CN111881901A - 截图内容检测方法、设备及计算机可读存储介质 - Google Patents
截图内容检测方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111881901A CN111881901A CN202010739177.9A CN202010739177A CN111881901A CN 111881901 A CN111881901 A CN 111881901A CN 202010739177 A CN202010739177 A CN 202010739177A CN 111881901 A CN111881901 A CN 111881901A
- Authority
- CN
- China
- Prior art keywords
- screenshot
- area
- image
- region
- identified
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000013135 deep learning Methods 0.000 claims abstract description 20
- 238000003709 image segmentation Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000012552 review Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012550 audit Methods 0.000 description 22
- 230000000694 effects Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000003999 initiator Substances 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及深度学习算法,提供一种截图内容检测方法、设备及计算机可读存储介质。本发明通过先对需要识别的截图进行区域分割,使得能够将截图中的文字部分与图片部分区分开来,避免了对截图中的文字与图片统一进行识别所造成的识别精度低的情况;通过对分割后的文字区域与图像区域分别进行检测识别,使得能够有针对性地对这两种不同类型的区域进行精准识别;通过预设的审核标准自动对区域识别结果进行判定,使得能够实现对截图的高效准确审核。此外,本发明还涉及区块链技术,对截图进行识别后的区域识别结果可存储于区块链中。
Description
技术领域
本发明涉及人工智能中的图像识别技术领域,尤其涉及一种截图内容检测方法、设备及计算机可读存储介质。
背景技术
在社交网络高度发达的当今社会,微信朋友圈分享成为了商业宣传的重要途径。商家通过让顾客分享其指定内容到朋友圈,并达到一定的点赞数,来达到宣传目的。顾客在完成商家指定的朋友圈分享后,通过客户端反馈发送相应截图,以获得商家赠送的礼物,由此产生了海量的用户反馈截图。现有的对反馈截图的审核是方式为人工审核方式与深度学习检测识别方式。若通过人工审核方式进行审核,在实际情况下反馈截图的数量往往非常大,且其中存在很多未达到商家预设标准的截图,通过人工方式对其进行审核的工作量大,故准确性不稳定,因而导致了现有的截图审核方式的准确率低下的技术问题。
发明内容
本发明的主要目的在于提供一种截图内容检测方法、设备及计算机可读存储介质,旨在解决现有的截图审核方式的准确率低下的技术问题。
为实现上述目的,本发明提供一种截图内容检测方法,所述截图内容检测方法包括以下步骤:
接收由客户端发送的待识别截图,对所述待识别截图进行文字图像分割,生成文字区域图片集与图像区域图片集;
基于预设深度学习算法和预设目标图形估计算法,分别对所述文字区域图片集与图像区域图片集进行检测识别,得到所述文字区域图片集与图像区域图片集汇总后的区域识别结果;
基于预设审核标准与所述区域识别结果,确定所述待识别截图对应的审核结果。
可选地,所述文字区域图片集中包含时间文字区域与内容文字区域,
所述接收由客户端发送的待识别截图,对所述待识别截图进行文字图像分割,生成文字区域图片集与图像区域图片集的步骤包括:
接收由客户端发送的待识别截图,基于预设多尺度模板匹配算法,确定所述待识别截图中的时间文字区域;
检测所述待识别截图的像素值特征,并根据所述像素值特征确定所述待识别截图中的内容文字区域与图像区域,以得到所述文字区域图片集与图像区域图片集。
可选地,所述接收由客户端发送的待识别截图,基于预设多尺度模板匹配算法,确定所述待识别截图中的时间文字区域的步骤包括:
获取所述待识别截图的图像分辨率,并根据所述图像分辨率对预设匹配模板的尺寸进行缩放,以将所述匹配模板与所述待识别截图进行适配;
使用所述匹配模板对所述待识别截图进行局部掩码匹配,定位所述待识别截图中的时间栏坐标,以将所述时间栏坐标对应的区域作为所述时间文字区域。
可选地,所述图像区域图片集中包含内容图片区域与点赞图片区域,
所述检测所述待识别截图的像素值特征,并根据所述像素值特征确定所述待识别截图中的内容文字区域与图像区域,以得到所述文字区域图片集与图像区域图片集的步骤包括:
检测并获取所述待识别截图的像素值分布、行列像素极值与相邻行像素的平均值差值,以作为所述像素值特征;
根据所述像素值分布,确定所述待识别截图中的内容图片区域;
根据所述行列像素极值,确定所述待识别截图中的内容文字区域;
根据所述相邻行像素的平均值差值,确定所述待识别截图中的点赞图片区域,以得到包含时间文字区域与内容文字区域的文字区域图片集以及包含内容图片区域与点赞图片区域的图像区域图片集。
可选地,所述基于预设深度学习算法和预设目标图形估计算法,分别对所述文字区域图片集与图像区域图片集进行检测识别,得到所述文字区域图片集与图像区域图片集汇总后的的区域识别结果的步骤包括:
根据预设基于深度学习算法的文字识别模型,对所述文字区域图片集进行识别,以得到对应的文字识别结果;
根据预设目标图形估计算法,对所述图像区域图片集进行识别,以得到所述图像区域图片集对应的图像识别结果;
将所述文字识别结果与所述图像识别结果进行汇总,生成所述区域识别结果,其中,所述区域识别结果存储于区块链中。
可选地,所述目标图形估计算法包括头像框大小估计算法,所述图像识别结果包括点赞统计数量,
所述根据预设目标图形估计算法,对所述图像区域图片集进行识别,以得到所述图像区域图片集对应的图像识别结果的步骤包括:
定位所述图像区域图片集中的头像框区域,并按照头像框大小估计算法按行分割所述头像框区域,得到头像框集合;
利用预设头像框间隔,统计所述头像框集合中的头像框数量,以作为点赞统计数量。
可选地,所述审核结果包括第一审核结果与第二审核结果。
所述基于预设审核标准与所述区域识别结果,确定所述待识别截图对应的审核结果的步骤包括:
判断所述区域识别结果是否符合预设审核标准;
若所述区域识别结果符合预设审核标准,则生成审核通过信息以作为第一审核结果;
若所述区域识别结果不符合预设审核标准,则收集审核过程中的错误信息,并基于所述错误信息生成审核失败信息以作为第二审核结果。
可选地,所述基于预设审核标准与所述区域识别结果,确定所述待识别截图对应的审核结果的步骤之后,还包括:
提取所述区域识别结果中的标签信息,并获取客户端的用户信息;
基于所述标签信息与所述用户信息建立用户画像模型,以利用所述用户画像模型选择针对客户端的定向推送内容。
此外,为实现上述目的,本发明还提供一种截图内容检测装置,所述截图内容检测装置包括:
文字图像分割模块,用于接收由客户端发送的待识别截图,对所述待识别截图进行文字图像分割,生成文字区域图片集与图像区域图片集;
区域检测识别模块,用于基于预设深度学习算法和预设目标图形估计算法,分别对所述文字区域图片集与图像区域图片集进行检测识别,得到所述文字区域图片集与图像区域图片集汇总后的区域识别结果;
识别结果审核模块,用于基于预设审核标准与所述区域识别结果,确定所述待识别截图对应的审核结果。
可选地,所述文字区域图片集中包含时间文字区域与内容文字区域,
所述文字图像分割模块包括:
模板匹配单元,用于接收由客户端发送的待识别截图,基于预设多尺度模板匹配算法,确定所述待识别截图中的时间文字区域;
特征识别单元,用于检测所述待识别截图的像素值特征,并根据所述像素值特征确定所述待识别截图中的内容文字区域与图像区域,以得到所述文字区域图片集与图像区域图片集。
可选地,所述模板匹配单元还用于:
获取所述待识别截图的图像分辨率,并根据所述图像分辨率对预设匹配模板的尺寸进行缩放,以将所述匹配模板与所述待识别截图进行适配;
使用所述匹配模板对所述待识别截图进行局部掩码匹配,定位所述待识别截图中的时间栏坐标,以将所述时间栏坐标对应的区域作为所述时间文字区域。
可选地,所述图像区域图片集中包含内容图片区域与点赞图片区域,
所述特征识别单元还用于:
检测并获取所述待识别截图的像素值分布、行列像素极值与相邻行像素的平均值差值,以作为所述像素值特征;
根据所述像素值分布,确定所述待识别截图中的内容图片区域;
根据所述行列像素极值,确定所述待识别截图中的内容文字区域;
根据所述相邻行像素的平均值差值,确定所述待识别截图中的点赞图片区域,以得到包含时间文字区域与内容文字区域的文字区域图片集以及包含内容图片区域与点赞图片区域的图像区域图片集。
可选地,所述区域检测识别模块包括:
文字识别单元,用于根据预设基于深度学习算法的文字识别模型,对所述文字区域图片集进行识别,以得到对应的文字识别结果;
图像识别单元,用于根据预设目标图形估计算法,对所述图像区域图片集进行识别,以得到所述图像区域图片集对应的图像识别结果;
结果汇总单元,用于将所述文字识别结果与所述图像识别结果进行汇总,生成所述区域识别结果,其中,所述区域识别结果存储于区块链中。
可选地,所述目标图形估计算法包括头像框大小估计算法,所述图像识别结果包括点赞统计数量,
所述图像识别单元还用于:
定位所述图像区域图片集中的头像框区域,并按照头像框大小估计算法按行分割所述头像框区域,得到头像框集合;
利用预设头像框间隔,统计所述头像框集合中的头像框数量,以作为点赞统计数量。
可选地,所述审核结果包括第一审核结果与第二审核结果,
所述识别结果审核模块包括:
标准判断单元,用于判断所述区域识别结果是否符合预设审核标准;
第一审核单元,用于若所述区域识别结果符合预设审核标准,则生成审核通过信息以作为第一审核结果;
第二审核单元,用于若所述区域识别结果不符合预设审核标准,则收集审核过程中的错误信息,并基于所述错误信息生成审核失败信息以作为第二审核结果。
可选地,所述截图内容检测装置还包括:
标签提取单元,用于提取所述区域识别结果中的标签信息,并获取客户端的用户信息;
定向推送单元,用于基于所述标签信息与所述用户信息建立用户画像模型,以利用所述用户画像模型选择针对客户端的定向推送内容。
此外,为实现上述目的,本发明还提供一种电子设备,所述电子设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的截图内容检测程序,其中所述截图内容检测程序被所述处理器执行时,实现如上述的截图内容检测方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有截图内容检测程序,其中所述截图内容检测程序被处理器执行时,实现如上述的截图内容检测方法的步骤。
本发明提供一种截图内容检测方法、设备及计算机可读存储介质,所述截图内容检测方法通过先对需要识别的截图进行区域分割,使得能够将截图中的文字部分与图片部分区分开来,避免了对截图中的文字与图片统一进行识别所造成的识别精度低的情况;通过对分割后的文字区域与图像区域分别进行检测识别,使得能够有针对性地对这两种不同类型的区域进行精准识别;通过预设的审核标准自动对区域识别结果进行判定,使得能够实现对截图的高效准确审核,从而解决了现有的截图审核方式的准确率低下的技术问题。
附图说明
图1为本发明实施例方案中涉及的电子设备的硬件结构示意图;
图2为本发明截图内容检测方法第一实施例的流程示意图;
图3为本发明截图内容检测装置的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例涉及的截图内容检测方法主要应用于电子设备,该电子设备可以是PC、便携计算机、移动终端等具有显示和处理功能的设备。
参照图1,图1为本发明实施例方案中涉及的电子设备的硬件结构示意图。本发明实施例中,电子设备可以包括处理器1001(例如CPU),通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信;用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard);网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口);存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器,存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的硬件结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
继续参照图1,图1中作为一种计算机可读存储介质的存储器1005可以包括操作***、网络通信模块以及截图内容检测程序。
在图1中,网络通信模块主要用于连接服务器,与服务器进行数据通信;而处理器1001可以调用存储器1005中存储的截图内容检测程序,并执行本发明实施例提供的截图内容检测方法。
基于上述硬件结构,提出本发明截图内容检测方法的各个实施例。
在社交网络高度发达的当今社会,微信朋友圈分享成为了商业宣传的重要途径。商家通过让顾客分享其指定内容到朋友圈,并达到一定的点赞数,来达到宣传目的。顾客在完成商家指定的朋友圈分享后,通过客户端反馈发送相应截图,以获得商家赠送的礼物,由此产生了海量的用户反馈截图。现有的对反馈截图的审核是方式为人工审核方式与深度学习检测识别方式。若通过人工审核方式进行审核,在实际情况下反馈截图的数量往往非常大,且其中存在很多未达到商家预设标准的截图,通过人工方式对其进行审核的工作量大,故准确性不稳定,因而导致了现有的截图审核方式的准确率低下的技术问题。
为解决上述问题,本发明提供一种截图内容检测方法,即通过先对需要识别的截图进行区域分割,使得能够将截图中的文字部分与图片部分区分开来,避免了对截图中的文字与图片统一进行识别所造成的识别精度低的情况;通过对分割后的文字区域与图像区域分别进行检测识别,使得能够有针对性地对这两种不同类型的区域进行精准识别;通过预设的审核标准自动对区域识别结果进行判定,使得能够实现对截图的高效准确审核,从而解决了现有的截图审核方式的准确率低下的技术问题。
参照图2,图2为本发明截图内容检测方法第一实施例的流程示意图。
本发明第一实施例提供一种截图内容检测方法,所述截图内容检测方法包括以下步骤:
步骤S10,接收由客户端发送的待识别截图,对所述待识别截图进行文字图像分割,生成文字区域图片集与图像区域图片集;
在本实施例中,待识别截图为用户通过客户端发送至平台的屏幕截图,具体可为微信朋友圈截图或其他网页截图等包含有文字与图像内容的截图。客户端具体可为手机、平板、电脑等终端设备。文字区域图片集中可包含一个或多个仅包含文字内容的文字区域图像,类似的,图像区域图片集中可包含一个或多个仅包含图像内容的图像区域图片。例如,若当前用户在手机上截下微信朋友圈的截图,并将此截图由手机发送至截图内容检测***,***在接收到当前用户发来的待识别的微信朋友圈截图,会采用模板匹配等方式对截图进行文字与图像的分割操作,以将截图中的文字区域与图像区域分割开来,生成仅包含文字内容的文字区域图片集,以及仅包含图像内容的图像区域图片集。
步骤S20,基于预设深度学习算法和预设目标图形估计算法,分别对所述文字区域图片集与图像区域图片集进行检测识别,得到所述文字区域图片集与图像区域图片集汇总后的区域识别结果;
在本实施例中,预设深度学习算法具体可为卷积神经网络、循环神经网络等。预设图形估计算法为用于定位截图中某些特定图形的算法,例如微信朋友圈截图中的头像框、时间栏等。区域识别结果为汇总有***对于文字区域图片集的一类识别结果,与图像区域图片集的一类识别结果的最终识别结果,也即是对应于整个待识别截图的识别结果。具体地,***通过基于深度学习的文字识别模型针对微信朋友圈截图的文字区域图片集进行识别,并通过目标图形估计算法针对微信朋友圈截图的图像区域图片集进行识别,分别得到文字区域图片集所对应的文字识别结果,与图像区域图片集所对应的图像识别结果进行汇总,以得到整个微信朋友圈截图对应的最终识别结果,也即是上述区域识别结果。
步骤S30,基于预设审核标准与所述区域识别结果,确定所述待识别截图对应的审核结果。
在本实施例中,预设审核标准为用于判定截图对应识别结果是否满足截图活动发起方要求的标准。例如,对于微信朋友圈截图,其对应的审核标准可为,点赞数超过预设阈值、截图中的图像内容为活动相关内容、截图中的时间信息处于活动有效时限内等。审核结果即为通过审核标准对区域识别结果进行判定后的结果,通常分为两类,一类是审核通过,截图符合活动发起方要求;另一类是审核未通过,截图不符合活动发起方要求。具体地,***以活动发起方预先发送的审核标准,对当前生成的对于微信截图所对应识别结果进行评判,判断其是否符合标准,并将符合标准的审核结果或是不符合标准的审核结果。另外,在***得到审核结果之后,还可收集这些审核结果,针对不同客户端的审核结果分别进行分析,得到每一客户端用户的用户特征,以便针对麽易用户不同的特征制定对应的推送策略。
在本实施例中,本发明通过接收由客户端发送的待识别截图,对所述待识别截图进行文字图像分割,生成文字区域图片集与图像区域图片集;基于预设深度学习算法和预设目标图形估计算法,分别对所述文字区域图片集与图像区域图片集进行检测识别,得到所述文字区域图片集与图像区域图片集汇总后的区域识别结果;基于预设审核标准与所述区域识别结果,确定所述待识别截图对应的审核结果。通过上述方式,本发明通过先对需要识别的截图进行区域分割,使得能够将截图中的文字部分与图片部分区分开来,避免了对截图中的文字与图片统一进行识别所造成的识别精度低的情况;通过对分割后的文字区域与图像区域分别进行检测识别,使得能够有针对性地对这两种不同类型的区域进行精准识别;通过预设的审核标准自动对区域识别结果进行判定,使得能够实现对截图的高效准确审核,从而解决了现有的截图审核方式的准确率低下的技术问题。
进一步地,基于上述图2所示的第一实施例,提出本发明截图内容检测方法的第二实施例。本实施例中,所述文字区域图片集中包含时间文字区域与内容文字区域,步骤S10包括:
接收由客户端发送的待识别截图,基于预设多尺度模板匹配算法,确定所述待识别截图中的时间文字区域;
在本实施例中,预设多尺度匹配算法优选为待掩码的多尺度匹配算法。时间文字区域指的是待识别截图中展示时间信息的区域。
进一步地,所述接收由客户端发送的待识别截图,基于预设多尺度模板匹配算法,确定所述待识别截图中的时间文字区域包括:
获取所述待识别截图的图像分辨率,并根据所述图像分辨率对预设匹配模板的尺寸进行缩放,以将所述匹配模板与所述待识别截图进行适配;
使用所述匹配模板对所述待识别截图进行局部掩码匹配,定位所述待识别截图中的时间栏坐标,以将所述时间栏坐标对应的区域作为所述时间文字区域。
在本实施例中,以待识别截图为微信朋友圈截图,时间文字区域为微信朋友圈截图中的时间栏为例。其中,微信朋友圈截图可为普通模式截图或相册模式截图。***通过基于opencv(一个跨平台计算机视觉库)的模板匹配定位朋友圈截图的时间栏坐标,所用匹配方法为平方差匹配,即求:R(x,y)=∑x′,y′(T(x′,y′)-I(x+x′,y+y′))2。其中,T表示模板图像,I表示原图像,(x,y)表示模板图像对应像素矩阵的坐标,(x′,y′)表示原图像对应像素矩阵的坐标。由于不同手机的屏幕截图尺寸不同,产生的截图分辨率也不同,一方面统一图片高度,使图片分辨率尽可能一致,另一方面将模板放缩[0.8,0.9,1.1,1.2]多个倍率,以匹配分辨率有差异的图片。在匹配时采用局部Mask(掩码)匹配方法,例如时间栏关键位置在图片的右边,所以掩盖整张图的横向右1/4区域,进行模板匹配,这样匹配计算量只有整张图匹配的1/4。若***在朋友圈截图中定位到的时间栏如果只有一个,时间栏位置即为该位置;若定位到多个时间栏时,由业务逻辑可确定,在靠近整张图高度2/3处的时间栏即为目标时间栏。时间栏确定即可分割朋友圈上下部分。
检测所述待识别截图的像素值特征,并根据所述像素值特征确定所述待识别截图中的内容文字区域与图像区域,以得到所述文字区域图片集与图像区域图片集。
进一步地,所述检测所述待识别截图的像素值特征,并根据所述像素值特征确定所述待识别截图中的内容文字区域与图像区域,以得到所述文字区域图片集与图像区域图片集的步骤包括:
检测并获取所述待识别截图的像素值分布、行列像素极值与相邻行像素的平均值差值,以作为所述像素值特征;
根据所述像素值分布,确定所述待识别截图中的内容图片区域;
根据所述行列像素极值,确定所述待识别截图中的内容文字区域;
根据所述相邻行像素的平均值差值,确定所述待识别截图中的点赞图片区域,以得到包含时间文字区域与内容文字区域的文字区域图片集以及包含内容图片区域与点赞图片区域的图像区域图片集。
在本实施例中,像素值特征包括:图片像素值分布,行或列像素最大值与最小值与相邻行像素平均值差值。以待识别截图为微信朋友圈截图为例,由于截图中的内容图像区域具有像素分布广的特征,故***可以通过检测并获取截图的像素值特征,并根据分布广的像素值定位到内容图片区域的边界坐标;由于截图中的内容文字区域具有黑字白底像素差值大的特征,故***可通过获取截图中的各个像素值,并计算像素值之间的差值,即可让将存在较大差值所在区域定位出内容文字区域的边界坐标;由于微信朋友圈截图的点赞区域分布在灰色背景板中,故***可通过检测并获取截图的相邻行像素的平均差值,定位点赞区域的边界坐标。***通过检测并获取这些像素值特征,即可定位出内容文字区域、内容图像区域与点赞区域的边界坐标,进而确定内容文字区域、内容图像区域与点赞区域,结合上述的时间文字区域,即可得到包含时间文字区域与内容文字区域的文字区域图片集以及包含内容图片区域与点赞图片区域的图像区域图片集。
进一步地,通过根据实际的图像分辨率对应调整匹配模板的尺寸,以将匹配模板与待识别的截图相适配;通过对截图进行局部掩码匹配,能够更高效地定位到截图中的时间文字区域;通过检测截图中的各类像素值特征,能够根据特征定位到截图中的内容图片区域、内容文字区域与点赞图片区域。
进一步地,基于上述图2所示的第一实施例,提出本发明截图内容检测方法的第三实施例。本实施例中,步骤S20包括:
根据预设基于深度学习算法的文字识别模型,对所述文字区域图片集进行识别,以得到对应的文字识别结果;
在本实施例中,以针对文字区域图片集中的时间文字区域以及是否存在部分人可见图标为例。***在区域图片集中的时间区域通过模板匹配检测该条朋友圈是否存在部分人可见图标,同时将时间栏区域输入预设已进行深度学习训练的文字识别模型,得到时间信息,也即是该条朋友圈的发出时间。
根据预设目标图形估计算法,对所述图像区域图片集进行识别,以得到所述图像区域图片集对应的图像识别结果;
进一步地,所述根据预设目标图形估计算法,对所述图像区域图片集进行识别,以得到所述图像区域图片集对应的图像识别结果的步骤包括:
定位所述图像区域图片集中的头像框区域,并按照头像框大小估计算法按行分割所述头像框区域,得到头像框集合;
利用预设头像框间隔,统计所述头像框集合中的头像框数量,以作为点赞统计数量。
在本实施例中,以目标图形估计算法为头像框估计算法,点赞统计方式为头像计数为例,这一点赞统计方式适用于根据点赞区域的名称文字颜色统计文字颜色相对与灰底的占比低时的情况,也即是待识别截图为普通截图模式的微信朋友圈截图。由于头像具备随机个性化特征,无法使用目标检测一类方法,如果寻找矩形框,存在一部分人头像颜色为灰色,与背景融合的情况。因此***可采用头像框大小估计方法,估计方法是将头像区域按行分割,分割条件是头像行间灰白线条,依据头像的正方形特质,每行头像的高度即为头像的高度,这种估算方法明显的好处就是一行的多个头像不会同时出现颜色异常,单个的头像异常不会影响到行的高度估计。有了头像大小,头像间隔大小也可以通过经验值(头像的1/10)计算得到,再根据头像每行长度计算点赞的头像数量N,公式为:其中n表示总行数,Li表示第i行头像的长度,W表示头像宽度,S表示头像间隔大小,cell表示向上取整。
另外,对于根据点赞区域的名称文字颜色统计文字颜色相对与灰底的占比高时的情况,也即是待识别截图为相册模式的微信朋友圈截图。***可将点赞区域中的名称所在部分输入文字检测模型,并将得到的文字分割结果输入文字识别模型以得到实际文字信息,在对实际文字信息中的逗号进行计数,作为点赞统计人数。
将所述文字识别结果与所述图像识别结果进行汇总,生成所述区域识别结果,其中,所述区域识别结果存储于区块链中。
在本实施例中,***在得到文字区域图片集的文字识别结果与图像区域图片集的图像识别结果后,对其进行汇总,得到最终的区域识别结果。例如,针对微信朋友圈截图,***获取到文字识别结果为,发布时间为2020年7月15号,该条朋友圈为部分人可见,图像识别结果为点赞头像框数为10个。***将这些信息进行汇总集合,作为该条朋友圈截图的区域识别结果。需要强调的是,为进一步保证上述区域识别结果的私密和安全性,上述区域识别结果存储于一区块链的节点中。
进一步地,在本实施例中,所述审核结果包括第一审核结果与第二审核结果,步骤S30包括:
判断所述区域识别结果是否符合预设审核标准;
若所述区域识别结果符合预设审核标准,则生成审核通过信息以作为第一审核结果;
若所述区域识别结果不符合预设审核标准,则收集审核过程中的错误信息,并基于所述错误信息生成审核失败信息以作为第二审核结果。
在本实施例中,***对区域识别结果的审核结果通常分为两类,一类是代表审核通过的第一审核结果,与代表审核为未通过的第二审核结果。需要说明的是,对于审核未通过的第二审核结果,需要收集标准判定过程中具体哪些条件未通过的错误信息,将这些信息汇总为第二审核结果,以便对审核未通过的具体原因进行分析。
进一步地,在本实施例中,所述基于预设审核标准与所述区域识别结果,确定所述待识别截图对应的审核结果的步骤之后,还包括:
提取所述区域识别结果中的标签信息,并获取客户端的用户信息;
基于所述标签信息与所述用户信息建立用户画像模型,以利用所述用户画像模型选择针对客户端的定向推送内容。
在本实施例中,标签信息可为地点信息、活动类型信息等,用户信息可为性别信息、年龄信息等。***可将用户所反馈的朋友圈截图与对应的用户信息一同作为训练数据集,采用有监督的学习方法,例如机器学习的分类和回归算法(贝叶斯,决策树,逻辑回归,支持向量机等),从标注好的训练数据学习到一个用于预测的用户画像模型。此用户画像模型的构建可通过目标分析、体系构建与画像建立这三步来完成。第一步,目标分析:将所有用户相关的数据分为静态信息数据与动态信息数据,静态信息数据为用户相对稳定的信息,如人口属性、商业属性等方面数据。动态信息数据是不断变化的行为信息,需要重点获取并分析;第二步,体系构建,目前主流的标签体系都是层次化的,首先标签分为几个大类,每个大类下进行逐层细分。在构建标签时,只需要构建最下层的标签,就能够映射到上面两级标签。用于广告投放和精准营销的一般是底层标签,此外,标签的粒度也是需要注意的,标签粒度太粗会没有区分度,粒度过细会导致标签体系太过复杂而不具有通用性。基于原始数据首先构建的是事实标签,事实标签可以从数据库直接获取(如注册信息),或通过简单的统计得到。这类标签构建难度低、实际含义明确,且部分标签可用作后续标签挖掘的基础特征(如产品购买次数可用来作为用户购物偏好的输入特征数据)。事实标签的构造过程,也是对数据加深理解的过程。对数据进行统计的同时,不仅完成了数据的处理与加工,也对数据的分布有了一定的了解,为高级标签的构造做好了准备。模型标签是标签体系的核心,也是用户画像工作量最大的部分,大多数用户标签的核心都是模型标签。模型标签的构造需要用到机器学习和自然语言处理技术。最后构造的是高级标签,高级标签是基于事实标签和模型标签进行统计建模得出的,它的构造多与实际的业务指标紧密联系。只有完成基础标签的构建,才能够构造高级标签。构建高级标签使用的模型,可以是简单的数据统计,也可以是复杂的机器学习模型。根据所构建的标签体系,提取出用户动态信息数据所对应的标签;第三步,画像建立,根据用户数据所对应的标签建立用户画像,用户画像模型可为用户价值模型、客户活跃模型、用户忠诚度模型与用户购物类型模型等,常用建模算法通常为聚类算法,具体可为K-means聚类算法和***聚类算法。
商家可利用该用户画像模型预测同类客户端用户偏好分享的宣传信息类型,再在后续的推送计划中定向为这些客户端用户推送感兴趣的宣传信息,以增大用户分享此宣传信息的概率。具体地,若***通过已训练好的用户画像模型获取到年龄段18-30的女性客户端用户群体的宣传信息分享的倾向为美妆类型与美食类型,则可向同一类型的新客户端用户在微信公众号中推送这两种类型的宣传信息,以增大宣传信息能够被用户分享的概率。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
进一步地,通过分别采用基于深度学习算法的文字识别模型与预设目标图形估计算法,分别对文字区域图片集与图像区域图片集进行识别,使得截图识别的操作更具有针对性,得到的识别结果也就更加准确;通过采用头像框大小估计算法来对点赞区域的头像框进行计数,使得能够准确获取截图中所反映的点赞人数;通过预设的审核标准来对区域识别结果进行审核,使得能够自动高效地得到审核结果;通过提取区域识别结果中的标签信息来建立对应的用户画像模型,使得能够充分利用采集到的用户相关数据,指定适用于不同用户的推送策略。
此外,如图3所示,为实现上述目的,本发明还提供一种截图内容检测装置,所述截图内容检测装置包括:
文字图像分割模块10,用于接收由客户端发送的待识别截图,对所述待识别截图进行文字图像分割,生成文字区域图片集与图像区域图片集;
区域检测识别模块20,用于基于预设深度学习算法和预设目标图形估计算法,分别对所述文字区域图片集与图像区域图片集进行检测识别,得到所述文字区域图片集与图像区域图片集汇总后的区域识别结果;
识别结果审核模块30,用于基于预设审核标准与所述区域识别结果,确定所述待识别截图对应的审核结果。
可选地,所述文字区域图片集中包含时间文字区域与内容文字区域,
所述文字图像分割模块10包括:
模板匹配单元,用于接收由客户端发送的待识别截图,基于预设多尺度模板匹配算法,确定所述待识别截图中的时间文字区域;
特征识别单元,用于检测所述待识别截图的像素值特征,并根据所述像素值特征确定所述待识别截图中的内容文字区域与图像区域,以得到所述文字区域图片集与图像区域图片集。
可选地,所述模板匹配单元还用于:
获取所述待识别截图的图像分辨率,并根据所述图像分辨率对预设匹配模板的尺寸进行缩放,以将所述匹配模板与所述待识别截图进行适配;
使用所述匹配模板对所述待识别截图进行局部掩码匹配,定位所述待识别截图中的时间栏坐标,以将所述时间栏坐标对应的区域作为所述时间文字区域。
可选地,所述图像区域图片集中包含内容图片区域与点赞图片区域,
所述特征识别单元还用于:
检测并获取所述待识别截图的像素值分布、行列像素极值与相邻行像素的平均值差值,以作为所述像素值特征;
根据所述像素值分布,确定所述待识别截图中的内容图片区域;
根据所述行列像素极值,确定所述待识别截图中的内容文字区域;
根据所述相邻行像素的平均值差值,确定所述待识别截图中的点赞图片区域,以得到包含时间文字区域与内容文字区域的文字区域图片集以及包含内容图片区域与点赞图片区域的图像区域图片集。
可选地,所述区域检测识别模块20包括:
文字识别单元,用于根据预设基于深度学习算法的文字识别模型,对所述文字区域图片集进行识别,以得到对应的文字识别结果;
图像识别单元,用于根据预设目标图形估计算法,对所述图像区域图片集进行识别,以得到所述图像区域图片集对应的图像识别结果;
结果汇总单元,用于将所述文字识别结果与所述图像识别结果进行汇总,生成所述区域识别结果,其中,所述区域识别结果存储于区块链中。
可选地,所述目标图形估计算法包括头像框大小估计算法,所述图像识别结果包括点赞统计数量,
所述图像识别单元还用于:
定位所述图像区域图片集中的头像框区域,并按照头像框大小估计算法按行分割所述头像框区域,得到头像框集合;
利用预设头像框间隔,统计所述头像框集合中的头像框数量,以作为点赞统计数量。
可选地,所述审核结果包括第一审核结果与第二审核结果,
所述识别结果审核模块30包括:
标准判断单元,用于判断所述区域识别结果是否符合预设审核标准;
第一审核单元,用于若所述区域识别结果符合预设审核标准,则生成审核通过信息以作为第一审核结果;
第二审核单元,用于若所述区域识别结果不符合预设审核标准,则收集审核过程中的错误信息,并基于所述错误信息生成审核失败信息以作为第二审核结果。
可选地,所述截图内容检测装置还包括:
标签提取单元,用于提取所述区域识别结果中的标签信息,并获取客户端的用户信息;
定向推送单元,用于基于所述标签信息与所述用户信息建立用户画像模型,以利用所述用户画像模型选择针对客户端的定向推送内容。
本发明还提供一种电子设备。
所述电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的截图内容检测程序,其中所述截图内容检测程序被所述处理器执行时,实现如上所述的截图内容检测方法的步骤。
其中,所述截图内容检测程序被执行时所实现的方法可参照本发明截图内容检测方法的各个实施例,此处不再赘述。
此外,本发明实施例还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有截图内容检测程序,其中所述截图内容检测程序被处理器执行时,实现如上述的截图内容检测方法的步骤。
其中,截图内容检测程序被执行时所实现的方法可参照本发明截图内容检测方法的各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种截图内容检测方法,其特征在于,所述截图内容检测方法包括以下步骤:
接收由客户端发送的待识别截图,对所述待识别截图进行文字图像分割,生成文字区域图片集与图像区域图片集;
基于预设深度学习算法和预设目标图形估计算法,分别对所述文字区域图片集与图像区域图片集进行检测识别,得到所述文字区域图片集与图像区域图片集汇总后的区域识别结果;
基于预设审核标准与所述区域识别结果,确定所述待识别截图对应的审核结果。
2.如权利要求1所述的截图内容检测方法,其特征在于,所述文字区域图片集中包含时间文字区域与内容文字区域,
所述接收由客户端发送的待识别截图,对所述待识别截图进行文字图像分割,生成文字区域图片集与图像区域图片集的步骤包括:
接收由客户端发送的待识别截图,基于预设多尺度模板匹配算法,确定所述待识别截图中的时间文字区域;
检测所述待识别截图的像素值特征,并根据所述像素值特征确定所述待识别截图中的内容文字区域与图像区域,以得到所述文字区域图片集与图像区域图片集。
3.如权利要求2所述的截图内容检测方法,其特征在于,所述接收由客户端发送的待识别截图,基于预设多尺度模板匹配算法,确定所述待识别截图中的时间文字区域的步骤包括:
获取所述待识别截图的图像分辨率,并根据所述图像分辨率对预设匹配模板的尺寸进行缩放,以将所述匹配模板与所述待识别截图进行适配;
使用所述匹配模板对所述待识别截图进行局部掩码匹配,定位所述待识别截图中的时间栏坐标,以将所述时间栏坐标对应的区域作为所述时间文字区域。
4.如权利要求2所述的截图内容检测方法,其特征在于,所述图像区域图片集中包含内容图片区域与点赞图片区域,
所述检测所述待识别截图的像素值特征,并根据所述像素值特征确定所述待识别截图中的内容文字区域与图像区域,以得到所述文字区域图片集与图像区域图片集的步骤包括:
检测并获取所述待识别截图的像素值分布、行列像素极值与相邻行像素的平均值差值,以作为所述像素值特征;
根据所述像素值分布,确定所述待识别截图中的内容图片区域;
根据所述行列像素极值,确定所述待识别截图中的内容文字区域;
根据所述相邻行像素的平均值差值,确定所述待识别截图中的点赞图片区域,以得到包含时间文字区域与内容文字区域的文字区域图片集以及包含内容图片区域与点赞图片区域的图像区域图片集。
5.如权利要求1所述的截图内容检测方法,其特征在于,所述基于预设深度学习算法和预设目标图形估计算法,分别对所述文字区域图片集与图像区域图片集进行检测识别,得到所述文字区域图片集与图像区域图片集汇总后的的区域识别结果的步骤包括:
根据预设基于深度学习算法的文字识别模型,对所述文字区域图片集进行识别,以得到对应的文字识别结果;
根据预设目标图形估计算法,对所述图像区域图片集进行识别,以得到所述图像区域图片集对应的图像识别结果;
将所述文字识别结果与所述图像识别结果进行汇总,生成所述区域识别结果,其中,所述区域识别结果存储于区块链中。
6.如权利要求5所述的截图内容检测方法,其特征在于,所述目标图形估计算法包括头像框大小估计算法,所述图像识别结果包括点赞统计数量,
所述根据预设目标图形估计算法,对所述图像区域图片集进行识别,以得到所述图像区域图片集对应的图像识别结果的步骤包括:
定位所述图像区域图片集中的头像框区域,并按照头像框大小估计算法按行分割所述头像框区域,得到头像框集合;
利用预设头像框间隔,统计所述头像框集合中的头像框数量,以作为点赞统计数量。
7.如权利要求1所述的截图内容检测方法,其特征在于,所述审核结果包括第一审核结果与第二审核结果,
所述基于预设审核标准与所述区域识别结果,确定所述待识别截图对应的审核结果的步骤包括:
判断所述区域识别结果是否符合预设审核标准;
若所述区域识别结果符合预设审核标准,则生成审核通过信息以作为第一审核结果;
若所述区域识别结果不符合预设审核标准,则收集审核过程中的错误信息,并基于所述错误信息生成审核失败信息以作为第二审核结果。
8.如权利要求1-7任一项所述的截图内容检测方法,其特征在于,所述基于预设审核标准与所述区域识别结果,确定所述待识别截图对应的审核结果的步骤之后,还包括:
提取所述区域识别结果中的标签信息,并获取客户端的用户信息;
基于所述标签信息与所述用户信息建立用户画像模型,以利用所述用户画像模型选择针对客户端的定向推送内容。
9.一种电子设备,其特征在于,所述电子设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的截图内容检测程序,其中所述截图内容检测程序被所述处理器执行时,实现如权利要求1至8中任一项所述的截图内容检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有截图内容检测程序,其中所述截图内容检测程序被处理器执行时,实现如权利要求1至8中任一项所述的截图内容检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010739177.9A CN111881901A (zh) | 2020-07-28 | 2020-07-28 | 截图内容检测方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010739177.9A CN111881901A (zh) | 2020-07-28 | 2020-07-28 | 截图内容检测方法、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111881901A true CN111881901A (zh) | 2020-11-03 |
Family
ID=73201845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010739177.9A Pending CN111881901A (zh) | 2020-07-28 | 2020-07-28 | 截图内容检测方法、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881901A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989112A (zh) * | 2021-04-27 | 2021-06-18 | 北京世纪好未来教育科技有限公司 | 在线课堂内容采集方法及装置 |
CN113569861A (zh) * | 2021-08-03 | 2021-10-29 | 天翼爱音乐文化科技有限公司 | 一种移动应用违规内容扫描方法、***、设备及介质 |
CN114663878A (zh) * | 2022-05-25 | 2022-06-24 | 成都飞机工业(集团)有限责任公司 | 一种成品软件版本检查方法、装置、设备及介质 |
CN114821567A (zh) * | 2022-06-23 | 2022-07-29 | 北京百炼智能科技有限公司 | 一种用于社交软件截图的点赞个数提取方法及装置 |
CN115098579A (zh) * | 2022-08-24 | 2022-09-23 | 中关村科学城城市大脑股份有限公司 | 业务数据发布方法、装置、电子设备和计算机可读介质 |
-
2020
- 2020-07-28 CN CN202010739177.9A patent/CN111881901A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989112A (zh) * | 2021-04-27 | 2021-06-18 | 北京世纪好未来教育科技有限公司 | 在线课堂内容采集方法及装置 |
CN113569861A (zh) * | 2021-08-03 | 2021-10-29 | 天翼爱音乐文化科技有限公司 | 一种移动应用违规内容扫描方法、***、设备及介质 |
CN113569861B (zh) * | 2021-08-03 | 2022-12-06 | 天翼爱音乐文化科技有限公司 | 一种移动应用违规内容扫描方法、***、设备及介质 |
CN114663878A (zh) * | 2022-05-25 | 2022-06-24 | 成都飞机工业(集团)有限责任公司 | 一种成品软件版本检查方法、装置、设备及介质 |
CN114821567A (zh) * | 2022-06-23 | 2022-07-29 | 北京百炼智能科技有限公司 | 一种用于社交软件截图的点赞个数提取方法及装置 |
CN115098579A (zh) * | 2022-08-24 | 2022-09-23 | 中关村科学城城市大脑股份有限公司 | 业务数据发布方法、装置、电子设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108665355B (zh) | 金融产品推荐方法、装置、设备和计算机存储介质 | |
US11657602B2 (en) | Font identification from imagery | |
CN111881901A (zh) | 截图内容检测方法、设备及计算机可读存储介质 | |
US10936915B2 (en) | Machine learning artificial intelligence system for identifying vehicles | |
CN107016387B (zh) | 一种识别标签的方法及装置 | |
CN112329659B (zh) | 基于车辆图像的弱监督语义分割方法及其相关设备 | |
CN105809178A (zh) | 一种基于人脸属性的人群分析方法及装置 | |
CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN113435335B (zh) | 微观表情识别方法、装置、电子设备及存储介质 | |
CN111738252B (zh) | 图像中的文本行检测方法、装置及计算机*** | |
CN113761253A (zh) | 视频标签确定方法、装置、设备及存储介质 | |
CN106778851A (zh) | 基于手机取证数据的社交关系预测***及其方法 | |
CN112417315A (zh) | 基于网站注册的用户画像生成方法、装置、设备和介质 | |
CN112487284A (zh) | 银行客户画像生成方法、设备、存储介质及装置 | |
CN108764232B (zh) | 标签位置获取方法及装置 | |
CN111598600A (zh) | 多媒体资讯推送方法及***、终端设备 | |
CN113762257A (zh) | 一种美妆品牌图像中标志的识别方法及装置 | |
CN112131477A (zh) | 一种基于用户画像的图书馆图书推荐***及方法 | |
CN115690819A (zh) | 一种基于大数据的识别方法及其*** | |
CN116029760A (zh) | 消息推送方法、装置、计算机设备和存储介质 | |
CN113806638B (zh) | 基于用户画像的个性化推荐方法及相关设备 | |
Fernández et al. | Implementation of a face recognition system as experimental practices in an artificial intelligence and pattern recognition course | |
Anggoro et al. | Classification of Solo Batik patterns using deep learning convolutional neural networks algorithm | |
Poodikkalam et al. | Optical character recognition based on local invariant features | |
CN114283492B (zh) | 基于员工行为的工作饱和度分析方法、装置、设备及介质 |
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 |