[发明专利]一种图片层级分类方法及系统

说明书

本发明适用于计算机领域，提供了一种图片层级分类方法及系统，通过将训练好的一级图片分类识别模型加载到一级分类器中进行图片识别；当二级图片分类识别模型中存在与一级图片分类识别模型输出的识别结果相对应的模型类型时，将正在识别的图片流转到相应的二级分类器中再次识别；经过两次分类识别之后，原本杂乱的图片被分别归类到相应的子类别中，并且能够将最终分类结果输出，以便于使用者掌握所有图片的分类情况。解决了现有的卷积神经网络，只能扁平的对图片进行识别和分类，无法实现对图片的多层级分类的问题。

技术领域

本发明属于计算机领域，尤其涉及一种图片层级分类方法及系统。

背景技术

随着深度卷积神经网络的快速发展，基于深度卷积神经网络的图像识别技术倍受关注。目前主流的深度卷积神经网络经过有效的训练之后，可以高效的提取图片的特征并且识别，从现实的条件出发，即要保证图像识别的正确性，同时也考虑到设备的局限性。

然而现有的卷积神经网络，只能扁平的对图片进行识别和分类，无法实现对图片的多层级分类。

发明内容

本发明实施例提供一种图片层级分类方法及系统，旨在解决现有的卷积神经网络，只能扁平的对图片进行识别和分类，无法实现对图片的多层级分类的问题。

本发明实施例是这样实现的，一种图片层级分类方法包括：

将训练好的一级图片分类识别模型加载到一级分类器中进行图片识别；所述一级分类器用于对一级图片的识别；

判断二级图片分类识别模型中是否存在与一级图片分类识别模型输出的识别结果相对应的模型类型；

当二级图片分类识别模型中存在与一级图片分类识别模型输出的识别结果相对应的模型类型时，将正在识别的图片流转到相应的二级分类器中再次识别；所述二级分类器用于对一次分类后的图片再次分类；

当二级图片分类识别模型中不存在与一级图片分类识别模型输出的识别结果相对应的模型类型时，说明正在识别的图片不在分类类别中，将该图片移出分类流程；

将最终分类结果输出。

作为本发明的一种改进方案：所述图片分类识别模型的训练方法包括：

获取训练项目所使用的数据集；所述训练项目所使用的数据集至少包括两级，第一级包含多个类别，每个一级类别下又包含多个子类别；

分别提取第一级每个类别中的所有图片；

将提取的每个一级类别内的图片加载到预训练模型中，得到一级图片分类识别模型；所述预训练模型采用ResNet神经网络并利用迁移学习的方法进行图片识别训练；

同样提取每个子类别内的图片加载到预训练模型中，得到二级图片分类识别模型。

作为本发明的又一种改进方案：所述获取训练项目所使用的数据集之后，所述方法还包括：

对现有的数据集进行数据增广操作；所述数据增广操作至少包括平移、旋转、镜像、增加噪声或变亮变暗；

作为本发明的另一种改进方案：所述在将提取的每个一级类别或者子类别内的图片加载到预训练模型中具体包括：

提取每个类别中的所有图片，并计算图片的数量值；

判断每个类别中图片数量值与阈值之差的绝对值是否大于偏移量；

当每个类别中图片数量值与阈值之差的绝对值不大于偏移量时，将提取的所有图片加载到预训练模型中；

当每个类别中图片数量值与阈值之差的绝对值是大于偏移量时，随机剔除提取到的图片中的多张，直到每个类别中图片数量值与阈值之差的绝对值不大于偏移量为止。