[发明专利]基于人工智能的模糊度检测方法、系统、设备及介质

权利要求书

1.一种基于人工智能的模糊度检测方法，其特征在于，包括：

将历史图片数据输入至训练好的VGG19模型中，输出得到模糊度阈值范围；

将待检测图片输入至训练好的模糊度检测模型，得到所述待检测图像的模糊度值；

当所述模糊度值在所述模糊度阈值范围之外时，对所述待检测图片告警。

2.根据权利要求1所述的基于人工智能的模糊度检测方法，其特征在于，所述将历史图片数据输入至训练好的VGG19模型中，输出得到模糊度阈值范围之前，还包括：

搭建VGG19网络框架并定义所述VGG19网络框架的损失函数、初始学习率及迭代次数；

将所述训练样本图片和对应的数据集进行格式转换，并将格式转换后的数据集输入至所述VGG19网络框架进行训练；

基于所述VGG19网络框架的损失函数、初始学习率及迭代次数对所述VGG19网络框架进行迭代训练，得到训练好的VGG19模型。

3.根据权利要求1所述的基于人工智能的模糊度检测方法，其特征在于，所述将待检测图片输入至训练好的模糊度检测模型，得到所述待检测图像的模糊度值之前，还包括：

采用卷积神经网络作为基础网络，并在所述卷积神经网络层中增加分支卷积层，以构建模糊度检测模的网络结构；所述分支卷积层用于将所述基础网络中的多级特征图进行融合；

将多个所述标签图片输入至所述图片识别模型的网络结构中进行训练以生成所述模糊度检测模型。

4.根据权利要求3所述的基于人工智能的模糊度检测方法，其特征在于，所述将多个所述标签图片输入至所述图片识别模型的网络结构中进行训练以生成所述模糊度检测模型包括：

利用加权的交叉熵损失作为主损失函数、Ring loss作为辅助损失函数，以获得所述模糊度检测模型的网络结构的损失值；

基于所述模糊度检测模型的网络结构的损失值，采用动量的随机梯度下降算法对所述模糊度检测模型的网络结构的参数进行优化，以得到模型的优化参数；

采用迁移学习的方法，对学习率进行设置，并对模型的优化参数进行调整。

5.根据权利要求3所述的基于人工智能的模糊度检测方法，其特征在于，所述采用卷积神经网络作为基础网络，并在所述卷积神经网络层中增加分支卷积层，以构建模糊度检测模的网络结构；所述分支卷积层用于将所述基础网络中的多级特征图进行融合之前，还包括：

生成通用低阶滤波器模型；

选取构成目标滤波器模型所需的通用低阶滤波器模型；

将所述选取的通用低阶滤波器模型按照输出信号串联的方式进行串联组合，形成目标滤波器模型。

6.根据权利要求5所述的基于人工智能的模糊度检测方法，其特征在于，所述将所述选取的通用低阶滤波器模型按照输出信号串联的方式进行串联组合，形成目标滤波器模型之后还包括：

对所述形成的目标滤波器模型进行验证。

7.根据权利要求1所述的基于人工智能的模糊度检测方法，其特征在于，所述当所述模糊度值在所述模糊度阈值范围之外时，对所述待检测图片告警包括：

判断所述模糊度值是否在所述模糊度阈值范围内；

若是，则确认所述待检测图片清晰；

若否，则确认所述待检测图片模糊，并输出告警信息。

8.一种基于人工智能的模糊度检测系统，其特征在于，其包括：

构建模块，将历史图片数据输入至训练好的VGG19模型中，输出得到模糊度阈值范围；

检测模块，将待检测图片输入至训练好的模糊度检测模型，得到所述待检测图像的模糊度值；

判断模块，当所述模糊度值在所述模糊度阈值范围之外时，对所述待检测图片告警。

9.一种计算机设备，其特征在于，所述终端设备包括处理器、与所述处理器耦接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使得所述处理器执行如权利要求1-7中任一项权利要求所述的基于人工智能的模糊度检测方法的步骤。

10.一种存储介质，其特征在于，存储有能够实现如权利要求1-7中任一项所述的基于人工智能的模糊度检测方法的程序文件。