量计算图像基本信息相似度，包括：

；

其中：表示相似图像的数量，/>表示目标图像数据集中图像的数量；

表示各待神经网络模型的编号，/>；/>表示待选神经网络模型的数量；

表示各待神经网络模型各次历史图像的识别编号，/>，/>表示待选神经网络模型各次历史图像的识别次数；

表示目标图像数据集中各图像的编号，/>；/>表示目标图像数据集中图像的数量；

表示各待选神经网络模型各次历史图像数据集中各图像的编号，；/>表示历史图像数据集中图像的数量；

表示目标图像数据集中各图像与各待选神经网络模型各次历史图像数据集中各图像的基本信息相似度。

5.根据权利要求4所述的图像识别神经网络模型的匹配方法，其特征在于，所述筛选目标图像数据集与各待选神经网络模型各次历史图像数据集的相似图像，包括：

从各待选神经网络模型各次历史图像数据集中图像的基本信息提取像素点数量、分辨率/>、清晰度/>和噪点数量/>；

从目标图像数据集中图像的基本信息提取像素点数量、分辨率/>、清晰度/>和噪点数量/>；

计算目标图像数据集中各图像与各待选神经网络模型各次历史图像数据集中各图像的基本信息相似度，包括：

；

其中：

表示预设的像素点数量相似对应的占比因子，/>表示预设的分辨率相似对应的占比因子，/>表示预设的清晰度相似对应的占比因子，/>表示预设的噪点数量相似对应的占比因子；

将基本信息相似度与预设基本信息相似度阈值进行对比，若目标数据集中图像对应的基本信息相似度/>大于或等于预设基本信息相似度阈值，则将目标数据集中的该图像标记为相似图像。

6.根据权利要求4所述的图像识别神经网络模型的匹配方法，其特征在于，所述根据目标图像数据集与各待选神经网络模型各次历史图像数据集的预计识别类别匹配度、目标图像数据集与各待选神经网络模型各次历史图像数据集中各图像的图像基本信息相似度，获取目标图像数据集与各待选神经网络模型的综合匹配度，包括：

；

；

其中：

表示目标图像数据集与各待选神经网络模型的综合匹配度；

e表示常数；

表示预计识别类别匹配度，/>=α或α´；

表示图像基本信息相似度；

表示目标图像数据集与各待选神经网络模型各次历史图像识别匹配度；

表示预设预计识别类别匹配度的影响权重因子，/>表示预设图像基本信息相似度的影响权重因子，/>，/>的取值范围为（0，1）；

表示目标图像数据集与第/>个待选神经网络模型第/>次历史图像识别匹配度；

表示预设平均匹配度对应的权值因子，/>表示预设匹配度波动对应的权值因子。

7.根据权利要求6所述的图像识别神经网络模型的匹配方法，其特征在于，所述根据目标图像数据集与各待选神经网络模型的综合匹配度筛选与目标图像数据集对应的优选神经网络模型，获取优选神经网络模型数据集，包括：

判断目标图像数据集与各待选神经网络模型的综合匹配度同预设适配度阈值是否匹配，若目标图像数据集与各待选神经网络模型的综合匹配度大于或等于预设适配度阈值，则判断该待选神经网络模型为优选神经网络模型；

选取目标图像数据集的各优选神经网络模型，构建优选神经网络模型数据集。

8.根据权利要求1所述的图像识别神经网络模型的匹配方法，其特征在于，所述对优选神经网络模型数据集进行识别质效分析处理，获取优选神经网络模型所对应的综合处理质效评估指数，包括：

根据各优选神经网络模型的各次历史图像数据集的历史图像识别信息和对应的处理信息，获取各优选神经网络模型所对应的处理质量评估指数、识别效率评估指数；

根据处理质量评估指数、识别效率评估指数，获取对应的综合处理质效评估指数。

9.根据权利要求8所述的图像识别神经网络模型的匹配方法，其特征在于，所述根据各优选神经网络模型的各次历史图像数据集的历史图像识别信息和对应的处理信息，获取各优选神经网络模型所对应的处理质量评估指数、识别效率评估指数，包括：

从各优选神经网络模型的各次历史图像数据集的历史图像识别信息中，获取各优选神经网络模型的各次历史图像数据集对应的预计识别类别和目标各类别；

从各优选神经网络模型的各次历史图像数据集的历史图像识别信息所对应的处理信息中，获取预计识别类别的概率和预计识别类别的识别时长；

根据预计识别类别和目标各类别，获取对应优选神经网络模型的预计识别类别的预计概率；

根据各优选神经网络模型的预计识别类别的预计概率和预计识别类别的概率，获取对应的处理质量评估指数，包括：

；

其中：

表示各优选神经网络模型所对应的处理质量评估指数；

表示各优选神经网络的编号；

s表示各优选神经网络模型各次历史图像的识别编号，s=1，2，……，S；

S表示各优选神经网络模型各次历史图像的识别次数；

´表示各优选神经网络模型各次历史图像数据集中各图像的预计识别类别的预计概率；

表示各优选神经网络模型各次历史图像数据集中各图像的预计识别类别的概率；

表示各优选神经网络模型各次历史图像数据集中各图像的编号；

根据各优选神经网络模型的各次历史图像数据集的各图像的预计识别类别的识别时长，获取对应的识别效率评估指数，包括：

；

其中：

表示各优选神经网络模型所对应识别效率评估指数；

e表示常数；

表示各优选神经网络模型的各次历史图像数据集的各图像的预计识别类别的识别时长；

表示各优选神经网络模型的各次历史图像数据集的各图像的预计识别类别的参考识别时长。

10.根据权利要求1所述的图像识别神经网络模型的匹配方法，其特征在于，所述根据优选神经网络模型对应的综合处理质效评估指数筛选出最优神经网络模型，包括：

对比优选神经网络模型数据集中各优选神经网络模型的综合处理质效评估指数；

将优选神经网络模型数据集中综合处理质效评估指数最大的优选神经网络模型作为最优神经网络模型。