CN106096619A - 基于人工智能技术的配匙方法及*** - Google Patents

Abstract

本发明涉及配匙技术领域，具体涉及一种基于人工智能技术的配匙方法及***。本发明提供了一种基于人工智能技术的自动配匙方法及***，其中的方法包括：获取钥匙图片并存储于云端；采用计算机视觉算法对钥匙图片进行对正；利用计算机视觉算法中的特征提取技术提取对正后的钥匙图片的图像特征；根据图像特征、机器学习算法和模式识别算法获取钥匙类型；根据钥匙类型、计算机视觉算法和图像处理算法获取钥匙的具体信息；根据钥匙的具体信息进行配制。本发明用于安防领域中的实体防护产品的配匙，能够解决钥匙遗忘、丢失及磨损等问题后无法开启锁具的难题，为各种突发情况提供了一个全新的解决方案，同时使得配匙更加方便、简单、安全、快捷。

Description

基于人工智能技术的配匙方法及***

技术领域

本发明涉及配匙技术领域，具体涉及一种基于人工智能技术的配匙方法及***。

背景技术

在现实生活中，我们每天都会用到各种各样的钥匙，比如车钥匙、防盗门钥匙、抽屉钥匙、保险柜钥匙、自动柜员机钥匙、金库门钥匙、枪柜钥匙、弹药库门钥匙等。钥匙配制是人们经常遇到的问题，据粗略统计，每年有1亿人需要配制钥匙，另外，有5000万人丢失或忘带钥匙寻求锁匠帮助。然而，传统的配匙方式即不方便又存在严重的安全隐患。遇到钥匙遗忘、丢失及磨损等问题却没有钥匙备份的情况，只能求助于开锁公司，费用高昂，费时费力不安全。

在锁匠行业，传统的配匙机器包括目前最先进的数控机器，需要购买种类繁多的钥匙坯，每种钥匙对应一种钥匙坯，各种成本很高。对于一些专用钥匙，很难配制，即使配制出来，由于精度问题，开启锁具不顺畅，从而损害锁具。

为解决上述问题，本发明提供一种新的配制钥匙的方法。

发明内容

鉴于上述问题，本发明的目的是提供一种基于人工智能技术的配匙方法及***，利用人工智能技术自动地获取钥匙数据，将钥匙数据传输到3D配匙机进配制，解决钥匙遗忘、丢失及磨损等问题后无法开启锁具的难题，为各种突发情况提供了一个全新的解决方案，同时使人们的配匙方式更加方便、简单、安全、快捷。

本发明提供了一种基于人工智能技术的配匙方法，包括：

获取钥匙图片并存储于云端；

采用计算机视觉算法对钥匙图片进行对正；

利用计算机视觉算法中的特征提取技术提取对正后的钥匙图片的图像特征；

根据图像特征、机器学习算法和模式识别算法获取钥匙类型；

根据钥匙类型、计算机视觉算法和图像处理算法获取钥匙的具体信息；

根据钥匙的具体信息进行配制。

进一步地，在获取钥匙图片并存储于云端的过程中，利用计算机应用程序获取钥匙图片。

进一步地，在获取钥匙图片并存储于云端的过程中，将所述钥匙图片经加密处理后存储于云端，其中，在钥匙图像加密过程中，采用基于随机序列的加密技术，利用伪随机序列生成器产生出像素变换的二进制序列，并根据该序列改变图像中的像素值，从而实现加密。

进一步地，在采用计算机视觉算法对所述钥匙图片进行对正的过程中，

利用计算机视觉中的感兴趣目标区域的提取技术提取所述钥匙图像中钥匙位置，并将所述钥匙位置对正。

进一步地，所述感兴趣目标区域的提取技术包括：对所述钥匙图片进行过分割，对过分割区域的不同组合进行判断，并找出最有可能的钥匙区域。

进一步地，在利用计算机视觉算法中的特征提取技术提取对正后的钥匙图片的图像特征的过程中，所述图像特征包括：手工设定的图像特征和深度学习算法自动学习并获取的图像特征；其中，所述手工设定的图像特征包括梯度直方图特征和尺度不变图像特征；所述深度学习算法自动学习并获取的图像特征，利用多层的神经网络模型自动学习并提取对正后的钥匙图片的图像特征。

进一步地，在根据所述图像特征、机器学习算法和模式识别算法获取钥匙类型的过程中，基于所述图像特性，利用机器学习算法对不同的钥匙类型训练相应的分类器，并利用所述分类器对待处理的钥匙图片进行智能地识别，获取钥匙类型。

进一步地，所述钥匙的具体信息包括钥匙的齿位、齿号、底宽、开口角度、极差、轨迹、定位方式。

进一步地，在根据所述钥匙的具体信息进行配制的过程中，根据所述钥匙的具体信息构建钥匙的3D形状，将所述钥匙类型和钥匙的3D形状的信息传输到3D配匙机进行配制。

本发明还提供了基于人工智能技术的配匙***，包括：

钥匙图片获取和存储单元，用于获取钥匙图片并存储于云端；

钥匙图片对正单元，用于采用计算机视觉算法对所述钥匙图片进行对正；

图像特征提取单元，用于利用计算机视觉算法中的特征提取技术提取对正后的钥匙图片的图像特征；

钥匙类型获取单元，用于根据所述图像特征、机器学习算法和模式识别算法获取钥匙类型；

钥匙的具体信息获取单元，用于根据所述钥匙类型、计算机视觉算法和图像处理算法获取钥匙的具体信息；

钥匙配制单元，用于根据所述钥匙的具体信息进行配制。

进一步地，所述钥匙图片获取和存储单元包括钥匙图片获取模块，

所述钥匙图片获取模块，用于利用计算机应用程序获取钥匙图片。

进一步地，所述钥匙图片获取和存储单元还包括钥匙图片加密存储模块，所述钥匙图片加密存储模块，用于将所述钥匙图片经加密处理后存储于云端，其中，在钥匙图像加密过程中，采用基于随机序列的加密技术，利用伪随机序列生成器产生出像素变换的二进制序列，并根据该序列改变图像中的像素值，从而实现加密。

进一步地，所述钥匙图片对正单元在采用计算机视觉算法对所述钥匙图片进行对正的过程中，利用计算机视觉中的感兴趣目标区域的提取技术提取所述钥匙图像中钥匙位置，并将所述钥匙位置对正。

进一步地，所述感兴趣目标区域的提取技术包括：对所述钥匙图片进行过分割，对过分割区域的不同组合进行判断，并找出最有可能的钥匙区域。

进一步地，所述图像特征提取单元在利用计算机视觉算法中的特征提取技术提取对正后的钥匙图片的图像特征的过程中，所述图像特征包括：手工设定的图像特征和深度学习算法自动学习并获取的图像特征；其中，所述手工设定的图像特征包括梯度直方图特征和尺度不变图像特征；所述深度学习算法自动学习并获取的图像特征，利用多层的神经网络模型自动学习并提取对正后的钥匙图片的图像特征。

进一步地，所述钥匙类型获取单元在根据所述图像特征、机器学习算法和模式识别算法获取钥匙类型的过程中，基于所述图像特性，利用机器学习算法对不同的钥匙类型训练相应的分类器，并利用所述分类器对待处理的钥匙图片进行智能地识别，获取钥匙类型。

进一步地，所述钥匙的具体信息获取单元中所述钥匙的具体信息包括钥匙的齿位、齿号、底宽、开口角度、极差、轨迹、定位方式。

进一步地，所述钥匙配制单元在根据所述钥匙的具体信息进行配制的过程中，根据所述钥匙的具体信息构建钥匙的3D形状，将所述钥匙类型和钥匙的3D形状的信息传输到3D配匙机进行配制。

采用上述技术方案，包括以下有益技术效果：

1)本发明的移动应用程序扫描钥匙，钥匙会被“数字化”，并加密存储于云端，当发生钥匙遗忘、丢失及磨损等问题后时便可利用提前保存的钥匙图片进行配制，解决了无法开启锁具的难题；

2)本发明配匙方法更加便捷，用户足不出户即可下单，只需将钥匙图片通过移动应用程序传给距离最近的终端配匙机即可配制钥匙；

3)本发明配匙方法更加安全，钥匙图像信息通过加密处理，数字拷贝存储于云端，不记录用户身份、居住地址等个人资讯以及可被用来匹配关键信息与位置的任何其他数据，只有客户知悉钥匙对应信息，杜绝了钥匙丢失给用户造成损失的可能性；

4)本发明能够摆脱种类繁多的钥匙坯，降低锁匠成本；

5)本发明可以取代人工，极大的降低了人工成本；

6)本发明进一步提高了配匙精度；

7)本发明使一些专用钥匙的配制成为了可能；

8)本发明接受私人订制，提供大量有趣的设计供用户选择，包括文字、字母、符号、照片等3D模型均可印在钥匙底部，客户设计好喜欢的样式，选择好需要的材质，即可进行配制。

为了实现上述以及相关目的，本发明的一个或多个方面包括后面将详细说明并在权利要求中特别指出的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而，这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外，本发明旨在包括所有这些方面以及它们的等同物。

附图说明

图1为根据本发明实施例的基于人工智能技术的配匙方法流程示意图；

图2为根据本发明实施例的基于人工智能技术的配匙***逻辑结构示意图；

图3为根据本发明实施例的钥匙图片获取和存储单元的结构示意图。

具体实施方式

在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。

针对前述提出的钥匙遗忘、丢失及磨损等问题后无法开启锁具的难题，本发明提出了一种基于人工智能技术的配匙方法及***，用户仅需用手机等智能终端拍摄钥匙图片，便可将钥匙信息安全地存储于云端数据库，当用户需要时，***利用人工智能技术依据钥匙快照获取钥匙数据，并将钥匙数据传输到3D配匙机，利用3D打印技术复制钥匙。本发明从根本上改变人们配匙方式，云端钥匙数据的加密使得只有客户本人知悉钥匙对应信息，同时智能的配匙方式可以快速地对钥匙进行配制，使得配匙更加安全快捷。

下面通过具体的实施例并结合附图对本发明做进一步的详细描述。

为了说明本发明提供的基于人工智能技术的配匙方法，图1示出了根据本发明实施例的基于人工智能技术的配匙方法流程。

如图1所示，本发明提供了一种基于人工智能技术的配匙方法，包括：S110：获取钥匙图片并存储于云端；

S120：采用计算机视觉算法对钥匙图片进行对正；

S130：利用计算机视觉算法中的特征提取技术提取对正后的钥匙图片的图像特征；

S140：根据图像特征、机器学习算法和模式识别算法获取钥匙类型；

S150：根据钥匙类型、计算机视觉算法和图像处理算法获取钥匙的具体信息；

S160：根据钥匙的具体信息进行配制。

其中，在步骤S110中，利用计算机应用程序获取钥匙图片，将获取钥匙图片并存储于云端，其中，所述钥匙图片经加密处理后存储于云端，，在钥匙图像加密过程中，采用基于随机序列的加密技术，利用伪随机序列生成器产生出像素变换的二进制序列，并根据该序列改变图像中的像素值，从而实现加密。

需要说明的是，利用智能设备(如：手机app)拍摄钥匙的图片。在拍摄过程中使得钥匙位于拍摄中心位置，并对钥匙的正反面分别拍摄。对钥匙图片进行加密处理，将加密后的钥匙图片存储于云端，以备后续使用。

在步骤S120中，利用计算机视觉中的感兴趣目标区域的提取技术提取所述钥匙图像中钥匙位置，并将所述钥匙位置对正。具体地，第一步，利用计算机视觉中感兴趣目标区域的提取技术提取钥匙图片中钥匙的精确位置；其中，感兴趣目标区域的提取技术主要分为两个步骤：(1)对钥匙图像进行过分割；(2)对过分割区域的不同组合进行判断，找出最有可能的钥匙区域。第二步，根据钥匙区域找出钥匙中轴线，并利用钥匙中轴线对钥匙位置进行精确对正。

在步骤S130中，图像特征的提取；具体地，第一步，利用计算机视觉算法提取对正后的钥匙图片的多种图像特征，其中包括手工设定的图像特征和深度学习算法自动学习并获取的图像特征；手工设定的图像特征包括梯度直方图特征和尺度不变图像特征。深度学习算法自动学习并获取的图像特征，利用多层的神经网络模型自动学习并提取对正后的钥匙图片的图像特征。第二步，对上述钥匙图片的多种图像特征进行融合，得到钥匙图片的最终特征表达。其中，深度卷积神经网络主要包括卷积和池化操作组成，并通过端到端的训练过程学习图像特征表达。

具体地，在本发明的实施例中，获取梯度直方图特征的方法包括如下步骤：

第一步：将彩色图像灰度化，即转化为灰度图像；

第二步：计算每个像素的梯度大小和方向；公式如下：

$M(x,y)=\sqrt{({\left(I\left(x+1,y\right)-I\left(x-1,y\right)\right)}^{2m}+{\left(I\left(x,y+1\right)-I\left(x,y-1\right)\right)}^2)}$

θ(x,y)＝arctan((I(x+1,y)-I(x-1,y))/(I(x,y+1)-I(x,y-1)))

其中，I(x,y),M(x,y),θ(x,y)分别为(x,y)处的像素值大小、梯度的大小和方向；

第三步：将图像划分成小块，如6×6的小块；

第四步：统计每个小块的梯度直方图，即不同方向梯度的个数，然后形成每个小块的特征描述子；

第五步：将每几个小块组成一个区域(例如3×3个小块/区域)，一个区域内所有小块的特征描述子串联起来便得到该区域的梯度直方图特征。

其中，在本发明的实施例中，尺度不变图像特征主要包括确定特征点的方向和生成特征描述子两个步骤，获取尺度不变图像特征的方法包括如下步骤：

第一步：根据特征点邻域像素的梯度方向分布特性计算特征点的主方向：

$M(x,y)=\sqrt{({\left(I\left(x+1,y\right)-I\left(x-1,y\right)\right)}^{2m}+{\left(I\left(x,y+1\right)-I\left(x,y-1\right)\right)}^2)}$

θ(x,y)＝arctan((I(x+1,y)-I(x-1,y))/(I(x,y+1)-I(x,y-1)))

其中，I(x,y),M(x,y),θ(x,y)分别为(x,y)处的像素值大小、梯度的大小和方向。

在实际计算时，以关键点为中心的邻域窗口内采样，并用直方图统计邻域像素的梯度方向。梯度直方图的范围是0～360度，其中每45度一个柱，总共8个柱,或者每10度一个柱，总共36个柱。直方图的峰值则代表了该关键点处邻域梯度的主方向，即作为该关键点的方向。

第二步：在特征点以R为半径的领域内选取一个4×4的区域，并统计每个4×4块的方向梯度直方图。为去除光照对特征描述子的影响，对梯度直方图进行归一化处理。将每个直方图槽数据串联即得到尺度不变特征描述子。

在本发明的实施中，在获取图像特征时，深度卷积神经网络主要由输入层、卷积层、采样层、输出层来组成。深度卷积神经网络获取图像特征方法包括如下步骤：

第一步：将所需处理的图像作为卷积神经网络的输入传输到输入层，而输入层的数据以矩阵的形式传输给后面的网络层。

第二步：卷积层的输入是上一次网络的输出，它可以是图像原始数据，也可以是其他网络层的特征图。卷积层中每一个通道的特征图都有一个响应的卷积核，每个通道的卷积核大小相同。用这个卷积核在图片上做卷积操作得到卷积层的输出，其公式如下:

$z_{ij}=\underset{a=0}{\overset{m-1}{\Σ}}\underset{b=0}{\overset{m-1}{\Σ}}{w}_{ab}{y}_{(i+a)(j+b)}$

其中，卷积核的大小为m×m，z_ij为在(i,j)处的卷积响应值，w_ab为卷积核在(a,b)的值，y_(i+a)(j+b)为卷积层输入特征图在(i+a)(j+b)出的值。

第三步：采样层：采样层是对上一层网络输出的一个采样处理，这里的采样方式是对上一层特征图的相邻小区域进行聚合统计。最为常用的有平均聚合和最大化聚合，平均聚合以相邻区域内的平均值作为输出，而最大化聚合以最大响应作为输出。例如在特征图的一个2×2的区域内的值分别为1，2，1，4，则平均聚合的输出值为2，而最大化聚合的输出值为4。在深度卷积网络中，经过n层的卷积和采样层之后的输出作为图像的最终特征。其中网络的层数n根据问题的复杂度来设计，一般来说，问题越复杂，网络层数n越大。

在步骤S140中，基于所述图像特性，利用机器学习算法对不同的钥匙类型训练相应的分类器，并利用分类器对待处理的钥匙图片进行智能地识别，获取钥匙类型。

具体地，在本发明的实施例中，训练分类器和智能识别算法的步骤如下：

第一步：收集钥匙图片数据，并标注钥匙类型，假设收集N个钥匙图片样本：(x₁,y₁),(x₂,y₂),...(x_N,y_N)，其中，x,y分别表示钥匙样本以及钥匙类型的标注。

第二步：设计钥匙识别分类器，公式如下：

g(x)＝wx+b

其中，w,b分别为分类器的参数和偏置项，x为钥匙图片的特征矢量，g(x)为分类器对钥匙类型的预测。利用最小化经验损失的方法对上式中的w,b进行训练，从而得到最优的钥匙类型分类器。

第三步：在钥匙识别过程中，利用训练的好的分类器对待测试钥匙图片进行预测，根据分类器的输出g(x)智能的识别出钥匙的类型。

在步骤S150中，对识别出钥匙类型的钥匙图片提取钥匙的具体信息，其中钥匙的具体信息包括钥匙的齿位、齿号、底宽、开口角度、极差、轨迹、定位方式等。

在步骤S160中，根据钥匙的具体信息构建钥匙的3D形状，将钥匙类型和钥匙的3D形状的信息传输到3D配匙机进行配制。也就是说，基于钥匙的具体信息构建钥匙的3D形状，将钥匙的类型以及钥匙的3D信息传输给终端配匙机，利用3D配匙机将钥匙打印出来。其中，需要说明的是，在本发明一个具体的实施例中，配置钥匙的材料可以为金属或者塑料，根据用户的实际需要定制所需要材质的钥匙。

与上述方法相对应，本发明还提供一种基于人工智能技术的配匙***，图2示出了根据本发明实施例的基于人工智能技术的配匙***逻辑结构。

如图2所示，本发明提供的一种基于人工智能技术的配匙***200包括钥匙图片获取和存储单元210、钥匙图片对正单元220、图像特征提取单元230、钥匙类型获取单元240、钥匙的具体信息获取单元250和钥匙配制单元260。

其中，钥匙图片获取和存储单元210，用于获取钥匙图片并存储于云端；钥匙图片对正单元220，用于采用计算机视觉算法对所述钥匙图片进行对正；图像特征提取单元230，用于利用计算机视觉算法提取对正后的钥匙图片的图像特征；钥匙类型获取单元240，用于根据所述图像特征、机器学习算法和模式识别算法获取钥匙类型；钥匙的具体信息获取单元250，用于根据所述钥匙类型、计算机视觉算法和图像处理算法获取钥匙的具体信息；钥匙配制单元260，用于根据所述钥匙的具体信息进行配制。

其中，图3示出了根据本发明实施例的钥匙图片获取和存储单元的结构示意图，如图3所示，钥匙图片获取和存储单元210包括钥匙图片获取模块211和钥匙图片加密存储模块212，钥匙图片获取模块211，用于利用计算机应用程序获取钥匙图片。钥匙图片获取和存储单元还包括，钥匙图片加密存储模块212，用于将所述钥匙图片经加密处理后存储于云端，其中，在钥匙图像加密过程中，采用基于随机序列的加密技术，利用伪随机序列生成器产生出像素变换的二进制序列，并根据该序列改变图像中的像素值，从而实现加密。

其中，钥匙图片对正单元220在采用计算机视觉算法对所述钥匙图片进行对正的过程中，利用计算机视觉中的感兴趣目标区域的提取技术提取所述钥匙图像中钥匙位置，并将所述钥匙位置对正。

其中，感兴趣目标区域的提取技术包括：对所述钥匙图片进行过分割，对过分割区域的不同组合进行判断，并找出最有可能的钥匙区域。

其中，图像特征提取单元230在利用计算机视觉算法中的特征提取技术提取对正后的钥匙图片的图像特征的过程中，所述图像特征包括：手工设定的图像特征和深度学习算法自动学习并获取的图像特征；其中，所述手工设定的图像特征包括梯度直方图特征和尺度不变图像特征；所述深度学习算法自动学习并获取的图像特征，利用多层的神经网络模型自动学习并提取对正后的钥匙图片的图像特征。

其中，钥匙类型获取单元240在根据所述图像特征、机器学习算法和模式识别算法获取钥匙类型的过程中，基于所述图像特性，利用机器学习算法对不同的钥匙类型训练相应的分类器，并利用所述分类器对待处理的钥匙图片进行智能地识别，获取钥匙类型。

其中，钥匙的具体信息获取单元250中所述钥匙的具体信息包括钥匙的齿位、齿号、底宽、开口角度、极差、轨迹、定位方式等。

其中，钥匙配制单元260在根据所述钥匙的具体信息进行配制的过程中，根据所述钥匙的具体信息构建钥匙的3D形状，将所述钥匙类型和钥匙的3D形状的信息传输到3D配匙机进行配制。

通过上述实施方式可以看出，本发明提供的基于人工智能技术的配匙方法及***，利用人工智能技术获取钥匙数据，最终将钥匙数据传输到3D配匙机进行配制，本发明能够解决钥匙遗忘、丢失及磨损等问题后无法开启锁具的难题，为各种突发情况提供了一个全新的解决方案，同时使得钥匙配制更加方便、简单、安全、快捷。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于人工智能技术的配匙方法，包括：

获取钥匙图片并存储于云端：在获取钥匙图片并存储于云端的过程中，利用计算机应用程序获取钥匙图片，其中，在钥匙图像加密过程中，采用基于随机序列的加密技术，利用伪随机序列生成器产生出像素变换的二进制序列，并根据该序列改变图像中的像素值，从而实现加密；

采用计算机视觉算法对所述钥匙图片进行对正：利用计算机视觉中的感兴趣目标区域的提取技术提取所述钥匙图像中钥匙位置，并将所述钥匙位置对正；

利用计算机视觉算法中的特征提取技术提取对正后的钥匙图片的图像特征；

根据所述图像特征、机器学习算法和模式识别算法获取钥匙类型；

根据所述钥匙类型、计算机视觉算法和图像处理算法获取钥匙的具体信息；

根据所述钥匙的具体信息进行配制。

2.根据权利要求1所述的基于人工智能技术的配匙方法，其特征在于，所述感兴趣目标区域的提取技术包括：对所述钥匙图片进行过分割，对过分割区域的不同组合进行判断，并找出最有可能的钥匙区域。

3.根据权利要求1所述的基于人工智能技术的配匙方法，其特征在于，在利用计算机视觉算法中的特征提取技术提取对正后的钥匙图片的图像特征的过程中，

所述图像特征包括：手工设定的图像特征和深度学习算法自动学习并获取的图像特征；其中，

所述手工设定的图像特征包括梯度直方图特征和尺度不变图像特征；所述深度学习算法自动学习并获取的图像特征，利用多层的神经网络模型自动学习并提取对正后的钥匙图片的图像特征。

4.根据权利要求1所述的基于人工智能技术的配匙方法，其特征在于，在根据所述图像特征、机器学习算法和模式识别算法获取钥匙类型的过程中，

基于所述图像特性，利用机器学习算法对不同的钥匙类型训练相应的分类器，并利用所述分类器对待处理的钥匙图片进行智能地识别，获取钥匙类型。

5.根据权利要求1所述的基于人工智能技术的配匙方法，其特征在于，所述钥匙的具体信息包括钥匙的齿位、齿号、底宽、开口角度、极差、轨迹、定位方式。

6.根据权利要求1所述的基于人工智能技术的配匙方法，其特征在于，在根据所述钥匙的具体信息进行配制的过程中，

根据所述钥匙的具体信息构建钥匙的3D形状，将所述钥匙类型和钥匙的3D形状的信息传输到3D配匙机进行配制。

7.一种基于人工智能技术的配匙***，包括：

钥匙图片获取和存储单元，用于获取钥匙图片并存储于云端，所述钥匙图片获取和存储单元包括钥匙图片获取模块，

所述钥匙图片获取模块，用于利用计算机应用程序获取钥匙图片所述钥匙图片获取和存储单元还包括钥匙图片加密存储模块，

所述钥匙图片加密存储模块，用于将所述钥匙图片经加密处理后存储于云端，其中，在钥匙图像加密过程中，采用基于随机序列的加密技术，利用伪随机序列生成器产生出像素变换的二进制序列，并根据该序列改变图像中的像素值，从而实现加密；

钥匙图片对正单元，用于采用计算机视觉算法对所述钥匙图片进行对正，所述钥匙图片对正单元在采用计算机视觉算法对所述钥匙图片进行对正的过程中，

利用计算机视觉中的感兴趣目标区域的提取技术提取所述钥匙图像中钥匙位置，并将所述钥匙位置对正；

图像特征提取单元，用于利用计算机视觉算法中的特征提取技术提取对正后的钥匙图片的图像特征；

钥匙类型获取单元，用于根据所述图像特征、机器学习算法和模式识别算法获取钥匙类型；

钥匙的具体信息获取单元，用于根据所述钥匙类型、计算机视觉算法和图像处理算法获取钥匙的具体信息；

钥匙配制单元，用于根据所述钥匙的具体信息进行配制。

8.根据权利要求7所述的基于人工智能技术的配匙***，其特征在于，所述感兴趣目标区域的提取技术包括：对所述钥匙图片进行过分割，对过分割区域的不同组合进行判断，并找出最有可能的钥匙区域。

9.根据权利要求7所述的基于人工智能技术的配匙***，其特征在于，所述图像特征提取单元在利用计算机视觉算法中的特征提取技术提取对正后的钥匙图片的图像特征的过程中，

所述图像特征包括：手工设定的图像特征和深度学习算法自动学习并获取的图像特征；其中，

所述手工设定的图像特征包括梯度直方图特征和尺度不变图像特征；所述深度学习算法自动学习并获取的图像特征，利用多层的神经网络模型自动学习并提取对正后的钥匙图片的图像特征。

10.根据权利要求7所述的基于人工智能技术的配匙***，其特征在于，所述钥匙类型获取单元在根据所述图像特征、机器学习算法和模式识别算法获取钥匙类型的过程中，

基于所述图像特性，利用机器学习算法对不同的钥匙类型训练相应的分类器，并利用所述分类器对待处理的钥匙图片进行智能地识别，获取钥匙类型；

所述钥匙的具体信息获取单元中所述钥匙的具体信息包括钥匙的齿位、齿号、底宽、开口角度、极差、轨迹、定位方式；

所述钥匙配制单元在根据所述钥匙的具体信息进行配制的过程中，

根据所述钥匙的具体信息构建钥匙的3D形状，将所述钥匙类型和钥匙的3D形状的信息传输到3D配匙机进行配制。