[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

说明书

本发明公开一种基于卷积神经网络的UI异常图片分类方法及系统，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待处理UI图片数据进行归类，得到待处理UI图片数据的图片类型，并将图片类型返回至客户端，异常分类模型为已训练完成的卷积神经网络模型；本发明利用卷积神经网络能够有效的提取UI图片的有效特征，并且这些特征不用人为的去设计，而是由卷积神经网络自己通过训练学习到的，使得本发明整体上能保证学习的特征具有平移不变性，一方面使得本发明具有一定的复用性和通用性，另一方面能根据UI图片的有效特征达到很好的分类效果，从而大幅度提高了图片分类的准确性。

技术领域

本发明涉及计算机视觉与深度学习技术领域，尤其涉及一种基于卷积神经网络的UI异常图片分类方法及系统。

背景技术

图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。现有的公开技术方案，例如专利申请号CN201710192706.6的基于图像识别的异常检测方法，使用传统的机器学习技术来进行图像异常检测，但这种技术方案需要自己设计某些分类训练时候需要输入的具体特征，并且需要对图片进行更多的预处理，比如需要对图片先进行灰度化处理，正则化处理等等，即存在着繁琐的人工特征提取器设计；并且只是个二分类器，模型并不具备一定的复用性和通用性，不能直接的应用在其他UI异常上，同时，上述的技术方案并不是针对App的UI异常图片分类的解决方案。没有积累相关的App的UI异常图片数据集。

发明内容

本发明所要解决的技术问题是：提供一种基于卷积神经网络的UI异常图片分类方法及系统，从而提高图片分类的准确性。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于卷积神经网络的UI异常图片分类方法，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。

一种基于卷积神经网络的UI异常图片分类系统，包括服务端，所述服务端包括第一存储器、第一处理器及存储在第一存储器上并可在第一处理器上运行的第一计算机程序，所述第一处理器执行所述第一计算机程序时实现以下步骤：

S1、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。

本发明的有益效果在于：本发明利用卷积神经网络能够有效的提取UI图片的有效特征，并且这些特征不用人为的去设计，而是由卷积神经网络自己通过训练学习到的，这就解决了传统机器学习技术需要通过人工的分析设计有效的特征，而达到的效果又不理想的问题，即本发明整体上能保证学习的特征具有平移不变性，一方面使得本发明具有一定的复用性和通用性，另一方面能根据UI图片的有效特征达到很好的分类效果，从而大幅度提高了图片分类的准确性。

附图说明

图1为本发明实施例的一种基于卷积神经网络的UI异常图片分类方法的流程图；

图2为本发明实施例的一种基于卷积神经网络的UI异常图片分类系统的结构示意图；

图3为本发明实施例涉及的本地UI图片在分类之前的示意图；

图4为本发明实施例涉及的本地UI图片在分类之后的示意图；

标号说明：

1、一种基于卷积神经网络的UI异常图片分类系统；2、客户端；3、第二存储器；4、第二处理器；5、服务端；6、第一存储器；7、第一处理器。

具体实施方式