[发明专利]单页高负载图像识别方法、装置、计算机设备及存储介质

权利要求书

1.一种单页高负载图像识别方法，其特征在于，包括：

获取用户端的本地单页应用中存储的多个用于进行图像识别的卷积神经网络模型；

获取待识别图片，并将所述待识别图片作为所述本地单页应用中多个卷积神经网络模型的输入，得到与每一卷积神经网络模型一一对应的待处理结果；

将所述待处理结果进行统计，得到本地的图片识别结果；

若所述本地的图片识别结果为识别成功，将所述本地的图片识别结果对应的关键词进行显示。

2.根据权利要求1所述的单页高负载图像识别方法，其特征在于，所述获取用户端的本地单页应用中存储的多个用于进行图像识别的卷积神经网络模型之前，包括：

获取包括卷积神经网络模型的本地单页应用的安装包；

将所述本地单页应用的安装包进行解压，得到包括多个卷积神经网络模型的本地单页应用。

3.根据权利要求2所述的单页高负载图像识别方法，其特征在于，所述获取包括卷积神经网络模型的本地单页应用的安装包，包括：

采用预先导入的图像数据集作为所述卷积神经网络模型的训练数据训练所述卷积神经网络模型，得到训练后的卷积神经网络模型；

将所述训练后的卷积神经网络模型打包至本地单页应用的安装包中。

4.根据权利要求3所述的单页高负载图像识别方法，其特征在于，所述采用预先导入的图像数据集作为所述卷积神经网络模型的训练数据训练所述卷积神经网络模型，得到训练后的卷积神经网络模型，包括：

将所述图像数据集的图片根据过滤器进行卷积，得到底层特征；

根据采样窗口对底层特征进行采样，得到池化特征；

将底层特征与池化特征通过全连接层进行连接，得到卷积神经网络模型。

5.根据权利要求1所述的单页高负载图像识别方法，其特征在于，所述将所述待识别图片作为所述本地单页应用中多个卷积神经网络模型的输入，得到与每一卷积神经网络模型一一对应的待处理结果，包括：

将待识别图片输入多个卷积神经网络模型中所包括的每一卷积神经网络模型；

计算每一卷积神经网络模型的实际输出值以作为与每一卷积神经网络模型一一对应的待处理结果。

6.根据权利要求5所述的单页高负载图像识别方法，其特征在于，所述将所述待处理结果进行统计，得到本地的图片识别结果，包括：

将所述待处理结果进行求平均值运算、或求方差运算、或求标准差运算，得到本地的图片识别结果。

根据实际输出值，获取与实际输出值对应的图片识别结果。

7.根据权利要求1所述的单页高负载图像识别方法，其特征在于，所述将所述待识别图片作为本地单页应用中卷积神经网络模型的输入，得到本地的图片识别结果之后，还包括：

若所述本地的图片识别结果为识别失败，将待识别图片上传至后台服务器，接收由后台服务器反馈的后台识别结果。

8.一种单页高负载图像识别装置，其特征在于，包括：

模型获取单元，用于获取用户端的本地单页应用中存储的多个用于进行图像识别的卷积神经网络模型；

本地图片识别单元，用于获取待识别图片，并将所述待识别图片作为所述本地单页应用中多个卷积神经网络模型的输入，得到与每一卷积神经网络模型一一对应的待处理结果；

统计单元，用于将所述待处理结果进行统计，得到本地的图片识别结果；

显示单元，用于若所述本地的图片识别结果为识别成功，将所述本地的图片识别结果对应的关键词进行显示。

9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的单页高负载图像识别方法。

10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的单页高负载图像识别方法。