CN111191706A - 图片识别的方法、装置、设备及存储介质 - Google Patents

图片识别的方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111191706A
CN111191706A CN201911354168.1A CN201911354168A CN111191706A CN 111191706 A CN111191706 A CN 111191706A CN 201911354168 A CN201911354168 A CN 201911354168A CN 111191706 A CN111191706 A CN 111191706A
Authority
CN
China
Prior art keywords
picture
preset
label
target product
acquiring
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
Application number
CN201911354168.1A
Other languages
English (en)
Inventor
欧越
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.)
Shenzhen Saiwei Network Technology Co Ltd
Original Assignee
Shenzhen Saiwei Network 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 Shenzhen Saiwei Network Technology Co Ltd filed Critical Shenzhen Saiwei Network Technology Co Ltd
Priority to CN201911354168.1A priority Critical patent/CN111191706A/zh
Publication of CN111191706A publication Critical patent/CN111191706A/zh
Pending legal-status Critical Current

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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures

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

本发明实施例公开了一种图片识别方法，所述方法包括：获取待识别图片；将所述待识别图片输入预设的神经网络模型，获取所述待识别图片对应的目标特征向量；根据所述目标特征向量确定待识别图片与预设的标签数据库中包含的多个产品标签之间的相似值；根据所述相似值确定目标产品标签，输出目标产品标签。本发明通过神经网络模型对待识别图片的特征向量进行计算，然后通过特征向量对待识别图片与产品标签的相似值进行计算，准确确定了与待识别图片相似的产品标签，提高了图片相似度识别的准确率。此外，还提出了一种图片识别的装置、设备及存储介质。

Description

图片识别的方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种图片识别的方法、装置、设备及存储介质。
背景技术
随着计算机网络技术的发展，图片成为一种重要的承载信息的形式，应用于生产生活的各个方面。但是大部分的文件***只对图片的名称以及一些描述信息进行记录，而没有确认图片本身的内容，因此内容相同或相似的图片可能因为名称不同，在图片数据库中被认为是不同的图片，导致出现重复图片或者相似图片的问题。过多重复或相似的图片导致数据库的运作效率低下，而且很大程度造成资源的浪费。因此在管理及维护图片数据库时，需要对重复图片或相似图片进行处理。
现有的图片识别方法，主要通过将当前上传的图片与图片数据库中的所有图片进行逐一比较，以确定图片数据库中是否存在与当前上传的图片相同或相似的图片，该方法在每次比较时，均需对图片数据库进行一次遍历，相同或相似图片检测速度较慢、效率较低。
从海量图片数据库中找到相同或相似的图片，准确性和效率是基本要素。因此，如何实现准确性并且兼顾效率成为亟待解决的问题。
发明内容
基于此，有必要针对上述问题，提出了一种图片识别方法、装置、计算机设备及存储介质。
一种图片识别方法，所述方法包括：
获取待识别图片；
将所述待识别图片输入预设的神经网络模型，获取所述待识别图片对应的目标特征向量；
根据所述目标特征向量确定待识别图片与预设的标签数据库中包含的多个产品标签之间的相似值；
根据所述相似值确定目标产品标签，输出目标产品标签。
在一个实施例中，所述根据所述相似值确定目标产品标签的步骤还包括：判断所述计算得到的相似值是否满足预设的阈值，若所述相似值满足预设的阈值，则将与该相似值对应的产品标签作为目标产品标签。
在一个实施例中，所述输出目标产品标签的步骤还包括：将所述相似值进行排序，根据排序结果输出相似值对应的目标产品标签。
在一个实施例中，所述输出目标产品标签的步骤还包括：按照储存在预设的标签数据库中的产品标签与图片的对应关系，获取与所述目标产品标签对应的图片并展示。
在一个实施例中，所述方法还包括：获取待训练图片关联至预设的图片集合目录；确定待训练图片对应的产品参考标签和所述产品参考标签对应的特征参考向量；根据图片集合目录确定训练样本集，所述训练样本集包括：多个待训练图片、以及与每一个待训练图片对应的产品参考标签和特征参考向量；将待训练图片和对应的产品参考标签作为所述预设的神经网络模型的输入，特征参考向量作为所述预设的神经网络模型的输出，对所述预设的神经网络模型进行训练。
在一个实施例中，所述获取待训练图片关联至预设的图片集合目录的步骤还包括：获取预设的图片数据库的上传记录；根据所述上传记录中的上传时间，在预设的图片数据库中获取上一次获取操作之后的上传记录所对应的图片作为所述待训练图片。
在一个实施例中，所述方法还包括：检测通过预设的展示界面输入的查找操作，获取与所述查找操作对应的图片作为所述待识别图片，并执行所述将所述待识别图片输入预设的神经网络模型的步骤；在所述输出目标产品标签的步骤之后，还包括：在所述展示界面上预设的展示区域中展示目标产品标签。
一种图片识别装置，所述装置包括：
获取模块，用于获取待识别图片；
第一计算模块，用于将所述待识别图片输入预设的神经网络模型，获取所述待识别图片对应的目标特征向量；
第二计算模块，用于根据所述目标特征向量确定待识别图片与预设的标签数据库中包含的多个产品标签之间的相似值；
确定模块，用于根据所述相似值确定目标产品标签，输出目标产品标签。
在一个实施例中，所述确定模块还包括：判断单元，用于判断所述计算得到的相似值是否满足预设的阈值，若所述相似值满足预设的阈值，则将与该相似值对应的产品标签作为目标产品标签。
在一个实施例中，所述确定模块还包括：排序单元，用于将所述相似值进行排序，根据排序结果输出相似值对应的目标产品标签。
在一个实施例中，所述确定模块还包括：展示单元，用于按照储存在预设的标签数据库中的产品标签与图片的对应关系，获取与所述目标产品标签对应的图片并展示。
在一个实施例中，所述装置还包括：获取训练模块，用于获取待训练图片关联至预设的图片集合目录；确定待训练图片对应的产品参考标签和所述产品参考标签对应的特征参考向量；根据图片集合目录确定训练样本集，所述训练样本集包括：多个待训练图片、以及与每一个待训练图片对应的产品参考标签和特征参考向量；训练模块，用于将待训练图片和对应的产品参考标签作为所述预设的神经网络模型的输入，特征参考向量作为所述预设的神经网络模型的输出，对所述预设的神经网络模型进行训练。
在一个实施例中，所述获取训练模块还包括：获取单元，用于获取预设的图片数据库的上传记录；根据所述上传记录中的上传时间，在预设的图片数据库中获取上一次获取操作之后的上传记录所对应的图片作为所述待训练图片。
在一个实施例中，所述装置还包括：界面展示模块，用于检测通过预设的展示界面输入的查找操作，获取与所述查找操作对应的图片作为所述待识别图片，并执行所述将所述待识别图片输入预设的神经网络模型的步骤；在所述输出目标产品标签的步骤之后，还包括：在所述展示界面上预设的展示区域中展示目标产品标签。
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，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
获取待识别图片；
将所述待识别图片输入预设的神经网络模型，获取所述待识别图片对应的目标特征向量；
根据所述目标特征向量确定待识别图片与预设的标签数据库中包含的多个产品标签之间的相似值；
根据所述相似值确定目标产品标签，输出目标产品标签。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
获取待识别图片；
将所述待识别图片输入预设的神经网络模型，获取所述待识别图片对应的目标特征向量；
根据所述目标特征向量确定待识别图片与预设的标签数据库中包含的多个产品标签之间的相似值；
根据所述相似值确定目标产品标签，输出目标产品标签。
采用本发明的图片识别方法、装置、设备及存储介质，首先获取待识别图片；然后将待识别图片输入预设的神经网络模型输出待识别图片对应的目标特征向量；接着根据输出的目标特征向量确定待识别图片与预设的标签数据库中包含的多个产品标签之间的相似值；最后根据相似值确定与待识别图片相关的目标产品标签并输出。本发明通过神经网络模型对待识别图片的特征向量进行计算，然后通过特征向量对待识别图片与产品标签的相似值进行计算，准确确定了与待识别图片相似的产品标签，提高了图片相似度识别的准确率。
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。
其中：
图1为一个实施例中图片识别方法的流程图；
图2为一个实施例中图片识别装置的结构框图；
图3为一个实施例中确定模块的结构框图；
图4为一个实施例中图片识别装置的结构框图；
图5为一个实施例中图片识别装置的结构框图；
图6为一个实施例中执行前述图片识别方法的计算机设备的结构框图。
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。
在一个实施例中，提供了一种图片识别方法，该方法可以对需要进行识别的待识别图片进行分析以确定数据库中是否与待识别图片相同或相似的图片。该方法可以应用于图像管理***等，例如，用于图像管理***维护和管理数据库中的图片，或者用于图片管理***判断是否储存新增加的图片。
如图1所示，在一个实施例中，提供了一种图片识别方法。该图片识别方法具体包括如下步骤S102-S108：
步骤S102，获取待识别图片。
具体的，待识别图片是需要与预设的数据库中的图片进行相似判断的图片。待识别图片可以是风景图，可以是人像图，可以是包含文字信息的图片，也可以是产品设计图。上述待识别图片的获取可以是直接输入图片或者图片链接，可以是通过摄像头等扫描获取的图片或图片链接，也可以是利用开源TensorFlow框架搭建神经网络模型，使得神经网络模型自动接入预设的数据库获取新增的图片作为待识别的图片。
步骤S104，将所述待识别图片输入预设的神经网络模型，获取所述待识别图片对应的目标特征向量。
具体的，预设的神经网络模型是将待识别图片进行特征计算的功能模块，通过神经网络模型可以计算出待识别图片的目标特征向量。其中，目标特征向量是表示图片的特征向量，目标特征向量可以是代表颜色特征、纹理特征、形状特征和/或空间关系特征等的特征向量，目标特征向量也可以是颜色特征、纹理特征、形状特征和/或空间关系特征等多个特征向量的组合。其中，颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。颜色特征向量是通过颜色特征提取算法计算得到的，颜色特征提取算法可以是颜色参量的统计特征法、局部累加直方图法和/或基于小波的分块图像颜色特征提取等算法。纹理特征不依赖于颜色或亮度，包含事物表面结构的排列与组织次序。纹理特征向量通过纹理特征提取算法计算得到的。纹理特征提取算法可以是共生矩阵法和/或Tammra方法等。形状特征分为轮廓特征和区域特征。图像的轮廓特征主要针对物体的外边界，而图像的区域特征则关系到整个形状区域。形状特征向量是通过形状特征提取算法计算得到的。形状特征提取算法可以是边界特征法、傅里叶形状描述符法、几何参数法和//或形状不变矩法等算法。空间关系特征是图像中分割出来的多个目标之间的相互的空间位置或相对方向关系。空间关系特征向量是通过空间关系特征提取算法计算得到的，空间关系特征提取算法可以是基于模型的姿态估计方法或者基于学习的姿态估计方法等算法。
通过神经网络模型对待识别图片进行特征计算之前，还需要对神经网络模型进行训练，直至获得最优的神经网络模型。
在一个实施例中，提出预设的神经网络模型进行训练的方法，获取待训练图片关联至预设的图片集合目录；确定待训练图片对应的产品参考标签和所述产品参考标签对应的特征参考向量；根据图片集合目录确定训练样本集，所述训练样本集包括：多个待训练图片、以及与每一个待训练图片对应的产品参考标签和特征参考向量；将待训练图片和对应的产品参考标签作为所述预设的神经网络模型的输入，特征参考向量作为所述预设的神经网络模型的输出，对所述预设的神经网络模型进行训练。
其中，待训练图片是需要输入神经网络模型进行训练的图片，待训练图片的获取可以是直接输入图片或者图片链接，也可以是通过摄像头等扫描获取的图片或图片链接。图片集合目录是对应多个图片的图片目录。获取待训练图片关联至预设的图片集合目录，可以是将待训练图片添加至预设的图片集合目录，也可以是标注待训练图片属于预设的图片集合目录。获取待训练图片关联至图片集合目录就是确定对应的产品标签的过程。例如，待训练图片为食物的图片，就将待训练图片关联至美食图片的图片集合目录，根据美食图片的图片集合目录确定产品标签为美食。
产品参考标签是用于神经网络模型训练的图片对应的标签或类别。特征参考向量是用于神经网络模型训练的表示图片的特征向量，特征参考向量可以是代表颜色特征、纹理特征、形状特征和/或空间关系特征等的特征向量。训练样本集是用于神经网络模型训练的数据，其中包括神经网络模型训练的输入数据和输出数据，这里的输入数据是待训练图片和对应的产品参考标签，输出数据是待训练图片对应的特征参考向量。本实施中通过训练样本集对神经网络模型进行训练，提高神经网络模型在对输入的图片的特征向量的计算的准确性。
获取待训练的图片可以是输入待训练的图片，可以是通过摄像头等扫描获取的待训练的图片或待训练图片对应的图片链接。
在一个实施例中，获取待训练的图片是通过获取预设的图片数据库的上传记录；根据所述上传记录中的上传时间，在预设的图片数据库中获取上一次获取操作之后的上传记录所对应的图片作为所述待训练图片。
其中，图片数据库是包含多个待训练图片或者待识别图片的集合，图片数据库里面的图片可以是固定不变的，也可以是在增加或者减少的。上传记录是待训练图片从预设的图片数据库上传至图片集合目录的记录，也是上传待训练图片的历史记录。上传时间是上传记录发生的时间。识别上一次获取操作后的新增的图片，将新增的图片作为待训练图片。本实施例使得神经网络模型不断获得新增的图片进行训练，其中获取待训练图片的时间可以是周期性的，可以是自定义的，也可以是随机的。
在一个实施例中，直接利用开源TensorFlow框架搭建神经网络模型，使得神经网络模型自动接入训练样本集的数据库获取新增的训练样本集进行神经网络模型的训练。
步骤S106，根据所述目标特征向量确定待识别图片与预设的标签数据库中包含的多个产品标签之间的相似值。
具体的，产品标签是多个图片对应的标签或类别，例如，产品标签可以是为自拍图片的标签。预设的标签数据库是储存产品标签的数据库。预设的标签数据库与预设的图片数据库对应，也就是说，标签数据库里面包含的产品标签对应图片数据库里面的图片。例如，预设的标签数据库里面可以包括人物图片、风景图片和美食图片等标签。相似值表示待识别图片与产品标签的关联程度。其中，相似值的计算可以是待识别图片对应的目标特征向量和产品标签对应的特征向量之间的距离计算，示例性的，距离计算可以是特征向量之间的明氏距离、欧氏距离和/或马氏距离等的计算；相似值的计算可以是待识别图片对应的目标特征向量和产品标签对应的特征向量之间的相似度的计算，示例性的，相似度的计算可以是特征向量之间的夹角余弦和/或相关系数的计算等。
步骤S108，根据所述相似值确定目标产品标签，输出目标产品标签。
具体的，目标产品标签是多个图片对应的标签或类别，目标产品标签也是与待识别图片的相似值达到预设的阈值的产品标签。
在确定了待识别图片和产品标签的相似值后，可以根据相似值确定输出的目标产品标签。根据相似值阈值筛选出相似度较高的产品标签作为目标产品标签。
在一个实施例中，判断所述计算得到的相似值是否满足预设的阈值，若所述相似值满足预设的阈值，则将与该相似值对应的产品标签作为目标产品标签。
其中，预设的阈值是判断相似值对应的产品标签是否为目标产品标签的条件，可以是数值，可以是数值范围，也可以是表示程度的词组。例如，相似值设置为0到10的数值，0为待识别图片和产品标签完全不同，10为为待识别图片与产品标签完全相同，预设的阈值可以是大于等于7的数值范围，满足预设的阈值的相似值对应的产品标签为目标产品标签。通过阈值的设定筛选出与待识别图片相似度较高的产品标签作为输出的目标产品标签。
确定了目标产品标签，输出的目标产品标签的时候可以是将目标产品标签按照随机顺序输出，也可以是按照预设的顺序规则进行排序后输出目标产品标签。
在一个实施例中，将所述相似值进行排序，根据排序结果输出相似值对应的目标产品标签。
其中，根据相似值进行排序，可以对相似值进行降序排序，根据相似值的排序结果输出相似值对应的目标产品标签。按照一定顺序输出的目标产品标签，方便判断与待识别图片最接近的产品标签。
通过输出的目标产品标签还可以获取目标产品标签包含的图片，并逐一将图片展示出来。
在一个实施例中，按照储存在预设的标签数据库中的产品标签与图片的对应关系，获取与所述目标产品标签对应的图片并展示。
其中，产品标签与图片之间存在对应关系，每一个产品标签对应多个图片，每一个图片有相应的产品标签。在输出目标产品标签之后，还可以通过输出的目标产品标签获得目标产品标签下的图片，方便用户可以查看与待识别图片相似的产品标签下的图片。
在输出目标产品标签的步骤之后，可以通过展示界面进行展示目标产品标签，还可以通过展示界面展示输入的查找操作和目标产品标签对应的相似值等。
在一个实施例中，检测通过预设的展示界面输入的查找操作，获取与所述查找操作对应的图片作为所述待识别图片，并执行所述将所述待识别图片输入预设的神经网络模型的步骤；在输出目标产品标签之后，在所述展示界面上预设的展示区域中展示目标产品标签。
其中，预设的展示界面是用于输入查找操作、输出查询结果的用户界面。预设的区域是展示界面的实现查询操作和展示查询结果的区域，例如输入查找操作的区域可以是在展示界面的右上角，展示目标产品标签的区域可以是在展示界面的左下角。通过展示界面和展示区域的设置，形象直观实现了图片相似度的判断，增强了用户体验。
如图2所示，在一个实施例中，提出了一种图片识别装置，所述装置包括：
获取模块202，用于获取待识别图片；
第一计算模块204，用于将所述待识别图片输入预设的神经网络模型，获取所述待识别图片对应的目标特征向量；
第二计算模块206，用于根据所述目标特征向量确定待识别图片与预设的标签数据库中包含的多个产品标签之间的相似值；
确定模块208，用于根据所述相似值确定目标产品标签，输出目标产品标签。
如图3所示，在一个实施例中，所述确定模块208还包括：判断单元，用于判断所述计算得到的相似值是否满足预设的阈值，若所述相似值满足预设的阈值，则将与该相似值对应的产品标签作为目标产品标签。
如图3所示，在一个实施例中，所述确定模块208还包括：排序单元，用于将所述相似值进行排序，根据排序结果输出相似值对应的目标产品标签。
如图3所示，在一个实施例中，所述确定模块208还包括：展示单元，用于按照储存在预设的标签数据库中的产品标签与图片的对应关系，获取与所述目标产品标签对应的图片并展示。
如图4所示，在一个实施例中，所述装置还包括：获取训练模块203，用于获取待训练图片关联至预设的图片集合目录；确定待训练图片对应的产品参考标签和所述产品参考标签对应的特征参考向量；根据图片集合目录确定训练样本集，所述训练样本集包括：多个待训练图片、以及与每一个待训练图片对应的产品参考标签和特征参考向量；训练模块205，用于将待训练图片和对应的产品参考标签作为所述预设的神经网络模型的输入，特征参考向量作为所述预设的神经网络模型的输出，对所述预设的神经网络模型进行训练。
在一个实施例中，所述获取训练模块205还包括：获取单元，用于获取预设的图片数据库的上传记录；根据所述上传记录中的上传时间，在预设的图片数据库中获取上一次获取操作之后的上传记录所对应的图片作为所述待训练图片。
如图5所示，在一个实施例中，所述装置还包括：界面展示模块209，用于检测通过预设的展示界面输入的查找操作，获取与所述查找操作对应的图片作为所述待识别图片，并执行所述将所述待识别图片输入预设的神经网络模型的步骤；在所述输出目标产品标签的步骤之后，还包括：在所述展示界面上预设的展示区域中展示目标产品标签。
图6示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图6所示，该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作***，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现图片识别方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行图片识别方法。本领域技术人员可以理解，图6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，提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：获取待识别图片；将所述待识别图片输入预设的神经网络模型，获取所述待识别图片对应的目标特征向量；根据所述目标特征向量确定待识别图片与预设的标签数据库中包含的多个产品标签之间的相似值；根据所述相似值确定目标产品标签，输出目标产品标签。
在一个实施例中，所述根据所述相似值确定目标产品标签的步骤还包括：判断所述计算得到的相似值是否满足预设的阈值，若所述相似值满足预设的阈值，则将与该相似值对应的产品标签作为目标产品标签。
在一个实施例中，所述输出目标产品标签的步骤还包括：将所述相似值进行排序，根据排序结果输出相似值对应的目标产品标签。
在一个实施例中，所述输出目标产品标签的步骤还包括：按照储存在预设的标签数据库中的产品标签与图片的对应关系，获取与所述目标产品标签对应的图片并展示。
在一个实施例中，所述方法还包括：获取待训练图片关联至预设的图片集合目录；确定待训练图片对应的产品参考标签和所述产品参考标签对应的特征参考向量；根据图片集合目录确定训练样本集，所述训练样本集包括：多个待训练图片、以及与每一个待训练图片对应的产品参考标签和特征参考向量；将待训练图片和对应的产品参考标签作为所述预设的神经网络模型的输入，特征参考向量作为所述预设的神经网络模型的输出，对所述预设的神经网络模型进行训练。
在一个实施例中，所述获取待训练图片关联至预设的图片集合目录的步骤还包括：获取预设的图片数据库的上传记录；根据所述上传记录中的上传时间，在预设的图片数据库中获取上一次获取操作之后的上传记录所对应的图片作为所述待训练图片。
在一个实施例中，所述方法还包括：检测通过预设的展示界面输入的查找操作，获取与所述查找操作对应的图片作为所述待识别图片，并执行所述将所述待识别图片输入预设的神经网络模型的步骤；在所述输出目标产品标签的步骤之后，还包括：在所述展示界面上预设的展示区域中展示目标产品标签。
在一个实施例中，提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：获取待识别图片；将所述待识别图片输入预设的神经网络模型，获取所述待识别图片对应的目标特征向量；根据所述目标特征向量确定待识别图片与预设的标签数据库中包含的多个产品标签之间的相似值；根据所述相似值确定目标产品标签，输出目标产品标签。
在一个实施例中，所述根据所述相似值确定目标产品标签的步骤还包括：判断所述计算得到的相似值是否满足预设的阈值，若所述相似值满足预设的阈值，则将与该相似值对应的产品标签作为目标产品标签。
在一个实施例中，所述输出目标产品标签的步骤还包括：将所述相似值进行排序，根据排序结果输出相似值对应的目标产品标签。
在一个实施例中，所述输出目标产品标签的步骤还包括：按照储存在预设的标签数据库中的产品标签与图片的对应关系，获取与所述目标产品标签对应的图片并展示。
在一个实施例中，所述方法还包括：获取待训练图片关联至预设的图片集合目录；确定待训练图片对应的产品参考标签和所述产品参考标签对应的特征参考向量；根据图片集合目录确定训练样本集，所述训练样本集包括：多个待训练图片、以及与每一个待训练图片对应的产品参考标签和特征参考向量；将待训练图片和对应的产品参考标签作为所述预设的神经网络模型的输入，特征参考向量作为所述预设的神经网络模型的输出，对所述预设的神经网络模型进行训练。
在一个实施例中，所述获取待训练图片关联至预设的图片集合目录的步骤还包括：获取预设的图片数据库的上传记录；根据所述上传记录中的上传时间，在预设的图片数据库中获取上一次获取操作之后的上传记录所对应的图片作为所述待训练图片。
在一个实施例中，所述方法还包括：检测通过预设的展示界面输入的查找操作，获取与所述查找操作对应的图片作为所述待识别图片，并执行所述将所述待识别图片输入预设的神经网络模型的步骤；在所述输出目标产品标签的步骤之后，还包括：在所述展示界面上预设的展示区域中展示目标产品标签。
采用本发明的图片识别方法、装置、设备及存储介质，首先获取待识别图片；然后将待识别图片输入预设的神经网络模型输出待识别图片对应的目标特征向量；接着根据输出的目标特征向量确定待识别图片与预设的标签数据库中包含的多个产品标签之间的相似值；最后根据相似值确定与待识别图片相关的目标产品标签并输出。本发明通过神经网络模型对待识别图片的特征向量进行计算，然后通过特征向量对待识别图片与产品标签的相似值进行计算，准确确定了与待识别图片相似的产品标签，提高了图片相似度识别的准确率。
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，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，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。
以上所述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本申请专利范围的限制。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)

1.一种图片识别方法，其特征在于，所述方法包括：
获取待识别图片；
将所述待识别图片输入预设的神经网络模型，获取所述待识别图片对应的目标特征向量；
根据所述目标特征向量确定待识别图片与预设的标签数据库中包含的多个产品标签之间的相似值；
根据所述相似值确定目标产品标签，输出目标产品标签。
2.根据权利要求1所述的方法，其特征在于，所述根据所述相似值确定目标产品标签的步骤还包括：
判断所述计算得到的相似值是否满足预设的阈值，若所述相似值满足预设的阈值，则将与该相似值对应的产品标签作为目标产品标签。
3.根据权利要1所述的方法，其特征在于，所述输出目标产品标签的步骤还包括：
将所述相似值进行排序，根据排序结果输出相似值对应的目标产品标签。
4.根据权利要求1所述的方法，其特征在于，所述输出目标产品标签的步骤还包括：
按照储存在预设的标签数据库中的产品标签与图片的对应关系，获取与所述目标产品标签对应的图片并展示。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取待训练图片关联至预设的图片集合目录；
确定待训练图片对应的产品参考标签和所述产品参考标签对应的特征参考向量；
根据图片集合目录确定训练样本集，所述训练样本集包括：多个待训练图片、以及与每一个待训练图片对应的产品参考标签和特征参考向量；
将待训练图片和对应的产品参考标签作为所述预设的神经网络模型的输入，特征参考向量作为所述预设的神经网络模型的输出，对所述预设的神经网络模型进行训练。
6.根据权利要求5所述的方法，其特征在于，所述获取待训练图片关联至预设的图片集合目录的步骤还包括：
获取预设的图片数据库的上传记录；
根据所述上传记录中的上传时间，在预设的图片数据库中获取上一次获取操作之后的上传记录所对应的图片作为所述待训练图片。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
检测通过预设的展示界面输入的查找操作，获取与所述查找操作对应的图片作为所述待识别图片，并执行所述将所述待识别图片输入预设的神经网络模型的步骤；
在所述输出目标产品标签的步骤之后，还包括：在所述展示界面上预设的展示区域中展示目标产品标签。
8.一种图片识别装置，其特征在于，所述装置包括：
获取模块，用于获取待识别图片；
将所述待识别图片输入预设的神经网络模型，获取所述待识别图片对应的目标特征向量；
计算模块，用于根据所述目标特征向量确定待识别图片与预设的标签数据库中包含的多个产品标签之间的相似值；
确定模块，用于根据所述相似值确定目标产品标签，输出目标产品标签。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
CN201911354168.1A 2019-12-25 2019-12-25 图片识别的方法、装置、设备及存储介质 Pending CN111191706A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911354168.1A CN111191706A (zh) 2019-12-25 2019-12-25 图片识别的方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911354168.1A CN111191706A (zh) 2019-12-25 2019-12-25 图片识别的方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN111191706A true CN111191706A (zh) 2020-05-22

Family

ID=70709354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911354168.1A Pending CN111191706A (zh) 2019-12-25 2019-12-25 图片识别的方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111191706A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112164057A (zh) * 2020-10-09 2021-01-01 珠海格力电器股份有限公司 一种合格标签的检测方法、存储介质和电子设备
WO2023044246A1 (en) * 2021-09-14 2023-03-23 Nordson Corporation Devices and methods of manufacturing component identification such as cartridge identification

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304882A (zh) * 2018-02-07 2018-07-20 腾讯科技（深圳）有限公司 一种图像分类方法、装置及服务器、用户终端、存储介质
CN108764208A (zh) * 2018-06-08 2018-11-06 Oppo广东移动通信有限公司 图像处理方法和装置、存储介质、电子设备
CN110163301A (zh) * 2019-05-31 2019-08-23 北京金山云网络技术有限公司 一种图像的分类方法及装置
CN110458217A (zh) * 2019-07-31 2019-11-15 腾讯医疗健康(深圳)有限公司 图像识别方法及装置、眼底图像识别方法和电子设备
CN110516558A (zh) * 2019-08-01 2019-11-29 仲恺农业工程学院 样本数据获取方法、装置、计算机设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304882A (zh) * 2018-02-07 2018-07-20 腾讯科技（深圳）有限公司 一种图像分类方法、装置及服务器、用户终端、存储介质
CN108764208A (zh) * 2018-06-08 2018-11-06 Oppo广东移动通信有限公司 图像处理方法和装置、存储介质、电子设备
CN110163301A (zh) * 2019-05-31 2019-08-23 北京金山云网络技术有限公司 一种图像的分类方法及装置
CN110458217A (zh) * 2019-07-31 2019-11-15 腾讯医疗健康(深圳)有限公司 图像识别方法及装置、眼底图像识别方法和电子设备
CN110516558A (zh) * 2019-08-01 2019-11-29 仲恺农业工程学院 样本数据获取方法、装置、计算机设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112164057A (zh) * 2020-10-09 2021-01-01 珠海格力电器股份有限公司 一种合格标签的检测方法、存储介质和电子设备
WO2023044246A1 (en) * 2021-09-14 2023-03-23 Nordson Corporation Devices and methods of manufacturing component identification such as cartridge identification

Similar Documents

Publication Publication Date Title
CN109583489B (zh) 缺陷分类识别方法、装置、计算机设备和存储介质
CN111860670B (zh) 域自适应模型训练、图像检测方法、装置、设备及介质
CN110889428A (zh) 图像识别方法、装置、计算机设备与存储介质
CN109543627B (zh) 一种判断驾驶行为类别的方法、装置、及计算机设备
CN113239874B (zh) 基于视频图像的行为姿态检测方法、装置、设备及介质
CN109285105B (zh) 水印检测方法、装置、计算机设备和存储介质
CN110807491A (zh) 车牌图像清晰度模型训练方法、清晰度检测方法及装置
CN108447061B (zh) 商品信息处理方法、装置、计算机设备和存储介质
CN111160275B (zh) 行人重识别模型训练方法、装置、计算机设备和存储介质
CN109522970B (zh) 图像分类方法、装置及***
CN112241952B (zh) 大脑中线识别方法、装置、计算机设备及存储介质
CN111144372A (zh) 车辆检测方法、装置、计算机设备和存储介质
CN110942456B (zh) 篡改图像检测方法、装置、设备及存储介质
CN111144398A (zh) 目标检测方法、装置、计算机设备和存储介质
CN112818821B (zh) 基于可见光和红外光的人脸采集源检测方法和装置
CN111191706A (zh) 图片识别的方法、装置、设备及存储介质
CN112668462B (zh) 车损检测模型训练、车损检测方法、装置、设备及介质
CN113706481A (zh) ***质量检测方法、装置、计算机设备和存储介质
CN116069969A (zh) 一种图像检索方法、装置及存储介质
CN113469092A (zh) 字符识别模型生成方法、装置、计算机设备和存储介质
CN111553431A (zh) 图片清晰度检测方法、装置、计算机设备及存储介质
CN109919017B (zh) 人脸识别优化方法、装置、计算机设备和存储介质
CN109086938B (zh) 产品sku识别方法、装置及计算机可读存储介质
CN112836682B (zh) 视频中对象的识别方法、装置、计算机设备和存储介质
CN113469617A (zh) 快递爆仓识别方法、装置、设备及存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200522

RJ01 Rejection of invention patent application after publication