[发明专利]一种基于深度学习高识别率的图像分析方法

权利要求书

1.一种基于深度学习高识别率的图像分析方法，用于生成图像分析系统，其特征在于，包括以下步骤：

S1:收集数据，建立常见物体数据集，将常见物体数据集按照物体类别分类成不同的分类常见样本，对各个分类常见样本再具体划分成不同的具体常见样本；

S2:对具体常见样本的子样本进行物体标注；

S3:针对特定的物体，建立特定物体数据集，将特定物体数据集按照物体类别分类成不同的分类特定样本，对各个分类特定样本再具体划分成不同的具体特定样本；

S4:对具体特定样本的子样本进行物体标注；

S5:对所述常见物体数据集和所述特定物体数据集取并集：将所述分类常见样本和所述分类特定样本合并成分类样本，在所述分类样本中的具体常见样本和具体特定样本进行合并成具体样本，若所述具体常见样本与所述具体特定样本为重复样本，则保留所述具体常见样本为具体样本；

S6:对每一个具体样本结合目标检测算法进行模型训练得到物体专用模型；

S7:将所述物体专用模型封装到API接口供前端调用。

2.根据权利要求1所述的一种基于深度学习高识别率的图像分析方法，其特征在于，所述图像分析系统包括A个所述物体专用模型，所述物体专用模型由常见物体数据集和特定物体数据集组成，所述常见物体数据集包括M个分类常见样本，所述分类常见样本由N个具体常见样本组成，所述特定物体数据集包括X个分类特定样本和Y个具体特定样本，其中，A、M、N、X、Y均为大于等于1的正整数；所述具体常见样本和所述具体特定样本包含Z个子样本，其中，Z为大于等于1的正整数。

3.根据权利要求1所述的一种基于深度学习高识别率的图像分析方法，其特征在于，所述步骤S2和S4中的物体标注方法为矩形框标注和异形框标注。

4.根据权利要求1所述的一种基于深度学习高识别率的图像分析方法，其特征在于，所述步骤S6中的目标检测算法为Faster-RCNN算法。

5.根据权利要求1所述的一种基于深度学习高识别率的图像分析方法，其特征在于，所述步骤S6的具体实施步骤如下：

6.1)对每一个具体样本随机提取固定比例的子样本标记为检测模型子样本，其余的子样本为训练模型子样本；

6.2)从训练模型子样本中的被标注区域由上到下随机提取代表区域，根据所述代表区域生成建议窗口，联合训练分类概率和边框回归算法得到物体专用模型；

6.3)将所述检测模型子样本与所述物体专用模型进行匹配，若有至少40％的检测模型子样本的匹配度达到预设概率，则认可所述物体专用模型，记录子样本的预测边框坐标并对子样本进行自动标注；否则返回步骤6.2)重新选择代表区域。

6.根据权利要求5所述的一种基于深度学习高识别率的图像分析方法，其特征在于，所述预设概率为99.9％。

7.根据权利要求5所述的一种基于深度学习高识别率的图像分析方法，其特征在于，在对所述子样本进行训练前需要对子样本预处理成统一格式。