[发明专利]图像分类方法、装置、存储介质及电子设备

权利要求书

1.一种图像分类方法，其特征在于，包括：

确定需要进行图像分类的目标图像；

调用预训练的图像分类模型，所述图像分类模型包括特征提取模块和分类模块，所述特征提取模块包括依次连接的多个ShuffleNet v2单元，所述ShuffleNet v2单元采用Leaky ReLu函数作为激活函数；

基于所述多个ShuffleNet v2单元逐层对所述目标图像进行特征提取，得到所述目标图像的图像特征；

基于所述分类模块对所述图像特征进行分类预测，得到所述目标图像的预测类别。

2.根据权利要求1所述的图像分类方法，其特征在于，所述确定需要进行图像分类的目标图像，包括：

当到达图像分类周期时，将所述图像分类周期内新增的图像作为所述目标图像。

3.根据权利要求1所述的图像分类方法，其特征在于，所述图像分类模型还包括降维模块，所述基于所述分类模块对所述图像特征进行分类预测，得到所述目标图像的预测类别之前，还包括：

基于所述降维模块对所述图像特征进行特征降维，得到降维后的图像特征；

所述基于所述分类模块对所述图像特征进行分类预测，得到所述目标图像的预测类别，包括：

基于所述分类模块对所述降维后的图像特征进行分类预测，得到所述目标图像的预测类别。

4.根据权利要求1所述的图像分类方法，其特征在于，所述基于所述分类模块对所述图像特征进行分类预测，得到所述目标图像的预测类别之后，还包括：

根据所述预测类别为所述目标图像分配存储路径，并将所述目标图像存储至所述储存路径中。

5.根据权利要求1所述的图像分类方法，其特征在于，所述确定需要进行图像分类的目标图像之前，还包括：

调用TensorFlow框架，基于所述TensorFlow框架构建所述图像分类模型；

获取样本图像，并根据所述样本图像对所述图像分类模型进行训练，直至满足预设训练停止条件。

6.根据权利要求5所述的图像分类方法，其特征在于，所述根据所述样本图像对所述图像分类模型进行训练之前，还包括：

利用ImageNet数据集对所述图像分类模型进行预训练，得到预训练后的图像分类模型；

所述根据所述样本图像对所述图像分类模型进行训练，包括：

根据所述样本图像对所述预训练后的图像分类模型进行训练。

7.根据权利要求6所述的图像分类方法，其特征在于，所述根据所述样本图像对所述预训练后的图像分类模型进行训练，包括：

对所述样本图像进行预处理，得到预处理后的样本图像；

根据所述预处理后的样本图像对所述预训练后的图像分类模型进行训练。

8.一种图像分类装置，其特征在于，包括：

图像确定组件，用于确定需要进行图像分类的目标图像；

模型调用组件，用于调用预训练的图像分类模型，所述图像分类模型包括特征提取模块和分类模块，所述特征提取模块包括依次连接的多个ShuffleNet v2单元，所述ShuffleNet v2单元采用Leaky ReLu函数作为激活函数；

特征提取组件，用于基于所述多个ShuffleNet v2单元逐层对所述目标图像进行特征提取，得到所述目标图像的图像特征；

图像分类组件，用于基于所述分类模块对所述图像特征进行分类预测，得到所述目标图像的预测类别。

9.一种存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器加载时执行如权利要求1至7任一项所述的图像分类方法。

10.一种电子设备，包括处理器和存储器，所述存储器储存有计算机程序，其特征在于，所述处理器通过加载所述计算机程序，用于执行如权利要求1至7任一项所述的图像分类方法。