[发明专利]一种图像识别模型的生成方法、存储介质及应用服务器

说明书

本发明公开了一种图像识别模型的生成方法、存储介质及应用服务器，所述方法包括：获取一训练图像集，所述训练图像集包括多张训练图像和每一张训练图像所对应的真实标签，每一张训练图像均为具有隐藏子区域和非隐藏子区域的图像，采用所述训练图像集作为预设卷积神经网络模型的输入项，通过所述预设卷积神经网络得到预测标签，并通过真实标签和预测标签对预设卷积神经网络的网络参数进行修正，以得到已训练的图像识别模型。本实施例生成的图像识别模型，采用具有部分隐藏区域的训练图像作为训练样本，提高了图像识别模块具有遮挡的图像的识别准确性，从而提高了图像识别模型的鲁棒性。

技术领域

本发明涉及图像处理技术领域，特别涉及一种图像识别模型的生成方法、存储介质及应用服务器。

背景技术

随着人工智能技术在图像视觉领域的飞速发展，基于图像进行目标检测任务的需求和应用越来越多。目标检测技术可以通过神经网络模型对图像中的内容种类和位置进行预测，然后通过反向传播获得更加精确的位置。但是，目前目标检测技术采用的神经网络模型主要是以标记好目标物品位置的图像作为训练样本，通过深度学习得到。但是，对于目标物品会被部分遮挡的图像，现有用于图像识别的神经网络无法准确识别到目标物品，给用户的使用带来不便。

发明内容

本发明要解决的技术问题在于，针对现有技术的不足，提供一种图像识别模型的生成方法、存储介质及应用服务器。

本发明所采用的技术方案如下：

一种图像识别模型的生成方法，其包括：

获取一训练图像集，所述训练图像集包括多张训练图像和每一张训练图像所对应的真实标签，其中，每一张训练图像均为具有隐藏子区域和非隐藏子区域的图像，每一张训练图像所对应的真实标签用于表示训练图像中非隐藏子区域所对应的对象类型；

将所述训练图像集中的训练图像输入预设卷积神经网络模型，并获取所述预设卷积神经网络模型所输出的所述训练图像所对应的预测标签；

根据所述训练图像所对应的真实标签以及所述训练图像所对应的预测标签，对所述预设卷积神经网络模型的模型参数进行修正；并继续执行所述将所述训练图像集中的训练图像输入预设卷积神经网络模型的步骤，直至所述预设卷积神经网络模型的训练情况满足预设条件，以得到已训练的图像识别模型。

所述图像识别模型的生成方法，其中，所述训练图像集中的每一张训练图像均为原始图像经过预处理后所得到的；其中，根据原始图像得到训练图像的预处理方式为：

将原始图像划分为第一预设数量的子区域；

在所述第一预设数量的子区域中，确定第二预设数量的待隐藏子区域；其中，所述第一预设数量大于所述第二预设数量；

将每一个待隐藏子区域中的像素点的像素值均设置为所述预设像素值，得到具有所述第二预设数量的隐藏子区域的训练图像。

所述图像识别模型的生成方法，其中，所述将原始图像划分为第一预设数量的子区域具体包括：

获取原始图像的图像尺寸；

根据所述原始图像尺寸确定所述原始图像对应的像素点数，并根据所述像素点数计算所述原始图像对应的第一预设数量；

将所述所述原始图像划分为所述第一预设数量的子区域。

所述图像识别模型的生成方法，其中，所述在所述第一预设数量的子区域中，确定第二预设数量的待隐藏子区域，具体包括：

在所述第一预设数量的子区域中，随机选取所述第二预设数量的子区域；

将选取到的所述第二预设数量的子区域作为待隐藏子区域，以得到第二预设数量的待隐藏子区域。