[发明专利]图像识别方法、图像识别装置、电子装置与图像识别平台

说明书

本申请提供了一种图像识别方法、图像识别装置、电子装置与图像识别平台。该方法包括：接收模型环境文件以及基础配置文件，模型环境文件至少包括TensorFlow文件、Pytorch文件以及MXNet文件，基础配置文件为深度学习模型运行所需的环境相关的配置文件，模型环境文件的版本信息与基础配置文件的版本信息相匹配；基于模型环境文件以及基础配置文件，构建基础服务镜像，基础服务镜像为模型环境文件与基础配置文件的冗余备份；接收目标深度学习模型文件，并基于目标深度学习模型文件以及基础服务镜像，构建目标镜像服务；采用目标镜像服务对目标图像进行识别，从而解决了现有技术中票据识别模型的部署效率较低的问题。

技术领域

本申请涉及图像识别技术领域，具体而言，涉及一种图像识别方法、图像识别装置、计算机可读存储介质、电子装置和图像识别平台。

背景技术

近年来，随着人工智能技术的发展与普及，智能字符识别(IntelligentCharacter Recognition，简称ICR)被大量用于银行各项业务的各类证件、票据影像的结构化文本数据提取。随着票据识别应用场景的不断激增，需要一种能够对票据识别模型快速部署的方法，以对不同的票据进行识别，进而实现票据识别技术规模化应用的目标。

现有的票据识别模型图像识别方法，主要分为两种：

第一种，根据票据识别模型所依赖的基础环境信息，在服务器上安装及配置相应的图形计算加速卡驱动、并行计算框架以及深度神经网络加速库等众多依赖项，再进行票据识别模型的部署及调试，从而用于对不同的票据进行识别。此类票据识别模型的部署方法，无需对票据识别模型进行封装，也无需规范票据识别模型的运行环境。但在每次部署时，需根据票据识别模型所需的版本信息，对运行环境中的依赖项(即图形计算加速卡驱动、并行计算框架以及深度神经网络加速库)进行安装和配置。

第二种，基于Kubernetes技术，搭建Kubernetes集群，并完成图形计算加速卡驱动、并行计算框架及深度神经网络加速库等依赖项的安装及配置。再将票据识别模型所依赖的基础环境信息(即模型环境文件以及基础配置文件)封装到容器中。在每次需部署票据识别模型时，便无需再次重新安装及配置众多的依赖项。该票据识别模型的部署方法，当Kubernetes集群基础环境及依赖项版本与票据识别模型所需的依赖项版本信息不匹配，若当前版本高于已安装版本则需要更新依赖项版本；若当前版本低于已安装版本则需要更新基础镜像。

上述所提及的票据识别模型的部署方法均存在着部署效率较低，时间成本以及人力成本较大的问题。

发明内容

本申请的主要目的在于提供一种图像识别方法、图像识别装置、计算机可读存储介质、电子装置和图像识别平台，以至少解决现有技术中票据识别模型的部署效率较低的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种图像识别方法，接收模型环境文件以及基础配置文件，所述模型环境文件至少包括TensorFlow文件、Pytorch文件以及MXNet文件，所述基础配置文件为深度学习模型运行所需的环境相关的配置文件，所述模型环境文件的版本信息与所述基础配置文件的版本信息相匹配；基于所述模型环境文件以及所述基础配置文件，构建基础服务镜像，所述基础服务镜像为所述模型环境文件与所述基础配置文件的冗余备份；接收目标深度学习模型文件，并基于所述目标深度学习模型文件以及所述基础服务镜像，构建目标镜像服务，所述目标深度学习模型文件为用于对目标图像进行识别的深度学习模型文件；采用所述目标镜像服务对所述目标图像进行识别。

可选地，所述基础配置文件至少包括：图形加速卡驱动、并行计算框架以及深度神经网络加速库，所述图形加速卡驱动为图像加速卡的驱动。

可选地，基于所述模型环境文件以及所述基础配置文件，构建基础服务镜像，包括：创建Docker文件，并将所述基础配置文件的存储位置以及版本信息写入所述Docker文件中，得到更新后的所述Docker文件；读取更新后的所述Docker文件，以对所述模型环境文件的存储位置进行映射，得到所述基础服务镜像。