本發(fā)明涉及圖像識別，更具體地說，本發(fā)明涉及基于人工智能的圖像識別模型優(yōu)化方法。

背景技術：

1、圖像識別技術是計算機視覺領域的一個重要方向，旨在通過計算機算法自動識別和分類圖像中的對象、場景或特征。隨著深度學習的快速發(fā)展，基于人工智能的圖像識別技術取得了顯著進展，廣泛應用于安防監(jiān)控、醫(yī)療影像分析、自動駕駛、智能零售等多個領域。

2、在構建圖像識別模型前通常需要采用圖像標注技術對產(chǎn)品進行圖像標注，標注后的產(chǎn)品圖像可以為圖像識別模型提供訓練所需的標簽信息，使圖像識別模型能夠學習特定的特征與模式，圖像標注數(shù)據(jù)集還可用于評估模型的性能，通過比較模型預測結果與真實標簽的差異，對圖像識別模型進行優(yōu)化，圖像標注技術主要包括手動標注和自動標注。手動標注由人工完成，準確性高，但效率低。自動標注則依賴于深度學習算法，通過訓練模型直接對新圖像進行標注，雖然效率高，但準確性可能受到訓練數(shù)據(jù)質(zhì)量的影響，且在自動標注領域仍缺乏對標注過程中存在的標注隱患進行智能化的甄別，尤其在智能零售中由于商品包裝可能存在不同程度的變形，若自動標注過程中存在標注隱患可能無法有效識別商品包裝的變形，進而導致變形的商品可能被錯誤地標注為其他類別，若未對存在標注隱患的過程及時介入，可能導致自動標注的精準度持續(xù)下降，隨著錯誤標注的積累，訓練數(shù)據(jù)的整體質(zhì)量下降，導致圖像識別模型學習到的特征和模式失真，從而影響圖像識別模型的準確性。

技術實現(xiàn)思路

1、為了克服現(xiàn)有技術的上述缺陷，本發(fā)明的實施例提供基于人工智能的圖像識別模型優(yōu)化方法，以解決上述背景技術中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：

3、基于人工智能的圖像識別模型優(yōu)化方法，包括如下步驟：

4、步驟s1，對自動標注全過程進行監(jiān)測子區(qū)間劃分，獲取監(jiān)測子區(qū)間內(nèi)自動標注過程的標注邊界誤差信息、標注錯誤響應信息、環(huán)境干擾信息；

5、步驟s2，根據(jù)標注邊界誤差信息、標注錯誤響應信息、環(huán)境干擾信息構建標注隱患甄別模型，生成標注隱患甄別指數(shù)，評估自動標注過程中存在的標注異常程度；

6、步驟s3，將標注隱患甄別指數(shù)與預設的標注隱患甄別指數(shù)閾值進行比較，對自動標注過程進行甄別分類；

7、步驟s4，根據(jù)甄別分類結果確定是否進行人工介入，獲取人工介入后的標注差異信息，并結合差異時間波動信息對預設的標注隱患甄別指數(shù)閾值進行動態(tài)調(diào)節(jié)。

8、在一個優(yōu)選地實施方式中，所述的標注邊界誤差信息包括標注邊界誤差系數(shù)，標注錯誤響應信息包括標注錯誤響應系數(shù)，環(huán)境干擾信息包括抗干擾壓力系數(shù)。

9、在一個優(yōu)選地實施方式中，標注邊界誤差系數(shù)的獲取邏輯如下：

10、獲取經(jīng)過自動標注后同類產(chǎn)品的標注邊界，將所獲取的同類產(chǎn)品的標注邊界置于同一坐標系中，并根據(jù)歐式距離計算方法計算同類產(chǎn)品間的標注邊界坐標差bj，表達式如下式中(x1i，y1i)和(x2i，y2i)分別表示兩個同類產(chǎn)品在相同點i的坐標；

11、將標注邊界坐標差與預設的標注邊界差閾值進行比較，統(tǒng)計出現(xiàn)標注邊界坐標差大于標注邊界差閾值的出現(xiàn)總次數(shù)n，計算標注邊界誤差系數(shù)bzb，表達式如下式中bjn表示第n次出現(xiàn)標注邊界坐標差大于標注邊界差閾值時的標注邊界坐標差，bjz表示預設的標注邊界差閾值，n＝{1,2,...,n}，n為正整數(shù)。

12、在一個優(yōu)選地實施方式中，標注錯誤響應系數(shù)的獲取邏輯如下：

13、在檢測到標注錯誤時，記錄檢測時間tstart和完成重新標注的時間tend；

14、計算響應時間tresponse＝tend-tstart，計算平均響應時間表示第m次檢測到標注錯誤的次數(shù)編號，m＝{1,2,...,m}，m表示檢測到標注錯誤的總次數(shù)；

15、將響應時間與預期的響應時間進行比較，當響應時間小于預期的響應時間時，將本次重新標注標記為成功重新標注，并統(tǒng)計成功重新標注的次數(shù)es；

16、計算成功率success，表達式如下式中m表示檢測到標注錯誤的總次數(shù)；

17、計算標注錯誤響應系數(shù)bzc，表達式如下式中a1、a2分別表示成功率和平均響應時間倒數(shù)的預設比例系數(shù)。

18、在一個優(yōu)選地實施方式中，抗干擾壓力系數(shù)的獲取邏輯如下：

19、在無干擾環(huán)境下進行自動標注實驗，測量在時間周期ts內(nèi)圖像標注的正確率zq，表達式如下式中z1表示在時間周期ts內(nèi)正確標注的數(shù)量，z2表示在時間周期ts內(nèi)標注的總數(shù)量；

20、使用光照強度傳感器實時采集自動標注過程中的實際光照強度，計算抗干擾壓力系數(shù)式中td表示實際光照強度上升的時間段，zqw表示實際光照強度上升時間段內(nèi)的正確率。

21、在一個優(yōu)選地實施方式中，根據(jù)標注邊界誤差系數(shù)、標注錯誤響應系數(shù)、抗干擾壓力系數(shù)構建標注隱患甄別模型，生成標注隱患甄別指數(shù)yhz，依據(jù)的公式如下yhz＝e(α*bzb-β*bzc-γ*kgr)，式中α、β、γ分別表示標注邊界誤差系數(shù)、標注錯誤響應系數(shù)、抗干擾壓力系數(shù)的預設比例系數(shù)，且α、β、γ均大于0。

22、在一個優(yōu)選地實施方式中，在步驟s3中，將標注隱患甄別指數(shù)與預設的標注隱患甄別指數(shù)閾值進行比較，對自動標注過程進行甄別分類，具體如下：

23、若標注隱患甄別指數(shù)大于標注隱患甄別指數(shù)閾值，則生成標注隱患信號；

24、若標注隱患甄別指數(shù)小于等于標注隱患甄別指數(shù)閾值，則生成標注穩(wěn)定信號。

25、在一個優(yōu)選地實施方式中，將生成標注隱患信號對應監(jiān)測子區(qū)間內(nèi)的標注產(chǎn)品轉入人工進行人工標注，獲取人工介入后的標注差異信息，所述的標注差異信息包括標注區(qū)域重合度系數(shù)；

26、標注區(qū)域重合度系數(shù)的獲取邏輯如下：

27、對于同一標注產(chǎn)品獲取自動標注下的標注面積mj1和人工標注下的標注面積mj2，計算區(qū)域重合度mjc，表達式如下mjc＝|mj1-mj2|；

28、設定一個初始的區(qū)域重合度最大值，遍歷監(jiān)測子區(qū)間內(nèi)的所有標注產(chǎn)品，對于監(jiān)測子區(qū)間內(nèi)的每個標注產(chǎn)品，依次計算每個標注產(chǎn)品的區(qū)域重合度，將其與當前記錄的區(qū)域重合度最大值進行比較，若當前標注產(chǎn)品的區(qū)域重合度大于當前記錄的區(qū)域重合度最大值，則更新區(qū)域重合度最大值，即將當前標注產(chǎn)品的區(qū)域重合度作為區(qū)域重合度最大值，同時獲取當前標注產(chǎn)品在自動標注過程中的標注完成時間，將其加入到標注產(chǎn)品差異時間集合，并將標注產(chǎn)品差異時間集合標記為tc＝{tcj}，tcj表示第j個發(fā)生區(qū)域重合度最大值更新時對應的標注產(chǎn)品在自動標注過程中的標注完成時間，j＝{1,2,...,j}，j為正整數(shù)；

29、計算標注區(qū)域重合度系數(shù)qcd，表達式如下式中gxc表示區(qū)域重合度最大值的更新次數(shù)，zcs表示監(jiān)測子區(qū)間內(nèi)的所有標注產(chǎn)品數(shù)量；

30、所述的差異時間波動信息包括差異時間波動系數(shù)；

31、差異時間波動系數(shù)的獲取邏輯如下：

32、計算標注產(chǎn)品差異時間集合中標注完成時間的平均值表達式如下

33、計算標注產(chǎn)品差異時間集合中標注完成時間的標準差sd，表達式如下

34、計算差異時間波動系數(shù)cys，表達式如下

35、在一個優(yōu)選地實施方式中，將標注區(qū)域重合度系數(shù)、差異時間波動系數(shù)進行歸一化處理，將歸一化處理的標注區(qū)域重合度系數(shù)、差異時間波動系數(shù)作為調(diào)節(jié)因子，對預設的標注隱患甄別指數(shù)閾值進行動態(tài)調(diào)節(jié)，具體的調(diào)節(jié)函數(shù)如下zbyx＝zby*e-(qcd+cys)，式中zbyx表示調(diào)節(jié)后的標注隱患甄別指數(shù)閾值，zby表示標注隱患甄別指數(shù)閾值。

36、本發(fā)明的技術效果和優(yōu)點：

37、1、本發(fā)明通過對自動標注全過程進行監(jiān)測子區(qū)間劃分，獲取監(jiān)測子區(qū)間內(nèi)自動標注過程的標注邊界誤差信息、標注錯誤響應信息、環(huán)境干擾信息，構建標注隱患甄別模型，生成標注隱患甄別指數(shù)，評估自動標注過程中存在的標注異常程度，將標注隱患甄別指數(shù)與預設的標注隱患甄別指數(shù)閾值進行比較，對自動標注過程進行甄別分類，精準識別標注隱患，智能化標注隱患的甄別有效提高圖像標注的準確性，減少錯誤標注的發(fā)生，將生成標注隱患信號對應監(jiān)測子區(qū)間內(nèi)的標注產(chǎn)品轉入人工進行人工標注，獲取人工介入后的標注差異信息，并結合差異時間波動信息對預設的標注隱患甄別指數(shù)閾值進行動態(tài)調(diào)節(jié)，適應實時的場景變化，有效解決自動標注過程中存在的標注隱患問題，為圖像識別模型的性能優(yōu)化提供有力保障。