解决方案:一种基于AI算法自动采集并归类图像的方法及系统与流程

　　解决方案:一种基于AI算法自动采集并归类图像的方法及系统与流程

　　一种基于AI算法的图像自动采集分类方法及系统

　　技术领域

　　1.本发明涉及图像处理AI算法技术领域，具体涉及一种基于AI算法的图像自动采集分类方法及系统。

　　背景技术：

　　2、随着AI技术的普及，生活中的很多场景都可以看到智能化改造的身影，其中以计算机视觉识别技术为基础的图像识别技术尤为突出。机器视觉识别是计算机对图像进行处理、分析和理解，以识别各种模式的目标和物体的技术。简单的说，就是让计算机学会从图像中理解图片。深度学习技术是用于理解图像和形成模型的计算机视觉识别技术之一。计算机视觉识别技术可以对大量标记图像进行分析，得到人工智能算法推理模型。通过该模型，可以在更多的场景下使用，实现图像识别过程。

　　3. 然而，在实际的智能化改造场景中，总会存在一般图像库无法分析的图像特征，导致计算机视觉识别技术在实际场景中的表现不尽如人意。而且，如果在图像分类和标注的过程中使用人力，需要大量的人力。

　　技术实现要素：

　　4、针对上述技术问题，本发明的目的在于提供一种基于AI算法的图像自动采集分类方法及系统，以解决普通图片库无法分析的问题图像识别过程中图像的特征，或者大量图像需要人工分析标注和分类带来的人工成本高的问题。

　　5、本发明采用以下技术方案：

　　6、一种基于AI算法的图像自动采集分类方法，包括以下步骤：

　　7、定期从视频设备中采集图像进行处理；

　　8、将待处理图像输入到预设的ai算法模型中，通过ai算法模型得到待处理图像的推理结果；

　　9、根据推理结果对待处理图像进行筛选，得到待处理图像的分类结果，并存储。

　　10、可选的，通过ai算法模型得到待处理图像的推理结果，包括：

　　11、ai算法模型获取预设的图像分类规则和评分规则，根据图像分类规则和评分规则，得到待处理图像的分类结果。

　　12、可选地，推理结果包括待处理图像的推理目标类型、推理目标在待处理图像中的位置、目标对应的推理分数中的一种或多种。

　　13、可选的，根据推理结果对待处理图像进行滤波，得到待处理图像的分类结果并存储，包括：

　　14、剔除待处理图像推理结果中目标类型不满足预设类型范围的待处理图像，剔除推理得分小于预设阈值得分的待处理图像，然后进行分类剩余待处理图像按目标类型存储。

　　15、可选的，所述定时采集视频设备的待处理图像包括：

　　16、按照一定的时间间隔采集视频设备输出的视频数据；

　　17、通过对视频数据进行抓图获取图像或者通过分析视频流获取图像；

　　18.将获取的图片存储到本地，并向本地消息队列推送图片获取消息。

　　19、可选的，ai算法模型采用yolov5模型，通过yolov5模型得到待处理图像的推理结果，存储推理结果，推理结果作为其他ai模型的训练样本.

　　20、一种基于AI算法的图像自动采集分类系统，包括：

　　21、图像采集单元，用于定时采集视频设备的待处理图像；

　　22、推理单元，用于将所述待处理图像输入预设的ai算法模型，通过所述ai算法模型得到所述待处理图像的推理结果；

　　23、分类单元，用于根据推理结果对待处理图像进行筛选，得到待处理图像的分类结果，并存储。

　　24、可选的，所述图像采集单元包括：视频接入模块、定时执行模块、图像采集模块、图像存储模块和本地消息队列模块；其中，

　　25、视频接入模块，用于将视频设备的视频数据连接到图像采集模块；

　　26、定时执行模块，用于按照一定的时间间隔调用图像采集模块，通过对视频数据进行图像采集或分析视频流来获取图像；

　　27、图像存储模块，用于将获取的图像存储在本地；

　　28、本地消息队列模块，用于接收和发送待处理的图像信息。

　　29. 一种电子设备，包括： 至少一个处理器，以及通信连接到所述至少一个处理器的存储器，其中所述存储器存储可由所述至少一个处理器执行的指令，并且所述指令由所述至少一个处理器执行，使得至少一个处理器可以执行基于AI算法的自动采集和分类图像的方法。

　　

" />

　　30、一种计算机存储介质，其上存储有计算机程序，当计算机程序被处理器执行时，实现了基于AI算法的图像自动采集分类方法。

　　31、与现有技术相比，本发明的有益效果是：

　　32、本发明定时从视频设备采集待处理图像，将待处理图像输入到预设的ai算法模型中，通过ai算法模型得到待处理图像的推理结果，并基于推理结果，对待处理图像进行筛选，得到待处理图像的分类结果，并存储；其中，在采集待处理图像的过程中，视频设备可以为实际场景中的视频设备，实际场景中的视频设备采集图像，使图像数据更符合业务场景，而使用这些图像数据训练出来的模型会更贴合实际场景；并且在不更换现有视频设备的情况下采集图像，可减少大量视频设备升级所带来的巨大成本；通过AI算法模型获取待处理图像的推理结果，进而进行图像筛选，可以避免使用通用图像库直接分析图像，无法分析图像特征的问题；同时，一方面可以降低人工筛选成本；另一方面，可以将推理结果保留为图像标注信息，例如可以将推理结果中待处理图像中的目标位置保留为图像标注信息，这样可以减少巨大的人力成本标注图像，也可以用于其他AI模型的训练。通过AI算法模型获取待处理图像的推理结果，进而进行图像筛选，可以避免使用通用图像库直接分析图像，无法分析图像特征的问题；同时，一方面可以降低人工筛选成本；另一方面，可以将推理结果保留为图像标注信息，例如可以将推理结果中待处理图像中的目标位置保留为图像标注信息，这样可以减少巨大的人力成本标注图像，也可以用于其他AI模型的训练。通过AI算法模型获取待处理图像的推理结果，进而进行图像筛选，可以避免使用通用图像库直接分析图像，无法分析图像特征的问题；同时，一方面可以降低人工筛选成本；另一方面，可以将推理结果保留为图像标注信息，例如可以将推理结果中待处理图像中的目标位置保留为图像标注信息，这样可以减少巨大的人力成本标注图像，也可以用于其他AI模型的训练。可以避免使用通用图像库直接分析图像，无法分析图像特征的问题；同时，一方面可以降低人工筛选成本；另一方面，可以将推理结果保留为图像标注信息，例如可以将推理结果中待处理图像中的目标位置保留为图像标注信息，这样可以减少巨大的人力成本标注图像，也可以用于其他AI模型的训练。可以避免使用通用图像库直接分析图像，无法分析图像特征的问题；同时，一方面可以降低人工筛选成本；另一方面，可以将推理结果保留为图像标注信息，例如可以将推理结果中待处理图像中的目标位置保留为图像标注信息，这样可以减少巨大的人力成本标注图像，也可以用于其他AI模型的训练。

　　图纸说明

　　33、图1为本发明实施例提供的基于AI算法的图像自动采集分类方法的流程*敏*感*词*；

　　34、图2为本发明实施例提供的视频设备自动获取图像的方法流程*敏*感*词*；

　　35、图3为本发明实施例提供的AI算法对图像进行分类的方法流程*敏*感*词*；

　　36. 图。图4是根据本发明实施例的基于AI算法的图像自动采集和分类系统的*敏*感*词*；

　　37. 图。图5为本发明实施例提供的电子设备的结构*敏*感*词*。

　　详细方法

　　38、下面结合附图和具体实施方法对本发明作进一步说明。需要说明的是，在不冲突的前提下，下述各实施例或者技术特征可以任意组合形成新的实施例：

　　39、实施例一：

　　40、参见图1-5，图1所示的一种基于AI算法的图像自动采集分类方法包括以下步骤：

　　41、步骤s1：定时从视频设备采集待处理图像；

　　42、本实施例中，视频设备可以是实际场景中的视频设备，在实际场景中的视频设备上进行图像采集，使得图像数据更符合业务场景，模型使用这些图像数据进行训练会更符合实际场景。并且采集图像无需更换现有的视频设备，减少了升级大量视频设备的巨大成本。

　　43、步骤s2：将待处理图像输入预设的ai算法模型，通过ai算法模型得到待处理图像的推理结果；

　　44、步骤s3：根据推理结果对待处理图像进行筛选，得到待处理图像的分类结果，并存储。

　　45、可选的，通过ai算法模型得到待处理图像的推理结果，包括：

　　46、ai算法模型获取预设的图像分类规则和评分规则，根据图像分类规则和评分规则，得到待处理图像的分类结果。

　　47、在本实施例中，图像分类规则和评分规则可以根据实际需要进行设置。

　　48、例如，预设评分规则定义为：推理得分为100分，如果待处理图像的目标不在待处理图像的中心位置，则扣50分，推理分值为50分，或者待处理图像的图像分辨率小于预设分辨率，再扣20分，推理分等于满分减去扣除的推理分，即，推理分数=100-50-20=30分。

　　49、可选的，ai算法模型采用yolov5模型，通过yolov5模型得到待处理图像的推理结果，存储推理结果，将推理结果作为其他ai模型的训练样本。

　　50.需要说明的是，yolov5模型起源于cnn的基本思想从分类任务到检测的扩展。它由主干网络、颈部和头部组成。实现步骤包括将数据输入模型，获取推理信息；nms处理获取Forecast信息，此时会获取到所有的预测帧；遍历预测信息，同时获取标签信息进行统计。

　　51. 在实际实现中，承载AI算法模型的硬件设备具体可以包括gpu芯片、计算内存、本地硬盘存储、计算机的通用配置。GPU芯片和计算内存承载AI模型进行推理和使用，本地硬盘用于存储图像数据。.

　　52、具体地，所述推理结果包括所述待处理图像的推理目标类型、所述推理目标在所述待处理图像中的位置、以及所述目标对应的推理分数中的一种或多种。

　　53、可选地，根据推理结果对待处理图像进行滤波得到待处理图像的分类结果并存储，包括：

　　54、去除待处理图像推理结果中目标类型不满足预设类型范围的待处理图像，去除推理得分小于预设阈值得分的待处理图像，然后分类剩余待处理图像按目标类型存储。

　　55、具体实施时，如果待处理图像的推理结果中的目标类型不在预设的类型范围内，则丢弃该待处理图像。

　　56、例如，预设类型范围为人物图像，而待处理图像的推断结果中的目标类型为花卉，则确定待处理图像不满足预设类型范围。

　　57、例如预设阈值分值为60分，如果待处理图像的推理分值为30分，则该待处理图像将被淘汰，不进入分类存储类别；

　　58、如果待处理图像的推理得分为80分，目标类型为人物图像，且预设类型范围为人物图像，则可将待处理图像分类为人物图像并存储.

　　59、可选地，步骤s1可以包括：

　　60、步骤s11：每隔一定时间采集视频设备输出的视频数据；

　　61、步骤s12：通过抓图获取视频数据的图像或者通过分析视频流获取图像；

　　

" />

　　62、在本实施例中，图像抓取可以使用视频设备交付时附带的设备厂商的设备截图能力，视频流获取图像是对视频流进行解析后从视频流中截取图像的能力。

　　63、步骤s13：将采集到的图像存储到本地，并向本地消息队列推送图像采集消息。

　　64、本实施例中，推送图片获取消息具体可以包括图片本地存储地址和设备信息。

　　65、上述实现过程中，定时从视频设备采集待处理图像，将待处理图像输入到预设的ai算法模型中，通过获取待处理图像的推理结果ai算法模型，根据推理结果筛选待处理图像，得到待处理图像的分类结果，并存储；其中，在采集待处理图像的过程中，视频设备可以为实际场景中的视频设备，实际场景中的视频设备采集图像，使图像数据更符合业务场景，而使用这些图像数据训练出来的模型会更符合实际场景。并且无需更换现有视频设备即可获取图像，可减少升级大量视频设备的巨大成本；通过使用AI算法模型获取待处理图像的推理结果，进而进行图像筛选，一方面可以减少人工操作。筛查费用；另一方面，可以将推理结果保留为图像标注信息，例如可以将推理结果中待处理图像中的目标位置保留为图像标注信息，这样可以减少巨大的人力成本标注图像，也可以用于其他AI模型训练。通过使用AI算法模型获取待处理图像的推理结果，进而进行图像筛选，一方面可以减少人工操作。筛查费用；另一方面，可以将推理结果保留为图像标注信息，例如可以将推理结果中待处理图像中的目标位置保留为图像标注信息，这样可以减少巨大的人力成本标注图像，也可以用于其他AI模型训练。通过使用AI算法模型获取待处理图像的推理结果，进而进行图像筛选，一方面可以减少人工操作。筛查费用；另一方面，可以将推理结果保留为图像标注信息，例如可以将推理结果中待处理图像中的目标位置保留为图像标注信息，这样可以减少巨大的人力成本标注图像，也可以用于其他AI模型训练。

　　66. 下面结合具体实施例对本发明的方法进行说明：

　　67. 1. 自动采集视频设备图像；请参阅图2，为本发明视频设备自动获取图像的方法流程*敏*感*词*。

　　68.1。视频访问；

　　69.2。定时图像采集；

　　70.3。本地存储；

　　71.4。将图像信息发送到消息队列。

　　72. 2.通过AI算法对图片进行分类；请参考图。图3为本发明AI算法对图像进行分类的方法流程*敏*感*词*；

　　73.1。获取算法启动时需要采集的图像类型规则和评分规则；

　　74.2。得到推理结果后，判断推理结果中收录

的目标类型是否在目标规则规定的范围内，如果不在，则丢弃该图像；

　　75.3。判断推理结果中收录

的目标的推理分数是否高于评分规则设置，若低于规则则丢弃该图像；

　　76.4。根据目标类型对通过目标规则和评分规则规定范围的图像进行分类存储。

　　77.实施例二：

　　78.请参考图4，图4为基于本发明AI算法的图像自动采集分类系统，包括：

　　79、图像获取单元10，用于定时从视频设备获取待处理图像；

　　80、推理单元20，用于将待处理图像输入预设的ai算法模型，通过ai算法模型得到待处理图像的推理结果；

　　81、分类单元30，用于根据推理结果对待处理图像进行筛选，得到待处理图像的分类结果，并存储。

　　82、具体地，图像获取单元10包括：视频访问模块、定时执行模块、图像获取模块、图像存储模块、本地消息队列模块；其中，

　　83、视频接入模块，用于将视频设备的视频数据连接到图像采集模块；

　　84、定时执行模块，用于按照一定的时间间隔调用图像采集模块，通过对视频数据进行图像采集或分析视频流来获取图像；

　　85、图像存储模块，用于将获取的图像存储在本地；

　　86、本地消息队列模块，用于接收和发送待处理的图像信息。

　　87、具体地，推理单元20和分类单元30具体可以包括图像接收模块、ai算法推理模块、图像分类模块、数据存储模块、数据服务器和本地消息队列。获取图像信息，AI算法推理模块将图像信息输入AI模型进行推理并得到推理结果，图像分类模块根据推理结果对图像进行筛选，数据存储模块存储将所选图像的推理信息存入数据服务器。

　　88.实施例三：

　　89、图5为本技术实施例提供的一种电子设备的结构*敏*感*词*。在本技术中，可以用图5所示的*敏*感*词*来描述一个基于本技术实施例的AI算法的自动采集。以及图像分类方法的电子设备100。

　　90、如图9所示的电子设备的结构*敏*感*词*。如图5所示，电子设备100包括一个或多个处理器102、一个或多个存储设备104，这些部件之间通过总线系统和/或其他形式(未示出)互连。值得一提的是，图1所示的电子装置100的组件及结构仅由图1所示的电子装置100构成。

　　如果需要，电子设备可以具有图1所示的一些部件。也可以具有图5中未示出的其他部件和结构。5.

　　91、处理器102可以是中央处理器(cpu)或其他形式的具有数据处理能力和/或指令执行能力的处理单元，并且可以控制电子设备100中的其他组件执行期望的功能。

　　92.存储设备104可以包括一个或多个计算机程序产品，其可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器可以包括例如随机存取存储器（ram）和/或高速缓冲存储器（cache）。非易失性存储器可包括例如只读存储器(rom)、硬盘、闪存等。计算机可读存储介质上可以存储有一个或多个计算机程序指令，处理器102可以执行该程序指令以实现下述技术实施例中描述的功能（由处理器实现）和/或其他期望的功能。各种应用程序和各种数据，例如应用程序使用和/或产生的各种数据，

　　93.本发明还提供了一种计算机存储介质，其上存储有计算机程序。本发明的方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在计算机存储介质中。基于此理解，本发明实现了上述实施例的方法中的全部或部分过程，也可以通过计算机程序指令相关硬件来完成。该计算机程序可以存储在一个计算机存储介质中，该计算机程序在处理器执行时，可以实现上述各方法实施例中的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以是源代码、目标代码、可执行文件或某种中间形式。计算机存储介质可以包括：任何能够承载计算机程序代码的实体或设备、记录介质、U盘、移动硬盘、磁盘、光盘、计算机存储器、只读存储器(rom, read-only memory), Random access memory (ram, random access memory), 电载波信号, 电信信号, 软件分发介质等。需要注意的是，计算机存储介质中收录

的内容可以适当根据司法管辖区的立法和专利实践的要求增加或减少。例如，在一些司法管辖区，根据立法和专利惯例，计算机存储介质不包括电载波信号和电信信号。

　　94、对于本领域的技术人员来说，根据上述技术方案和思想，还可以做出其他各种相应的变化和变形，这些变化和变形均应收录

在本发明的权利要求的保护范围之内。

　　解决方案:NLP之文本匹配及语义匹配应用介绍

　　

" />

　　Pytorch-based Chinese semantic similarity matching model Pytorch-based Chinese semantic similarity matching model 本项目会持续更新，对比目前业界主流的中文文本匹配模型。运行环境：python3.7、pytorch1.2、transformers2.5.1 数据集使用LCQMC数据（对一个句子对进行分类，判断两个句子的语义是否相同（两个分类任务））。因为怀疑数据，所以不提供下载。有需要的可以向官方提交数据申请，解压数据。到数据文件夹。模型评价指标有：ACC、AUC和预测总耗时。Embedding：本项目的输入统一采用分词策略，所以通过维基百科中文语料库，词向量被训练为嵌入。训练语料、向量模型和词汇可通过百度网盘下载。链接： ： 提取码：s830 模型文件：本项目训练的模型文件（不一定是最优的，可以通过超参继续调优），或者通过网盘下载。链接：： 提取码：s830测试集结果对比：模型ACC AUC耗时（s

　　

" />