[发明专利]一种基于卷积神经网络的UI异常图片分类方法及系统

权利要求书

1.一种基于卷积神经网络的UI异常图片分类方法，其特征在于，包括步骤：

S1、服务端接收客户端发送的待处理UI图片数据，调用异常分类模型对所述待处理UI图片数据进行归类，得到所述待处理UI图片数据的图片类型，并将所述图片类型返回至客户端，所述异常分类模型为已训练完成的卷积神经网络模型；

所述步骤S1中的卷积神经网络模型的训练步骤如下：

S21、构建所述卷积神经网络模型结构，所述卷积神经网络模型结构包括输入模块、特征提取模块、感知器模块；

S22、收集UI图片数据集，将所述UI图片数据集划分为测试集和训练集，并在两个集合中分别按照异常类别、正常类别建立文件夹来进行分类；

S23、初始化所述卷积神经网络模型，以所述训练集里的图片数据作为输入数据，训练所述卷积神经网络模型，并在训练后以所述测试集里的图片数据作为输入数据，测试所述卷积神经网络模型对于图片分类的正确率，若正确率达到预期值，则将训练后的所述卷积神经网络模型保存并上传至服务器部署；

所述步骤S21具体为：

S211、构建输入模块，所述输入模块包括输入层，所述输入层设置有与所述待处理UI图片数据的图片像素一一对应的神经元；

S212、构建特征提取模块，所述特征提取模块从上到下依次为：第一卷积层、第一激活函数层、第一池化层、第二卷积层、第二激活函数层、第二池化层、第三卷积层、第三激活函数层、第三池化层；

S213、构建感知器模块，所述感知器模块包括第一全连接层和第二全连接层，所述第二全连接层包含与图片类别相同个数的神经元，所述第一全连接层包含的神经元个数是所述第二全连接层包含的神经元个数的平方。

2.根据权利要求1所述的一种基于卷积神经网络的UI异常图片分类方法，其特征在于，所述步骤S1之前还包括步骤：

S01、客户端获取本地UI图片数据，并将所述本地UI图片数据进行序列化，得到所述待处理UI图片数据，并将所述待处理UI图片数据发送至服务端。

3.根据权利要求2所述的一种基于卷积神经网络的UI异常图片分类方法，其特征在于，所述步骤S01具体为：客户端获取本地UI图片数据，将所述本地UI图片数据统一缩放至同一尺寸，并序列化为二进制数据，得到所述待处理UI图片数据，并通过GRPC协议将所述待处理UI图片数据发送至服务端；

所述步骤S1中将所述图片类型返回至客户端具体为：通过GRPC协议将所述图片类型返回至客户端。