[发明专利]图像识别方法、装置、计算机设备与存储介质

说明书

本申请涉及一种图像识别方法、装置、计算机设备和存储介质。所述方法包括：获取待识别图像数据集；将待识别图像数据集输入至分类模型，并由分类模型输出待识别图像数据集对应的类型标签；分类模型为通过将训练图片集中的每张训练图片作为输入，通过将对应的训练图片的类型标签作为输出，对预设的网络模型进行训练所得到；网络模型包括：用于提取训练图片的基础特征的卷积神经网络模型、用于对基础特征进行卷积以得到训练图片的局部特征的第一路卷积神经网络、以及用于对基础特征进行卷积以得到训练图片的全局特征的第二路卷积神经网络。采用本方法能够提高图像分类识别准确性和识别效率。

技术领域

本申请涉及计算机技术领域，特别是涉及一种图像识别方法、装置、计算机设备与存储介质。

背景技术

随着机动车辆保有量的增加，由交通事故等原因造成车辆受损的概率逐年增长。在车辆发生受损后，通常需要对车辆损伤进行鉴定，以作为车辆维修、保险理赔的依据。通常，车辆损伤的鉴定，多为基于人工现场勘查识别，或通过拍摄照片，并通过人工远程辅助定义车辆损伤类型。但是车辆损伤鉴定结果受查勘人员的检测能力等主观因素的影响较大，因此，通过人工鉴定结果往往准确性较低。

有鉴于此，一些现有技术通过现有的模型提取图片特征来识别车辆损伤类型，然而，现有的模型对类型的划分较为粗放，若应用到复杂场景中，则容易出现识别准确性低与识别效率低的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高识别准确性和识别效率的图像识别方法、装置、计算机设备与存储介质。

一种图像识别方法，所述法包括：

获取图像数据集；

将所述待识别图像数据集输入至分类模型，并由所述分类模型输出所述待识别图像数据集对应的类型标签；

其中，所述分类模型为通过将训练图片集中的每张训练图片作为输入，通过将对应的训练图片的类型标签作为输出，对预设的网络模型进行训练所得到；

所述预设的网络模型包括：用于提取所述训练图片的基础特征的卷积神经网络模型、用于对所述基础特征进行卷积以得到所述训练图片的局部特征的第一路卷积神经网络、以及用于对所述基础特征进行卷积以得到所述训练图片的全局特征的第二路卷积神经网络。

在其中一个实施例中，所述方法还包括：

在获取待识别图像数据集之前，获取训练图片集；

对获取到的训练图片集进行数据清洗；

获取数据清洗后的训练图片集中的每张训练图片对应的类型标签；

获取所述预设的网络模型，通过将所述数据清洗后的训练图片集中的每张训练图片作为所述预设的网络模型的输入以及通过将对应的训练图片的类型标签作为所述预设的网络模型的输出，训练得到所述分类模型。

在其中一个实施例中，所述方法还包括：

在获取待识别图像数据集之前，获取训练图片集；

对获取到的训练图片集进行数据清洗；

对数据清洗后的训练图片集进行数据增量；

获取数据增量后的训练图片集中的每张训练图片对应的类型标签；

获取所述预设的网络模型，通过将所述数据增量后的训练图片集中的每张训练图片作为所述预设的网络模型的输入以及通过将对应的训练图片的类型标签作为所述预设的网络模型的输出，训练得到所述分类模型。