[发明专利]一种网络终端的不良信息识别方法及局域网终端设备

权利要求书

1.一种网络终端的不良信息识别方法，其特征在于，应用于与网络终端通过局域网连接的局域网终端设备上，步骤包括：

接收网络终端周期发来的截图信息，将所述截图信息作为待识别的图像；

提取所述待识别的图像的边缘梯度信息；

将符合边缘阈值范围和/或符合预设形状特征的边缘梯度信息对应的图像区域进行提取，作为待分析子图信息；

将所述待识别的图像和/或所述待分析子图信息输入至深度学习模型中进行分析，并得到分析结果，其中，所述分析结果为是否属于不良类别，所述深度学习模型是卷积神经网络利用样本图像经过学习训练得到的；

若所述分析结果为属于不良类别则向网络终端发送关断指令，控制所述网络终端停止显示当前画面；

其中，所述接收网络终端周期发来的截图信息，将所述截图信息作为待识别的图像，具体包括：

对所述截图信息进行多尺度缩放，得到多个缩放图像；

将所述多个缩放图像进行空白填充，填充为与所述截图信息尺寸相同的图像，将填充后的缩放图像和所述截图信息作为待识别的图像，其中，待识别的图像有多个；

则所述深度学习模型针对每个待识别的图像输出一个分析结果；

判断所述分析结果中属于不良类别的占比比例，若所述比例超过预定比例阈值，则确定所述截图信息中含有不良信息，向对应网络终端发送关断指令，控制所述网络终端停止显示。

2.根据权利要求1所述的方法，其特征在于，在将所述待识别的图像和/或所述待分析子图信息输入至深度学习模型中进行分析，并得到分析结果之前，还包括：

获取预定数量的样本图像；

向所述样本图像中添加标记类别后，将所述样本图像输入至卷积神经网络进行训练识别，若训练识别结果与标记类别不同，则对卷积神经网络的参数进行调整，直至训练识别结果与标记类别相同，再将下一个样本图像输入至卷积神经网络进行训练识别，将所述样本图像全部训练完成后的卷积神经网络，作为深度学习模型。

3.根据权利要求2所述的方法，其特征在于，向所述样本图像中添加标记类别后，将所述样本图像输入至卷积神经网络进行训练识别，若训练识别结果与标记类别不同，则对卷积神经网络的参数进行调整，直至训练识别结果与标记类别相同，再将下一个样本图像输入至卷积神经网络进行训练识别，将所述样本图像全部训练完成后的卷积神经网络，作为深度学习模型，具体包括：

向所述样本图像中添加目标区域标记；

将所述样本图像输入至第一卷积神经网络进行训练，若训练得到的目标区域与目标区域标记不同，则对第一卷积神经网络的参数进行调整，直至训练得到的目标区域与目标区域标记相同，再将下一个样本图像输入至第一卷积神经网络进行训练；

将训练完成后的第一卷积神经网络作为目标区域检测模型；

获取预定数量的目标区域图像样本，并为每个目标区域图像样本添加对应的分类标签，作为分类训练样本；

将所述分类训练样本输入至第二卷积神经网络进行训练，若训练输出的分类结果与分类标签不同，则对第二卷积神经网络的参数进行调整，直至训练输出的分类结果与分类标签相同，再将下一个分类训练样本输入至第二卷积神经网络进行训练；

在训练完成后的第二卷积神经网络的输出层添加判断输出类别是否属于不良类别的判断层，将添加后的第二卷积神经网络作为目标分类模型；

将所述目标区域检测模型和所述目标分类模型进行组合，作为深度学习模型。

4.根据权利要求1所述的方法，其特征在于，若所述分析结果为属于不良类别则向网络终端发送关断指令，控制所述网络终端停止显示当前画面，具体为：

若所述分析结果为属于不良类别则向网络终端发送关断指令，并将预先存储的预置图像与所述关断指令进行整合，发送给所述网络终端，控制所述网络终端停止显示当前画面，同时显示所述预置图像。

5.根据权利要求1所述的方法，其特征在于，若所述分析结果为属于不良类别则向网络终端发送关断指令，控制所述网络终端停止显示当前画面，具体包括：

若所述分析结果为属于不良类别，则对应计数累计加1；

当所述计数累计超过预定阈值，则向网络终端发送关断指令，控制所述网络终端停止显示。