[发明专利]基于深度学习神经网络的图表识别方法、装置及设备

权利要求书

1.一种基于深度学习神经网络的图表识别方法，其特征在于，所述方法包括：

获取待识别图片，将所述待识别图片导入神经网络单元；

所述神经网络单元对所述待识别图片执行多次卷积，识别所述待识别图片中的图表的位置区域；

所述神经网络单元输出识别图片，所述识别图片显示其识别的图表的区域。

2.根据权利要求1所述的方法，其特征在于，所述神经网络单元对所述待识别图片执行多次卷积，识别所述待识别图片中包含的图表包括：

所述神经网络包含6层网络层，每一层所述网络层包含基于resent的bottleneck结构的卷积单元，所述bottleneck结构的卷积单元中第二个卷积层为空洞卷积层；

所述第1层网络层包括卷积单元与maxpooling单元；

所述第2层至第5层网络层均包括卷积单元；

所述第6层网络层包括卷积单元与还原单元；

所述待识别图片执行等比例缩放并转化为源图像矩阵导入所述神经网络；

所述源图像矩阵导入所述神经网络的第1层网络层，在所述第1层网络层的卷积单元执行信道拓展的卷积操作，然后在所述第1层网络层的所述maxpooling单元执行最大池化操作，获取第1输出矩阵；

将所述第1输出矩阵导入所述神经网络的第2层网络层，在所述第2层网络层的卷积单元执行卷积操作，获取第2输出矩阵；

将所述第2输出矩阵执行down sample信道降维操作；

将执行信道降维操作的第2输出矩阵导入所述神经网络的第3层网络层，在所述第3层网络层的卷积单元执行卷积操作，获取第3输出矩阵；

将所述第3输出矩阵执行down sample信道降维操作；

将执行信道降维操作的第3输出矩阵导入所述神经网络的第4层网络层，在所述第4层网络层的卷积单元执行卷积操作，获取第4输出矩阵；

将所述第4输出矩阵执行down sample信道降维操作；

将执行信道降维操作的第4输出矩阵导入所述神经网络的第5层网络层，在所述第5层网络层的卷积单元执行卷积操作，获取第5输出矩阵；

将所述第5输出矩阵导入所述神经网络的第6层网络层，在所述神经网络的第6层网络层的所述卷积单元对所述第5输出矩阵执行多次预设padding参数的卷积操作；所述多次卷积操作后的第5输出矩阵执行降维操作，获取第6输出矩阵；所述还原单元对所述第6输出矩阵执行上采样获取采样数据，将采样数据还原成识别图片，所述识别图片显示所述识别的图表的区域。

3.根据权利要求2所述的方法，其特征在于，所述在所述第1层网络层的所述卷积层执行信道拓展的卷积操作包括：

在所述第1层网络层的卷积单元执行3信道拓展到64信道的卷积操作。

4.根据权利要求3所述的方法，其特征在于，所述在所述第2层网络层的卷积单元执行卷积操作包括：

在所述第2层网络层的卷积层执行3次64信道的卷积操作。

5.根据权利要求4所述的方法，其特征在于，所述在所述第3层网络层的卷积单元执行卷积操作包括：

在所述第3层网络层的卷积层执行4次128信道的卷积操作。

6.根据权利要求5所述的方法，其特征在于，所述在所述第4层网络层的卷积单元执行卷积操作包括：

在所述第4层网络层的卷积层执行6次256信道的卷积操作。

7.根据权利要求6所述的方法，其特征在于，所述在所述第5层网络层的卷积单元执行卷积操作包括：

在所述第5层网络层的卷积层执行3次512信道的卷积操作。