本發(fā)明專利技術涉及圖像識別優(yōu)化模型的泛化處理領域，尤其涉及一種基于深度學習的圖像迭代優(yōu)化識別方法，包括：采集實時圖像建立實時圖像特征；根據所述實時圖像特征進行初始優(yōu)化區(qū)域識別處理建立圖像特征分級數據庫；利用所述圖像特征分級數據庫基于深度學習建立圖像優(yōu)化區(qū)域分割模型；根據所述圖像優(yōu)化區(qū)域分割模型得到圖像迭代優(yōu)化識別結果，通過深度學習算法提取圖像的通用特征，并結合內部自循環(huán)迭代機制，構建了一個具有廣泛適用性和高度精確性的圖像識別模型，在處理圖像識別任務時，不僅能夠更好地泛化到未見過的數據，而且能夠提供更加準確和可靠的預測結果。
【技術實現步驟摘要】
本專利技術涉及圖像識別優(yōu)化模型的泛化處理領域，具體涉及一種基于深度學習的圖像迭代優(yōu)化識別方法。
技術介紹
1、傳統圖像識別常借助深度學習算法建立分類模型，通過大數量的訓練集確保其模型結構的穩(wěn)定與模型輸出的準確性，但單一流向的模型訓練過程，需要靠人工對異常輸出進行標記后重新加入訓練集，改善模型處理能力，對于識別模型的泛化能力有一定限制，無法在方案實際部署后有著自循環(huán)迭代糾錯能力。
技術實現思路
1、針對現有技術的不足，本專利技術提供了一種基于深度學習的圖像迭代優(yōu)化識別方法，通過基于深度學習算法，提取圖像通用特征，增強最終訓練模型的泛化能力以及方案內部自循環(huán)迭代進一步提升模型輸出準確性。
2、為實現上述目的，本專利技術提供了一種基于深度學習的圖像迭代優(yōu)化識別方法，其特征在于，包括：
3、s1、采集實時圖像建立實時圖像特征；
4、s2、根據所述實時圖像特征進行初始優(yōu)化區(qū)域識別處理建立圖像特征分級數據庫；
5、s3、利用所述圖像特征分級數據庫基于深度學習建立圖像優(yōu)化區(qū)域分割模型；
6、s4、根據所述圖像優(yōu)化區(qū)域分割模型得到圖像迭代優(yōu)化識別結果。
7、優(yōu)選的，所述采集實時圖像建立實時圖像特征包括：
8、采集實時圖像；
9、獲取所述實時圖像的圖像分辨率、圖像類型與圖像容量作為實時圖像的圖像數據特征；
10、獲取所述實時圖像的顏色特征、紋理特征與形狀特征作為實時圖像的圖像內容特征；
11、利用所述實時圖像進行數字化處理得到實時圖像的數字化矩陣；
12、利用所述實時圖像的圖像數據特征、圖像內容特征與數字化矩陣作為實時圖像特征；
13、其中，圖像類型包括二值圖像、灰度圖像、索引圖像與rgb圖像。
14、進一步的，根據所述實時圖像特征進行初始優(yōu)化區(qū)域識別處理建立圖像特征分級數據庫包括：
15、s2-1、根據所述實時圖像特征的圖像數據特征建立數據標簽數據庫；
16、s2-2、根據所述實時圖像特征的圖像內容特征建立區(qū)域標簽數據庫；
17、s2-3、根據所述實時圖像特征的數字化標簽建立數字化標簽數據庫；
18、s2-4、利用所述數據標簽數據庫、區(qū)域標簽數據庫與數字化標簽數據庫作為圖像特征分級數據庫。
19、進一步的，根據所述實時圖像特征的圖像數據特征建立數據標簽數據庫包括：
20、s2-1-1、判斷所述實時圖像的圖像類型是否為二值圖像，若是，則利用所述實時圖像根據實時圖像特征的圖像數據特征對應圖像分辨率建立圖像像素填充矩陣，否則，執(zhí)行s2-1-2；
21、s2-1-2、判斷所述實時圖像的圖像類型是否為灰度圖像，若是，則利用所述實時圖像作為實時灰度圖像，否則，利用所述實時圖像進行灰度化處理得到實時灰度圖像；
22、s2-1-3、利用所述實時圖像特征的圖像數據特征對應圖像分辨率根據實時灰度圖像建立圖像像素填充矩陣；
23、s2-1-4、獲取所述圖像像素填充矩陣的矩陣向量作為二級圖像數據特征標簽；
24、s2-1-5、利用所述圖像像素填充矩陣與二級圖像數據特征標簽作為數據標簽數據庫。
25、進一步的，根據所述實時圖像特征的圖像內容特征建立區(qū)域標簽數據庫包括：
26、利用所述實時圖像特征的圖像內容特征對應顏色特征獲取對應顏色比例建立圖像顏色比值；
27、利用所述實時圖像特征的圖像內容特征對應紋理特征獲取對應分割區(qū)域建立紋理分割區(qū)域；
28、利用所述實時圖像特征的圖像內容特征對應形狀特征進行分割處理得到圖像目標區(qū)域與圖像非目標區(qū)域；
29、利用所述圖像顏色比值、紋理分割區(qū)域、圖像目標區(qū)域與圖像非目標區(qū)域作為區(qū)域標簽數據庫。
30、進一步的，利用所述圖像特征分級數據庫基于深度學習建立圖像優(yōu)化區(qū)域分割模型包括：
31、s3-1、利用所述圖像特征分級數據庫基于深度學習建立圖像優(yōu)化區(qū)域識別模型；
32、s3-2、根據所述圖像優(yōu)化區(qū)域識別模型建立圖像優(yōu)化區(qū)域分割模型。
33、進一步的，利用所述圖像特征分級數據庫基于深度學習建立圖像優(yōu)化區(qū)域識別模型包括：
34、s3-1-1、利用所述圖像特征分級數據庫的區(qū)域標簽數據庫對應圖像目標區(qū)域與圖像非目標區(qū)域作為第一數據集；
35、s3-1-2、利用所述圖像特征分級數據庫的區(qū)域標簽數據庫對應紋理分割區(qū)域作為第二數據集；
36、s3-1-3、利用所述圖像特征分級數據庫的區(qū)域標簽數據庫對應圖像顏色比值作為第三數據集；
37、s3-1-4、利用所述第一數據集作為輸入，所述第二數據集與第一數據集的圖像目標區(qū)域對應紋理分割區(qū)域作為正向輸出，所述第二數據集與第一數據集的圖像非目標區(qū)域對應紋理分割區(qū)域作為負向輸出，基于深度學習進行訓練得到圖像優(yōu)化區(qū)域粗識別模型；
38、s3-1-5、判斷所述圖像優(yōu)化區(qū)域粗識別模型的模型輸出對應顏色比例與圖像特征分級數據庫的區(qū)域標簽數據庫對應圖像顏色比值是否一致，若是，則利用所述圖像優(yōu)化區(qū)域粗識別模型作為圖像優(yōu)化區(qū)域識別模型，否則，利用圖像顏色比值非一致對應圖像優(yōu)化區(qū)域粗識別模型的模型輸出更新第一數據集，并返回s3-1-4。
39、進一步的，根據所述圖像優(yōu)化區(qū)域識別模型建立圖像優(yōu)化區(qū)域分割模型包括：
40、s3-2-1、獲取所述圖像優(yōu)化區(qū)域識別模型的模型輸出對應正向輸出側區(qū)域鄰接邊緣像素建立正向區(qū)域邊緣輪廓；
41、s3-2-2、獲取所述圖像優(yōu)化區(qū)域識別模型的模型輸出對應負向輸出側區(qū)域鄰接邊緣像素建立負向區(qū)域邊緣輪廓；
42、s3-2-3、獲取所述正向區(qū)域邊緣輪廓的圖像特征分級數據庫的數據標簽數據庫對應圖像像素填充矩陣作為第四數據集；
43、s3-2-4、獲取所述負向區(qū)域邊緣輪廓的圖像特征分級數據庫的數據標簽數據庫對應圖像像素填充矩陣作為第五數據集；
44、s3-2-5、利用所述第四數據集與第五數據集為輸入，所述第四數據集與第五數據集對應分割線段作為輸出，基于深度學習進行訓練得到圖像優(yōu)化區(qū)域基礎分割模型；
45、s3-2-6、判斷所述圖像優(yōu)化區(qū)域基礎分割模型的模型輸出在數字化標簽數據庫是否存在對應，若是，則利用所述圖像優(yōu)化區(qū)域基礎分割模型作為圖像優(yōu)化區(qū)域分割模型，否則，利用不存在對應的圖像優(yōu)化區(qū)域基礎分割模型的模型輸出作為模型負面訓練集，返回s3-2-5。
46、進一步的，根據所述圖像優(yōu)化區(qū)域分割模型得到圖像迭代優(yōu)化識別結果包括：
47、s4-1、利用所述實時圖像輸入圖像優(yōu)化區(qū)域分割模型分別得到圖像優(yōu)化區(qū)域識別模型的模型輸出與圖像優(yōu)化區(qū)域分割模型的模型輸出；
48、s4-2、判斷所述圖像優(yōu)化區(qū)域分割模型的模型輸出與圖像特征分級數據庫的數字化標簽數據庫是否完全本文檔來自技高網
...
【技術保護點】
1.一種基于深度學習的圖像迭代優(yōu)化識別方法，其特征在于，包括：
2.如權利要求1所述的一種基于深度學習的圖像迭代優(yōu)化識別方法，其特征在于，所述采集實時圖像建立實時圖像特征包括：
3.如權利要求2所述的一種基于深度學習的圖像迭代優(yōu)化識別方法，其特征在于，根據所述實時圖像特征進行初始優(yōu)化區(qū)域識別處理建立圖像特征分級數據庫包括：
4.如權利要求3所述的一種基于深度學習的圖像迭代優(yōu)化識別方法，其特征在于，根據所述實時圖像特征的圖像數據特征建立數據標簽數據庫包括：
5.如權利要求3所述的一種基于深度學習的圖像迭代優(yōu)化識別方法，其特征在于，根據所述實時圖像特征的圖像內容特征建立區(qū)域標簽數據庫包括：
6.如權利要求3所述的一種基于深度學習的圖像迭代優(yōu)化識別方法，其特征在于，利用所述圖像特征分級數據庫基于深度學習建立圖像優(yōu)化區(qū)域分割模型包括：
7.如權利要求6所述的一種基于深度學習的圖像迭代優(yōu)化識別方法，其特征在于，利用所述圖像特征分級數據庫基于深度學習建立圖像優(yōu)化區(qū)域識別模型包括：
8.如權利要求7所述的一種基于深度學習的圖像迭代優(yōu)化識別方法，其特征在于，根據所述圖像優(yōu)化區(qū)域識別模型建立圖像優(yōu)化區(qū)域分割模型包括：
9.如權利要求8所述的一種基于深度學習的圖像迭代優(yōu)化識別方法，其特征在于，根據所述圖像優(yōu)化區(qū)域分割模型得到圖像迭代優(yōu)化識別結果包括：
...
【技術特征摘要】
1.一種基于深度學習的圖像迭代優(yōu)化識別方法，其特征在于，包括：
2.如權利要求1所述的一種基于深度學習的圖像迭代優(yōu)化識別方法，其特征在于，所述采集實時圖像建立實時圖像特征包括：
3.如權利要求2所述的一種基于深度學習的圖像迭代優(yōu)化識別方法，其特征在于，根據所述實時圖像特征進行初始優(yōu)化區(qū)域識別處理建立圖像特征分級數據庫包括：
4.如權利要求3所述的一種基于深度學習的圖像迭代優(yōu)化識別方法，其特征在于，根據所述實時圖像特征的圖像數據特征建立數據標簽數據庫包括：
5.如權利要求3所述的一種基于深度學習的圖像迭代優(yōu)化識別方法，其特征在于，根據所述實時圖像特征的圖像內容特征建立區(qū)...
【專利技術屬性】
技術研發(fā)人員：趙志慶，侯玉柱，張賽男，劉志雨，張昊，張雨銘威，
申請(專利權)人：戎行技術有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。