CN113065609B - 图像分类方法、装置、电子设备及可读存储介质 - Google Patents
图像分类方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN113065609B CN113065609B CN202110438241.4A CN202110438241A CN113065609B CN 113065609 B CN113065609 B CN 113065609B CN 202110438241 A CN202110438241 A CN 202110438241A CN 113065609 B CN113065609 B CN 113065609B
- Authority
- CN
- China
- Prior art keywords
- image
- image set
- classification
- labeling
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000002372 labelling Methods 0.000 claims abstract description 120
- 238000013145 classification model Methods 0.000 claims abstract description 117
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000012216 screening Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 28
- 238000011176 pooling Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 2
- 241000209140 Triticum Species 0.000 description 25
- 235000021307 Triticum Nutrition 0.000 description 25
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 241000510678 Falcaria vulgaris Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- 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
- 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
- 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
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及智能决策领域，揭露一种图像分类方法，包括：利用第一标注图像集对预构建的第一卷积神经网络模型进行训练，得到第一图像分类模型；对待标注图像集进行图像筛选及分割处理，得到分割图像集；利用第一图像分类模型对分割图像集进行分类标注，得到第二标注图像集；合并第一标注图像集和第二标注图像集，得到标注图像集；利用标注图像集对预构建的第二卷积神经网络模型进行迭代标注训练，得到目标图像分类模型；利用目标图像分类模型对待分类图像进行分类，得到分类结果。本发明还涉及一种区块链技术，所述标注图像集可以存储在区块链节点中。本发明还提出一种图像分类装置、电子设备以及存储介质。本发明可以提高图像分类的准确率。
Description
技术领域
本发明涉及智能决策领域，尤其涉及一种图像分类方法、装置、电子设备及可读存储介质。
背景技术
随着科技的发展，人工智能技术逐渐应用在各个领域，例如，为了更好的从农作物图像中获取信息，判断出农作物长势，人们逐渐利用人工智能进行农作物图像分类。
目前主要应用利用标签标注的图像训练深度学习模型对图像进行分类，例如利用模型对农作物图像进行分类判断农作物生长阶段（例如：小麦生长分为出苗、生根、长叶、分蘖、拔节、孕穗、抽穗、开花、结实几个阶段），从而判断出农作物长势为种植人员提供建议。
但是由于图像的标注效率不高，因此标签标注的图像难以获取，导致模型的训练样本较少，影响模型的训练效果，导致图像分类的准确度较低。
发明内容
本发明提供一种图像分类方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高图像分类的准确率。
为实现上述目的，本发明提供的一种图像分类方法，包括：
获取第一标注图像集，利用所述第一标注图像集对预构建的第一卷积神经网络模型进行训练，得到第一图像分类模型；
获取待标注图像集，对所述待标注图像集进行图像筛选及分割处理，得到分割图像集；
利用所述第一图像分类模型对所述分割图像集进行分类标注，得到第二标注图像集；
合并所述第一标注图像集和所述第二标注图像集，得到标注图像集；利用所述标注图像集对预构建的第二卷积神经网络模型进行迭代标注训练，得到目标图像分类模型；
当接收待分类图像时，利用所述目标图像分类模型对所述待分类图像进行分类，得到分类结果。
可选地，所述利用所述第一标注图像集对预构建的第一卷积神经网络模型进行训练，得到第一图像分类模型，包括：
步骤A：利用所述第一卷积神经网络模型对所述第一标注图像集进行预设次数的卷积池化操作，得到特征集；
步骤B：利用预设的激活函数对所述特征集中的每个特征数据进行计算，得到每个特征数据对应的标签预测值；
步骤C：获取所述特征数据对应的标注图像包含的标签对应的标签真实值，并利用预构建的损失函数计算所述标签预测值及所述标签真实值之间的损失值；
步骤D：若所述损失值大于或等于预设阈值，更新所述第一卷积神经网络模型的参数，返回上述的步骤A；
步骤E：若所述损失值小于预设阈值，得到并输出所述第一图像分类模型。
可选地，获取待标注图像集，对所述待标注图像集进行图像筛选及分割处理，得到分割图像集，包括：
对所述待标注图像集进行图像质量筛选，得到筛选图像集；
对所述筛选图像集中的每张图像进行图像分割，得到所述筛选图像集中每张图像的感兴趣区域；
将所述筛选图像集中每张图像的感兴趣区域之外区域的所有像素均调整至预设灰度值，得到所述分割图像集。
可选地，对所述待标注图像集进行图像质量筛选，得到筛选图像集，包括：
对所述待标注图像集中的每个图像进行灰度转换，得到所述每个图像的灰度图数组；
计算所述灰度图数组的方差，得到灰度方差；
选取所述待标注图像集中所述灰度方差小于预设方差值的图像，得到所述筛选图像集。
可选地，所述利用所述标注图像集对预构建的第二卷积神经网络模型进行迭代标注训练，得到目标图像分类模型，包括：
步骤I：利用所述标注图像集对预构建的第二卷积神经网络模型进行迭代训练，得到第二图像分类模型；
步骤II：利用预设的测试图像集对所述第二图像分类模型进行分类测试，得出分类准确率，判断所述第二图像分类模型的分类准确率是否大于或等于预设准确阈值；
步骤III：若所述第二图像分类模型的分类准确率小于预设准确阈值，更新所述标注图像集及所述第二卷积神经网络模型，并返回所述步骤I；若所述第二图像分类模型的分类准确率大于或等于预设准确阈值，将所述第二图像分类模型作为所述目标图像分类模型。
可选地，其特征在于，所述利用预设的测试图像集对所述第二图像分类模型进行分类测试，得出分类准确率，包括：
利用所述第二图像分类模型对所述测试图像集中的每张图像进行分类，得到对应的分类结果；
根据所述测试图像集中每张图像的类别标签与对应的所述分类结果进行一致性比对，得到比对结果；
根据所述比对结果进行百分比计算，得到所述分类准确率。
可选地，所述更新所述标注图像集及所述第二卷积神经网络模型，包括：
利用所述第二图像分类模型对分割图像集进行标注，得到第三标注图像集；
以所述第三标注图像集更新所述标注图像集，得到更新后的标注图像集；
增加或删除所述第二卷积神经网络的结构，得到更新后的第二卷积神经网络模型。
为了解决上述问题，本发明还提供一种图像分类装置，所述装置包括：
模型训练模块，用于获取第一标注图像集，利用所述第一标注图像集对预构建的第一卷积神经网络模型进行训练，得到第一图像分类模型；
图像标注模块，用于获取待标注图像集，对所述待标注图像集进行图像筛选及分割处理，得到分割图像集；利用所述第一图像分类模型对所述分割图像集进行分类标注，得到第二标注图像集；合并所述第一标注图像集和所述第二标注图像集，得到标注图像集；
图像分类模块，用于利用所述标注图像集对预构建的第二卷积神经网络模型进行迭代标注训练，得到目标图像分类模型；当接收待分类图像时，利用所述目标图像分类模型对所述待分类图像进行分类，得到分类结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的图像分类方法。
为了解决上述问题，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中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的图像分类方法。
本发明实施例通过利用所述第一标注图像集对预构建的第一卷积神经网络模型进行训练，得到第一图像分类模型；对待标注图像集进行图像筛选及分割处理，得到分割图像集；利用所述第一图像分类模型对所述分割图像集进行分类标注，得到第二标注图像集，利用模型对图像进行标注，提升标注效率；合并所述第一标注图像集和所述第二标注图像集，得到标注图像集；利用所述标注图像集对预构建的第二卷积神经网络模型进行迭代标注训练，得到目标图像分类模型，利用模型不断对标注图像集进行迭代更新标注，不断更新提高标注图像集标注准确率，再利用更新后的标注图像集对模型进行迭代训练，提高了目标图像分类模型的性能，进而提高图像分类准确率；当接收待分类图像时，利用所述目标图像分类模型对所述待分类图像进行分类，得到分类结果。。因此本发明实施例提出的图像分类方法、装置、电子设备及可读存储介质提高了图像分类的准确度。
附图说明
图1为本发明一实施例提供的图像分类方法的流程示意图；
图2为本发明一实施例提供的图像分类装置的模块示意图；
图3为本发明一实施例提供的实现图像分类方法的电子设备的内部结构示意图；
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。
本发明实施例提供一种图像分类方法。所述图像分类方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述图像分类方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示的本发明一实施例提供的图像分类方法的流程示意图，在本发明实施例中，所述图像分类方法包括：
S1、获取第一标注图像集，利用所述第一标注图像集对预构建的第一卷积神经网络模型进行训练，得到第一图像分类模型。
本发明实施例中，所述第一标注图像集为农作物标注图像的集合，所述农作物标注图像为标注有农作物生长阶段标签的农作物图像集合，如所述农作物图像为麦田图片，小麦可以分为出苗、生根、长叶、分蘖、拔节、孕穗、抽穗、开花、结实9个生长阶段，那么所述生长阶段标签共有出苗、生根、长叶、分蘖、拔节、孕穗、抽穗、开花、结实9种，某农作物图像处于抽穗阶段，则标注为“抽穗”的标签。由于农作物生长是个连续的过程，一般可达数月，且生长阶段判断难度大，分类标注需由专业人员进行，因此，农作物图像的标注效率低，所述第一标注图像集不易获取。
本发明实施例中，为了训练出精准判断农作物长势的图像分类模型，需利用所述第一标注图像集对预构建的第一卷积神经网络模型进行训练。所述卷积神经网络模型通常包含隐含层和输出层。所述隐含层包含卷积层和池化层，所述卷积层可以对输入的图像进行特征提取，得到输出特征图；所述池化层对所述输出特征图进行特征选择和信息过滤，得到特征数据；所述输出层对特征数据进行非线性组合利用逻辑函数或归一化指数函数对所述输入数据输出分类标签，从而实现对图像的分类。可选地，本发明实施例中所述第一卷积神经网络模型为EfficientNet-b3模型。
详细地，本发明实施例中所述利用所述第一标注图像集对预构建的第一卷积神经网络模型进行训练，包括：
步骤A：利用所述第一卷积神经网络模型对所述第一标注图像集进行预设次数的卷积池化操作，得到特征集；
详细地，将所述第一标注图像集输入所述第一卷积神经网络模型，进一步地，由所述第一卷积神经网络模型隐含层的卷积层对所述第一标注图像集每张图像进行卷积，得到特征图，再由池化层对所述特征图进行池化，得到特征数据，汇总所有所述特征数据得到所述特征集。
步骤B：利用预设的激活函数对所述特征集中的每个特征数据进行计算，得到每个特征数据对应的标签预测值；
可选地，本发明实施例中所述激活函数为Relu函数。
步骤C：获取所述特征数据对应的标注图像包含的标签对应的标签真实值，并利用预构建的损失函数计算所述标签预测值及所述标签真实值之间的损失值；
本发明实施例中所述标签真实值由所述标注图像包含的标签确定的，如：标注图像甲的标签为A标签，那么对应的标签真实值为A标签为1。
步骤D：若所述损失值大于或等于预设阈值，更新所述第一卷积神经网络模型的参数，返回上述的步骤A；
步骤E：若所述损失值小于预设阈值，得到并输出所述第一图像分类模型。
详细地，所述卷积池化操作包括：卷积操作和池化操作。
进一步地，所述卷积操作通道变化为：
其中，为卷积数据集的中图像的通道数，/>为所述第一标注图像集中的图像的通道数，/>为预设卷积核的大小，/>为预设卷积操作的步幅，/>为预设数据补零矩阵。
较佳地，本发明实施例中所述池化操作为对所述卷积数据集进行最大池化操作得到所述特征集。
进一步地，本发明较佳实施例所述激活函数包括：
其中，表示所述标签预测值，s表示所述特征集中的特征数据。
详细地，本发明较佳实施例所述损失函数包括：
其中，表示所述损失值，/>为所述标注图像集的图像的总数目，/>为正整数，表示所述第一标注图像集中图像的编号，/>为所述第一标注图像集不同编号的图像对应的所述标签真实值，/>为所述第一标注图像集不同编号的图像对应的所述标签预测值。
S2、获取待标注图像集，对所述待标注图像集进行图像筛选及分割处理，得到分割图像集。
本发明实施例中，为了使图像分类模型可以更精准判断对图像进行分类，需获取更多标注图像进行训练，因此，本发明实施例获取待标注图像集，所述待标注图像中的图像为与所述第一标注图像集中图像类型相同内容不同的未标注的图像，可选地，所述待标注图像集中的图像为农作物所在农田的图像，如：没有标注的标注的小麦农田图片，所述待标注图像集可以从某图片数据库中获取。
进一步地，本发明实施例为了后续模型训练更准确，需要保证所述待标注图像集中图像的质量，因此，为了更好地对模型进行训练，需要对所述待标注图像集进行筛选，保留所述待标注图像集质量高的图片，剔除视觉效果模糊、噪点过多的低质量图像，得到筛选后的待标注图像集。详细地，本发明实施例获取所述待标注图像集中每个图像进行灰度转换得到对应的灰度图数组，计算所述灰度图数组的方差，得到灰度方差；选取所述待标注图像集中所述灰度方差小于预设方差值的图像，得到所述筛选后的待标注图像集。可选地，本发明实施例使用预构建的拉普拉斯算子进行卷积运算得到所述灰度方差，进一步地，对比所有图片的方差结果，保留方差结果较小的图片，得到清晰度高的图片。
进一步地，为了便于精准标注，需要去除所述筛选后的待标注图像集中每张图像中无关背景区域的干扰，对所述筛选后的待标注图像集中的每张图像进行分割，标记出所述筛选后的待标注图像集中每张图像的ROI（Region of Interest，感兴趣区域）区域，可选地，本发明实施例可利用本领域技术人员熟知的边缘检测算法裁剪感兴趣区域。较佳地，本发明实施例中，所述感兴趣区域为区域，进一步地，将所述筛选后的待标注图像集中的每张图像中所述感兴趣区域之外的区域进行像素调整处理，得到所述分割图像集，可选地，将所述筛选后的待标注图像集中的每张图像中所述感兴趣区域之外区域的所有像素均调整至预设灰度值，得到所述分割图像集。比如将所述图像中所述感兴趣区域之外区域的所有像素均调整为0，使所述筛选后的待标注图像集中的每张图像中所述感兴趣区域之外的区域变成黑色，从而去除无关背景区域的干扰，得到所述分割图像集。
S3、利用所述第一图像分类模型对所述分割图像集进行分类标注，得到第二标注图像集；
本发明实施例中，为了使图像分类模型可以更精准判断图像的分类，如判断农作物图像的生长阶段，需获得更多样本进行迭代训练。可以利用所述第一图像分类模型对所述分割图像集的图像进行标注，得到第二标注图像集作为样本。具体地，用所述第一图像分类模型对所述分割图像集的图像进行分类预测，根据分类预测结果给所述分割图像集中的图像打上预测的伪标签，完成后得到第二标注图像集。比如，利用所述第一图像分类模型对分割的麦田图像进行分类标注，如某张图像的小麦处于开花阶段，则由所述第一图像分类模型为该图像打上“开花”的伪标签。
S4、合并所述第一标注图像集和所述第二标注图像集，得到标注图像集；利用所述标注图像集对预构建的第二卷积神经网络模型进行迭代标注训练，得到目标图像分类模型。
本发明实施例中，合并所述第一标注图像集和所述第二标注图像集，得到标注图像集；进一步地，为了使图像分类模型可以更精准判断农作物长势，利用所述标注图像集对预构建的第二卷积神经网络模型进行迭代标注训练，包括：
步骤I：利用所述标注图像集对预构建的第二卷积神经网络模型进行迭代训练，得到第二图像分类模型；
本发明实施例中，所述步骤I的训练方式与上述S1相同，在此不再赘述。
步骤II：利用预设的测试图像集对所述第二图像分类模型进行分类测试，得出分类准确率，判断所述第二图像分类模型的分类准确率是否大于或等于预设准确阈值；
详细地，为了确保第二图像分类模型能否准确的对图像进行分类，需判断所述第二图像分类模型的分类准确率是否满足预设阈值。
进一步地，本发明实施例利用预设的测试图像集对所述第二图像分类模型进行分类测试，得出分类准确率，包括：利用所述第二图像分类模型对所述测试图像集中的每张图像进行分类，得到对应的分类结果，其中，所述测试图像集中的图像为标注有类别标签的图像；根据所述测试图像集中每张图像的类别标签与对应的所述分类结果进行一致性比对，得到比对结果；根据所述比对结果进行百分比计算，得到所述分类准确率，例如：所述测试图像集中共有100张图像，比对结果为95张图像的类别标签与对应的所述分类结果一致，5张不一致，那么分类准确率为95/100*100%=95%。
步骤III：若所述第二图像分类模型的分类准确率小于预设准确阈值，更新所述标注图像集及所述第二卷积神经网络模型，并返回所述步骤I；若所述第二图像分类模型的分类准确率大于或等于预设准确阈值，将所述第二图像分类模型作为所述目标图像分类模型；
详细地，如预设准确阈值为95%，若所述第二图像分类模型的分类准确率小于95%，则更新所述标注图像集和第二卷积神经网络模型，并用所述更新后的图像集对所述更新后的卷积神经网络模型进行迭代训练，直至所述第二图像分类模型的分类准确率大于或等于95%。
进一步地，本发明实施例中所述更新所述标注图像集及所述第二卷积神经网络模型，包括：利用所述第二图像分类模型对分割图像进行标注，得到第三标注图像集，以所述第三标注图像集更新所述标注图像集，得到更新后的标注图像集；将所述第二卷积神经网络模型进行结构调整，得到更新后的第二卷积神经网络模型，详细地，所述更新后的第二卷积神经网络模型为经过结构调整的所述第二卷积神经网络模型，包括增加或删除所述第二卷积神经网络的结构，如增加或删除卷积层、池化层，修改所述激活函数、损失函数的参数等。
本发明的另一实施例中，将所述标注图像集存储在区块链节点，利用区块链节点对数据的高吞吐性，提高所述标注图像集的存取效率。
S5、当接收待分类图像时，利用所述目标图像分类模型对所述待分类图像进行分类，得到分类结果。
本发明实施例中，所述待分类图像为待分类的农作物图像，进一步地，利用所述目标图像分类模型对所述待分类的图像进行分类，得到分类结果，通过分类结果判断农作物的生长阶段，为种植人员提供建议，也可以为农业保险行业提供理赔依据。比如：所述目标图像分类模型为判断小麦长势的图像分类模型，现接收到待分类的小麦图像。进一步地，利用所述判断小麦长势的图像分类模型对所述待分类的小麦图像进行分类判断，其中，所述分类判断为判断所述小麦图像的生长阶段，如生根，判断完成后为所述待分类的小麦图像打上生长阶段的标签，得到待标注小麦图像的分类结果，所述待标注小麦图像的分类结果可以为小麦种植人员提供建议，也可以为农业保险提供理赔依据。
如图2所示，是本发明图像分类装置的功能模块图。
本发明所述图像分类装置100可以安装于电子设备中。根据实现的功能，所述图像分类装置可以包括模型训练模块101、图像标注模块102、图像分类模块103，本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述模型训练模块101用于获取第一标注图像集，利用所述第一标注图像集对预构建的第一卷积神经网络模型进行训练，得到第一图像分类模型；
本发明实施例中，所述第一标注图像集为农作物标注图像的集合，所述农作物标注图像为标注有农作物生长阶段标签的农作物图像集合，如所述农作物图像为麦田图片，小麦可以分为出苗、生根、长叶、分蘖、拔节、孕穗、抽穗、开花、结实9个生长阶段，那么所述生长阶段标签共有出苗、生根、长叶、分蘖、拔节、孕穗、抽穗、开花、结实9种，某农作物图像处于抽穗阶段，则标注为“抽穗”的标签。由于农作物生长是个连续的过程，一般可达数月，且生长阶段判断难度大，分类标注需由专业人员进行，因此，农作物图像的标注效率低，所述第一标注图像集不易获取。
本发明实施例中，为了训练出精准判断农作物长势的图像分类模型，所述模型训练模块101需利用所述第一标注图像集对预构建的第一卷积神经网络模型进行训练。所述卷积神经网络模型通常包含隐含层和输出层。所述隐含层包含卷积层和池化层，所述卷积层可以对输入的图像进行特征提取，得到输出特征图；所述池化层对所述输出特征图进行特征选择和信息过滤，得到特征数据；所述输出层对特征数据进行非线性组合利用逻辑函数或归一化指数函数对所述输入数据输出分类标签，从而实现对图像的分类。可选地，本发明实施例中所述第一卷积神经网络模型为EfficientNet-b3模型。
详细地，本发明实施例中所述模型训练模块101利用如下手段对预构建的第一卷积神经网络模型进行训练，包括：
步骤A：利用所述第一卷积神经网络模型对所述第一标注图像集进行预设次数的卷积池化操作，得到特征集；
详细地，将所述第一标注图像集输入所述第一卷积神经网络模型，进一步地，由所述第一卷积神经网络模型隐含层的卷积层对所述第一标注图像集每张图像进行卷积，得到特征图，再由池化层对所述特征图进行池化，得到特征数据，汇总所有所述特征数据得到所述特征集。
步骤B：利用预设的激活函数对所述特征集中的每个特征数据进行计算，得到每个特征数据对应的标签预测值；
可选地，本发明实施例中所述激活函数为Relu函数。
步骤C：获取所述特征数据对应的标注图像包含的标签对应的标签真实值，并利用预构建的损失函数计算所述标签预测值及所述标签真实值之间的损失值；
本发明实施例中所述标签真实值由所述标注图像包含的标签确定的，如：标注图像甲的标签为A标签，那么对应的标签真实值为A标签为1。
步骤D：若所述损失值大于或等于预设阈值，更新所述第一卷积神经网络模型的参数，返回上述的步骤A；
步骤E：若所述损失值小于预设阈值，得到并输出所述第一图像分类模型。
详细地，所述卷积池化操作包括：卷积操作和池化操作。
进一步地，所述卷积操作通道变化为：
其中，为卷积数据集的中图像的通道数，/>为所述第一标注图像集中的图像的通道数，/>为预设卷积核的大小，/>为预设卷积操作的步幅，/>为预设数据补零矩阵。
较佳地，本发明实施例中所述池化操作为对所述卷积数据集进行最大池化操作得到所述特征集。
进一步地，本发明较佳实施例所述激活函数包括：
其中，表示所述标签预测值，s表示所述特征集中的特征数据。
详细地，本发明较佳实施例所述损失函数包括：
其中，表示所述损失值，/>为所述标注图像集的图像的总数目，/>为正整数，表示所述第一标注图像集中图像的编号，/>为所述第一标注图像集不同编号的图像对应的所述标签真实值，/>为所述第一标注图像集不同编号的图像对应的所述标签预测值。
所述图像标注模块102用于获取待标注图像集，对所述待标注图像集进行图像筛选及分割处理，得到分割图像集；利用所述第一图像分类模型对所述分割图像集进行分类标注，得到第二标注图像集；合并所述第一标注图像集和所述第二标注图像集，得到标注图像集；
本发明实施例中，为了使图像分类模型可以更精准判断对图像进行分类，需获取更多标注图像进行训练，因此，本发明实施例所述图像标注模块102获取待标注图像集，所述待标注图像中的图像为与所述第一标注图像集中图像类型相同内容不同的未标注的图像，可选地，所述待标注图像集中的图像为农作物所在农田的图像，如：没有标注的标注的小麦农田图片，所述待标注图像集可以从某图片数据库中获取。
进一步地，本发明实施例为了后续模型训练更准确，需要保证所述待标注图像集中图像的质量，因此，为了更好地对模型进行训练，需要所述图像标注模块102对所述待标注图像集进行筛选，保留所述待标注图像集质量高的图片，剔除视觉效果模糊、噪点过多的低质量图像，得到筛选后的待标注图像集。详细地，本发明实施例所述图像标注模块102获取所述待标注图像集中每个图像进行灰度转换得到对应的灰度图数组，计算所述灰度图数组的方差，得到灰度方差；选取所述待标注图像集中所述灰度方差小于预设方差值的图像，得到所述筛选后的待标注图像集。可选地，本发明实施例使用预构建的拉普拉斯算子进行卷积运算得到所述灰度方差，进一步地，对比所有图片的方差结果，保留方差结果较小的图片，得到清晰度高的图片。
进一步地，为了便于精准标注，需要去除所述筛选后的待标注图像集中每张图像中无关背景区域的干扰，对所述筛选后的待标注图像集中的每张图像进行分割，标记出所述筛选后的待标注图像集中每张图像的ROI（Region of Interest，感兴趣区域）区域，可选地，本发明实施例可利用本领域技术人员熟知的边缘检测算法裁剪感兴趣区域。较佳地，本发明实施例中，所述感兴趣区域为区域，进一步地，将所述筛选后的待标注图像集中的每张图像中所述感兴趣区域之外的区域进行像素调整处理，得到所述分割图像集，可选地，将所述筛选后的待标注图像集中的每张图像中所述感兴趣区域之外区域的所有像素均调整至预设灰度值，得到所述分割图像集。比如将所述图像中所述感兴趣区域之外区域的所有像素均调整为0，使所述筛选后的待标注图像集中的每张图像中所述感兴趣区域之外的区域变成黑色，从而去除无关背景区域的干扰，得到所述分割图像集。
本发明实施例中，为了使图像分类模型可以更精准判断图像的分类，如判断农作物图像的生长阶段，需获得更多样本进行迭代训练。所述图像标注模块102可以利用所述第一图像分类模型对所述分割图像集的图像进行标注，得到第二标注图像集作为样本。具体地，用所述第一图像分类模型对所述分割图像集的图像进行分类预测，根据分类预测结果给所述分割图像集中的图像打上预测的伪标签，完成后得到第二标注图像集。比如，利用所述第一图像分类模型对分割的麦田图像进行分类标注，如某张图像的小麦处于开花阶段，则由所述第一图像分类模型为该图像打上“开花”的伪标签。
本发明实施例中，所述图像标注模块102合并所述第一标注图像集和所述第二标注图像集，得到标注图像集。
所述图像分类模块103用于利用所述标注图像集对预构建的第二卷积神经网络模型进行迭代标注训练，得到目标图像分类模型；当接收待分类图像时，利用所述目标图像分类模型对所述待分类图像进行分类，得到分类结果。
进一步地，为了使图像分类模型可以更精准判断农作物长势，所述图像分类模块103利用如下手段对预构建的第二卷积神经网络模型进行迭代标注训练，包括：
步骤I：利用所述标注图像集对预构建的第二卷积神经网络模型进行迭代训练，得到第二图像分类模型；
本发明实施例中，所述步骤I的训练方式与上述S1相同，在此不再赘述。
步骤II：利用预设的测试图像集对所述第二图像分类模型进行分类测试，得出分类准确率，判断所述第二图像分类模型的分类准确率是否大于或等于预设准确阈值；
详细地，为了确保第二图像分类模型能否准确的对图像进行分类，需判断所述第二图像分类模型的分类准确率是否满足预设阈值。
进一步地，本发明实施例所述图像分类模块103利用预设的测试图像集对所述第二图像分类模型进行分类测试，得出分类准确率，包括：利用所述第二图像分类模型对所述测试图像集中的每张图像进行分类，得到对应的分类结果，其中，所述测试图像集中的图像为标注有类别标签的图像；根据所述测试图像集中每张图像的类别标签与对应的所述分类结果进行一致性比对，得到比对结果；根据所述比对结果进行百分比计算，得到所述分类准确率，例如：所述测试图像集中共有100张图像，比对结果为95张图像的类别标签与对应的所述分类结果一致，5张不一致，那么分类准确率为95/100*100%=95%。
步骤III：若所述第二图像分类模型的分类准确率小于预设准确阈值，更新所述标注图像集及所述第二卷积神经网络模型，并返回所述步骤I；若所述第二图像分类模型的分类准确率大于或等于预设准确阈值，将所述第二图像分类模型作为所述目标图像分类模型；
详细地，如预设准确阈值为95%，若所述第二图像分类模型的分类准确率小于95%，则更新所述标注图像集和第二卷积神经网络模型，并用所述更新后的图像集对所述更新后的卷积神经网络模型进行迭代训练，直至所述第二图像分类模型的分类准确率大于或等于95%。
进一步地，本发明实施例中所述图像分类模块103更新所述标注图像集及所述第二卷积神经网络模型，包括：利用所述第二图像分类模型对分割图像进行标注，得到第三标注图像集，以所述第三标注图像集更新所述标注图像集，得到更新后的标注图像集；将所述第二卷积神经网络模型进行结构调整，得到更新后的第二卷积神经网络模型，详细地，所述更新后的第二卷积神经网络模型为经过结构调整的所述第二卷积神经网络模型，包括增加或删除所述第二卷积神经网络的结构，如增加或删除卷积层、池化层，修改所述激活函数、损失函数的参数等。
本发明的另一实施例中，所述图像分类模块103将所述标注图像集存储在区块链节点，利用区块链节点对数据的高吞吐性，提高所述标注图像集的存取效率。
本发明实施例中，所述待分类图像为待分类的农作物图像，进一步地，所述图像分类模块103利用所述目标图像分类模型对所述待分类的图像进行分类，得到分类结果，通过分类结果判断农作物的生长阶段，为种植人员提供建议，也可以为农业保险行业提供理赔依据。比如：所述目标图像分类模型为判断小麦长势的图像分类模型，现接收到待分类的小麦图像。进一步地，利用所述判断小麦长势的图像分类模型对所述待分类的小麦图像进行分类判断，其中，所述分类判断为判断所述小麦图像的生长阶段，如生根，判断完成后为所述待分类的小麦图像打上生长阶段的标签，得到待标注小麦图像的分类结果，所述待标注小麦图像的分类结果可以为小麦种植人员提供建议，也可以为农业保险提供理赔依据。
如图3所示，是本发明实现图像分类方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如图像分类程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如图像分类程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如图像分类程序等），以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准（perIPheral componentinterconnect，简称PCI）总线或扩展工业标准结构（extended industry standardarchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，所述通信接口13可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，所述通信接口13还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，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。
所述电子设备中的所述存储器11存储的图像分类程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取第一标注图像集，利用所述第一标注图像集对预构建的第一卷积神经网络模型进行训练，得到第一图像分类模型；
获取待标注图像集，对所述待标注图像集进行图像筛选及分割处理，得到分割图像集；
利用所述第一图像分类模型对所述分割图像集进行分类标注，得到第二标注图像集；
合并所述第一标注图像集和所述第二标注图像集，得到标注图像集；利用所述标注图像集对预构建的第二卷积神经网络模型进行迭代标注训练，得到目标图像分类模型；
当接收待分类图像时，利用所述目标图像分类模型对所述待分类图像进行分类，得到分类结果。
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/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。所述计算机可读介质可以是非易失性的，也可以是易失性的。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）。
本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取第一标注图像集，利用所述第一标注图像集对预构建的第一卷积神经网络模型进行训练，得到第一图像分类模型；
获取待标注图像集，对所述待标注图像集进行图像筛选及分割处理，得到分割图像集；
利用所述第一图像分类模型对所述分割图像集进行分类标注，得到第二标注图像集；
合并所述第一标注图像集和所述第二标注图像集，得到标注图像集；利用所述标注图像集对预构建的第二卷积神经网络模型进行迭代标注训练，得到目标图像分类模型；
当接收待分类图像时，利用所述目标图像分类模型对所述待分类图像进行分类，得到分类结果。
进一步地，所述计算机可用存储介质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等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，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一个单元中。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关联图标记视为限制所涉及的权利要求。
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。
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。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。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 (8)
1.一种图像分类方法，其特征在于，所述方法包括：
获取第一标注图像集，利用所述第一标注图像集对预构建的第一卷积神经网络模型进行训练，得到第一图像分类模型；
获取待标注图像集，对所述待标注图像集进行图像筛选及分割处理，得到分割图像集；
利用所述第一图像分类模型对所述分割图像集进行分类标注，得到第二标注图像集；
合并所述第一标注图像集和所述第二标注图像集，得到标注图像集；利用所述标注图像集对预构建的第二卷积神经网络模型进行迭代标注训练，得到目标图像分类模型；
当接收待分类图像时，利用所述目标图像分类模型对所述待分类图像进行分类，得到分类结果；
所述利用所述标注图像集对预构建的第二卷积神经网络模型进行迭代标注训练，得到目标图像分类模型，包括：步骤I：利用所述标注图像集对预构建的第二卷积神经网络模型进行迭代训练，得到第二图像分类模型；步骤II：利用预设的测试图像集对所述第二图像分类模型进行分类测试，得出分类准确率，判断所述第二图像分类模型的分类准确率是否大于或等于预设准确阈值；步骤III：若所述第二图像分类模型的分类准确率小于预设准确阈值，更新所述标注图像集及所述第二卷积神经网络模型，并返回所述步骤I；若所述第二图像分类模型的分类准确率大于或等于预设准确阈值，将所述第二图像分类模型作为所述目标图像分类模型；
所述更新所述标注图像集及所述第二卷积神经网络模型，包括：利用所述第二图像分类模型对分割图像集进行标注，得到第三标注图像集；以所述第三标注图像集更新所述标注图像集，得到更新后的标注图像集；增加或删除所述第二卷积神经网络的结构，得到更新后的第二卷积神经网络模型。
2.如权利要求1所述的图像分类方法，其特征在于，所述利用所述第一标注图像集对预构建的第一卷积神经网络模型进行训练，得到第一图像分类模型，包括：
步骤A：利用所述第一卷积神经网络模型对所述第一标注图像集进行预设次数的卷积池化操作，得到特征集；
步骤B：利用预设的激活函数对所述特征集中的每个特征数据进行计算，得到每个特征数据对应的标签预测值；
步骤C：获取所述特征数据对应的标注图像包含的标签对应的标签真实值，并利用预构建的损失函数计算所述标签预测值及所述标签真实值之间的损失值；
步骤D：若所述损失值大于或等于预设阈值，更新所述第一卷积神经网络模型的参数，返回上述的步骤A；
步骤E：若所述损失值小于预设阈值，得到并输出所述第一图像分类模型。
3.如权利要求1所述的图像分类方法，其特征在于，所述获取待标注图像集，对所述待标注图像集进行图像筛选及分割处理，得到分割图像集，包括：
对所述待标注图像集进行图像质量筛选，得到筛选图像集；
对所述筛选图像集中的每张图像进行图像分割，得到所述筛选图像集中每张图像的感兴趣区域；
将所述筛选图像集中每张图像的感兴趣区域之外区域的所有像素均调整至预设灰度值，得到所述分割图像集。
4.如权利要求3所述的图像分类方法，其特征在于，所述对所述待标注图像集进行图像质量筛选，得到筛选图像集，包括：
对所述待标注图像集中的每个图像进行灰度转换，得到所述每个图像的灰度图数组；
计算所述灰度图数组的方差，得到灰度方差；
选取所述待标注图像集中所述灰度方差小于预设方差值的图像，得到所述筛选图像集。
5.如权利要求1所述的图像分类方法，其特征在于，所述利用预设的测试图像集对所述第二图像分类模型进行分类测试，得出分类准确率，包括：
利用所述第二图像分类模型对所述测试图像集中的每张图像进行分类，得到对应的分类结果；
根据所述测试图像集中每张图像的类别标签与对应的所述分类结果进行一致性比对，得到比对结果；
根据所述比对结果进行百分比计算，得到所述分类准确率。
6.一种图像分类装置，用于执行如权利要求1至5任一项所述的图像分类方法，其特征在于，包括：
模型训练模块，用于获取第一标注图像集，利用所述第一标注图像集对预构建的第一卷积神经网络模型进行训练，得到第一图像分类模型；
图像标注模块，用于获取待标注图像集，对所述待标注图像集进行图像筛选及分割处理，得到分割图像集；利用所述第一图像分类模型对所述分割图像集进行分类标注，得到第二标注图像集；合并所述第一标注图像集和所述第二标注图像集，得到标注图像集；
图像分类模块，用于利用所述标注图像集对预构建的第二卷积神经网络模型进行迭代标注训练，得到目标图像分类模型；当接收待分类图像时，利用所述目标图像分类模型对所述待分类图像进行分类，得到分类结果。
7.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至5中任一项所述的图像分类方法。
8.一种计算机可读存储介质，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至5中任一项所述的图像分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110438241.4A CN113065609B (zh) | 2021-04-22 | 2021-04-22 | 图像分类方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110438241.4A CN113065609B (zh) | 2021-04-22 | 2021-04-22 | 图像分类方法、装置、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113065609A CN113065609A (zh) | 2021-07-02 |
| CN113065609B true CN113065609B (zh) | 2024-04-09 |
Family
ID=76567581
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110438241.4A Active CN113065609B (zh) | 2021-04-22 | 2021-04-22 | 图像分类方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113065609B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113516194B (zh) * | 2021-07-20 | 2023-08-08 | 海南长光卫星信息技术有限公司 | 高光谱遥感影像半监督分类方法、装置、设备及存储介质 |
| CN113705686B (zh) * | 2021-08-30 | 2023-09-15 | 平安科技（深圳）有限公司 | 图像分类方法、装置、电子设备及可读存储介质 |
| CN115661142B (zh) * | 2022-12-14 | 2023-03-28 | 广东工业大学 | 一种基于关键点检测的舌诊图像处理方法、设备及介质 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106202930A (zh) * | 2016-07-12 | 2016-12-07 | 东北大学 | 一种基于ss‑elm的肺结节患病风险预测系统及方法 |
| CN109543731A (zh) * | 2018-11-09 | 2019-03-29 | 江南大学 | 一种自训练框架下的三优选半监督回归算法 |
| CN109582793A (zh) * | 2018-11-23 | 2019-04-05 | 深圳前海微众银行股份有限公司 | 模型训练方法、客服系统及数据标注系统、可读存储介质 |
| CN109741346A (zh) * | 2018-12-30 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 感兴趣区域提取方法、装置、设备及存储介质 |
| CN110517759A (zh) * | 2019-08-29 | 2019-11-29 | 腾讯科技（深圳）有限公司 | 一种待标注图像确定的方法、模型训练的方法及装置 |
| CN110909803A (zh) * | 2019-11-26 | 2020-03-24 | 腾讯科技（深圳）有限公司 | 图像识别模型训练方法、装置和计算机可读存储介质 |
| CN111222409A (zh) * | 2019-11-26 | 2020-06-02 | 北京迈格威科技有限公司 | 车辆品牌的标注方法、装置及系统 |
| CN111783635A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 图像标注方法、装置、设备以及存储介质 |
| CN111898696A (zh) * | 2020-08-10 | 2020-11-06 | 腾讯云计算(长沙)有限责任公司 | 伪标签及标签预测模型的生成方法、装置、介质及设备 |
| CN112016053A (zh) * | 2020-08-25 | 2020-12-01 | 北京金山云网络技术有限公司 | 数据标注的考核方法、装置和电子设备 |
| CN112016633A (zh) * | 2020-09-25 | 2020-12-01 | 北京百度网讯科技有限公司 | 一种模型训练方法、装置、电子设备及存储介质 |
| CN112149705A (zh) * | 2019-06-28 | 2020-12-29 | 京东数字科技控股有限公司 | 分类模型的训练方法、系统、计算机设备及存储介质 |
| CN112364898A (zh) * | 2020-10-27 | 2021-02-12 | 星火科技技术(深圳)有限责任公司 | 图像识别自动标注方法、装置、设备及存储介质 |
| CN112418264A (zh) * | 2020-10-14 | 2021-02-26 | 上海眼控科技股份有限公司 | 检测模型的训练方法、装置、目标检测方法、设备和介质 |
| CN112560964A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 基于半监督学习训练中草药病虫害识别模型的方法与系统 |
| CN112669298A (zh) * | 2020-12-31 | 2021-04-16 | 武汉科技大学 | 一种基于模型自训练的地基云图像云检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10606982B2 (en) * | 2017-09-06 | 2020-03-31 | International Business Machines Corporation | Iterative semi-automatic annotation for workload reduction in medical image labeling |
-
2021
- 2021-04-22 CN CN202110438241.4A patent/CN113065609B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106202930A (zh) * | 2016-07-12 | 2016-12-07 | 东北大学 | 一种基于ss‑elm的肺结节患病风险预测系统及方法 |
| CN109543731A (zh) * | 2018-11-09 | 2019-03-29 | 江南大学 | 一种自训练框架下的三优选半监督回归算法 |
| CN109582793A (zh) * | 2018-11-23 | 2019-04-05 | 深圳前海微众银行股份有限公司 | 模型训练方法、客服系统及数据标注系统、可读存储介质 |
| CN109741346A (zh) * | 2018-12-30 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 感兴趣区域提取方法、装置、设备及存储介质 |
| CN112149705A (zh) * | 2019-06-28 | 2020-12-29 | 京东数字科技控股有限公司 | 分类模型的训练方法、系统、计算机设备及存储介质 |
| CN110517759A (zh) * | 2019-08-29 | 2019-11-29 | 腾讯科技（深圳）有限公司 | 一种待标注图像确定的方法、模型训练的方法及装置 |
| CN110909803A (zh) * | 2019-11-26 | 2020-03-24 | 腾讯科技（深圳）有限公司 | 图像识别模型训练方法、装置和计算机可读存储介质 |
| CN111222409A (zh) * | 2019-11-26 | 2020-06-02 | 北京迈格威科技有限公司 | 车辆品牌的标注方法、装置及系统 |
| CN111783635A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 图像标注方法、装置、设备以及存储介质 |
| CN111898696A (zh) * | 2020-08-10 | 2020-11-06 | 腾讯云计算(长沙)有限责任公司 | 伪标签及标签预测模型的生成方法、装置、介质及设备 |
| CN112016053A (zh) * | 2020-08-25 | 2020-12-01 | 北京金山云网络技术有限公司 | 数据标注的考核方法、装置和电子设备 |
| CN112016633A (zh) * | 2020-09-25 | 2020-12-01 | 北京百度网讯科技有限公司 | 一种模型训练方法、装置、电子设备及存储介质 |
| CN112418264A (zh) * | 2020-10-14 | 2021-02-26 | 上海眼控科技股份有限公司 | 检测模型的训练方法、装置、目标检测方法、设备和介质 |
| CN112364898A (zh) * | 2020-10-27 | 2021-02-12 | 星火科技技术(深圳)有限责任公司 | 图像识别自动标注方法、装置、设备及存储介质 |
| CN112560964A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 基于半监督学习训练中草药病虫害识别模型的方法与系统 |
| CN112669298A (zh) * | 2020-12-31 | 2021-04-16 | 武汉科技大学 | 一种基于模型自训练的地基云图像云检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| An Active Deep Learning Approach for Minimally-Supervised PolSAR Image Classification;Haixia Bi等;《IEEE Transactions on geoscience and Remote Sensing》;1-18 * |
| 基于主动学习和加权支持向量机的工业故障识别;朱东阳等;《浙江大学学报（工学版）》;第51卷(第4期);697-705 * |
| 面向样本不平衡的故障特征提取方法;王健;《中国博士学位论文全文数据库 信息科技辑》(第06期);I140-62 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113065609A (zh) | 2021-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113065609B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
| CN111652845B (zh) | 异常细胞自动标注方法、装置、电子设备及存储介质 | |
| CN109086811B (zh) | 多标签图像分类方法、装置及电子设备 | |
| CN112465060A (zh) | 图像中目标物检测方法、装置、电子设备及可读存储介质 | |
| CN113487621B (zh) | 医学图像分级方法、装置、电子设备及可读存储介质 | |
| CN111932547B (zh) | 图像中目标物的分割方法、装置、电子设备及存储介质 | |
| CN111862096B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
| CN111932534B (zh) | 医学影像图片分析方法、装置、电子设备及可读存储介质 | |
| CN113283446A (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
| CN112699775A (zh) | 基于深度学习的证件识别方法、装置、设备及存储介质 | |
| CN110660055B (zh) | 疾病数据预测方法、装置、可读存储介质及电子设备 | |
| WO2021189827A1 (zh) | 识别模糊图像的方法、装置、设备及计算机可读存储介质 | |
| CN113298159B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
| CN116433704A (zh) | 一种基于中心点的细胞核分割方法及相关设备 | |
| CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
| CN117036947A (zh) | 基于图像识别的农险出险预警方法、装置、设备及介质 | |
| CN111915615B (zh) | 图像分割方法、装置、电子设备及计算机可读存储介质 | |
| CN113435308B (zh) | 文本多标签分类方法、装置、设备及存储介质 | |
| CN112966687B (zh) | 图像分割模型训练方法、装置及通信设备 | |
| CN114511733A (zh) | 基于弱监督学习的细粒度图像识别方法、装置及可读介质 | |
| US20240233325A9 (en) | Method for classifying images and electronic device | |
| CN115294426B (zh) | 介入医学设备的跟踪方法、装置、设备及存储介质 | |
| CN112580505B (zh) | 网点开关门状态识别方法、装置、电子设备及存储介质 | |
| CN114240935B (zh) | 一种空频域特征融合的医学影像特征识别方法及装置 | |
| CN112233194B (zh) | 医学图片优化方法、装置、设备及计算机可读存储介质 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211019 Address after: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Applicant after: Shenzhen saiante Technology Service Co.,Ltd. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Applicant before: Ping An International Smart City Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |