[发明专利]一种照片打分分析方法及系统

权利要求书

1.一种照片打分分析方法，其特征在于，包括：

使用AestheticsAttribute Database数据集，对与图片匹配的标签标准化，获得样本集；

导入样本集，通过卷积神经网络DenseNet对样本集进行训练并识别特征，获得识别模型；

获取目标影像，所述目标影像是拍摄的照片；

将目标影像导入识别模型，获得评分结果。

2.根据权利要求1所述一种照片打分分析方法，其特征在于，所述评分结果包括分数和六边形分析图表。

3.根据权利要求1所述一种照片打分分析方法，其特征在于，所述通过卷积神经网络DenseNet对样本集进行训练并识别特征，包括使用80％的样本集数据作为训练数据，20％的样本集数据作为测试数据，利用高性能处理单元使用DenseNet在PyTorch的深度学习框架下训练，经过训练后在测试集上整体平均分类准确率达到70％后，使用模型服务技术布局在阿里服务器上进行流水运算。

4.一种照片打分分析系统，其特征在于，包括服务端和客户端，

所述服务端包括：

数据处理单元，配置用于使用AestheticsAttribute Database数据集，对与图片匹配的标签标准化，获得样本集；

训练单元，配置用于导入样本集，通过卷积神经网络DenseNet对样本集进行训练并识别特征，获得识别模型；

识别单元，配置用于将目标影像导入识别模型，获得评分结果；

第一通讯单元，配置接收客户端发来的目标影像，并将计算的评分结果反馈至客户端；

所述客户端配置于移动讯通上的APP，包括：

获取单元，用于获取目标影像，所述目标影像是APP所在的语音通讯装置拍摄的照片；

第二通讯单元，配置用于向客户端发送目标影像，并接收客户端发来的与目标影像匹配的评分结果。

5.根据权利要求1所述一种照片打分分析系统，其特征在于，所述评分结果包括分数和六边形分析图表。

6.根据权利要求1所述一种照片打分分析系统，其特征在于，所述通过卷积神经网络DenseNet对样本集进行训练并识别特征，包括使用80％的样本集数据作为训练数据，20％的样本集数据作为测试数据，利用高性能处理单元使用DenseNet在PyTorch的深度学习框架下训练，经过训练后在测试集上整体平均分类准确率达到70％后，使用模型服务技术布局在阿里服务器上进行流水运算。