基于人工智能的模糊度检测方法、系统、设备及介质与流程

1.本技术涉及人工智能技术领域，特别是涉及一种基于人工智能的模糊度检测方法、系统、设备及介质。


背景技术：

2.目前，在进口冻品监管系统中，货主申报的数据提交到后台审批，有大量数据因为图片模糊不清被退回，需要重新修改上传清晰图片后再进行提交申报，这些图片包括报关单、货物清单、检疫检验证明、消毒证明、核酸检测证明等，每种类型的图片最多可上传9张，整个申报最多可上传45张图片，要从这45张图片中核对某一张或者某几张图片不清晰，需要人工逐一核查，需要花大量的时间在审批这个环节，由于审批人员人力不足，时间有限，导致审批速度较慢，而货主又比较着急，因为要把冷冻的食品快速推向市场，耽误上市导致成本增加。传统的人工审核多张图片方式，非常耗时耗力，审批时效慢，耽误了冷冻食品推向市场的时间，容易引发货主的不满。


技术实现要素：

3.本技术提供一种基于人工智能的模糊度检测方法、系统、设备及介质，以解决传统的人工审核多张图片方式，非常耗时耗力，审批时效慢的问题。
4.为解决上述技术问题，本技术采用的一个技术方案是：提供一种基于人工智能的模糊度检测方法，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；
5.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；
6.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。
7.作为本技术的进一步改进，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：
8.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；
9.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；
10.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。
11.作为本技术的进一步改进，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：
12.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；
13.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。
14.作为本技术的进一步改进，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：
15.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；
16.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；
17.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。
18.作为本技术的进一步改进，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；
19.选取构成目标滤波器模型所需的通用低阶滤波器模型；
20.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。
21.作为本技术的进一步改进，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：
22.对所述形成的目标滤波器模型进行验证。
23.作为本技术的进一步改进，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；
24.若是，则确认所述待检测图片清晰；
25.若否，则确认所述待检测图片模糊，并输出告警信息。
26.为解决上述技术问题，本技术采用的另一个技术方案是：提供一种基于人工智能的模糊度检测系统，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；
27.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；
28.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。
29.为解决上述技术问题，本技术采用的再一个技术方案是：提供一种计算机设备，计算机设备包括处理器、与处理器耦接的存储器，存储器中存储有程序指令，程序指令被处理器执行时，使得处理器执行上述中任一项的基于人工智能的模糊度检测方法的步骤。
30.为解决上述技术问题，本技术采用的再一个技术方案是：提供一种存储介质，存储有能够实现上述中任一项的基于人工智能的模糊度检测方法的程序文件。
31.本技术的有益效果是：本技术的基于人工智能的模糊度检测方法通过通过先获取首先通过摄像机或其他设备拍摄冷冻产品场景的样本图像，得到数据集；利用数据集对搭建的vgg19网络框架并进行训练，得到vgg19模型；得到模糊度阈值范围；将实时抓拍的冷冻产品图像输入训练好的vgg19模型，根据模糊度检测模型对图像进行模糊度值检测。本发明通过训练得到的vgg19模型可以直接通过图片得到模糊度阈值范围信息，基于模糊度检测
模型对图像进行模糊度值检测，并将图像检测到地模糊度值与模糊度阈值进行比较，当模糊度值在模糊度阈值范围之外时，对待检测图片告警，代替了原有的人工分类识别，从而提高了图片模糊度识别的效率。
附图说明
32.图1是本发明实施例的基于人工智能的模糊度检测方法的流程示意图；
33.图2是本发明实施例的基于人工智能的模糊度检测方法系统的功能模块示意图；
34.图3是本发明实施例的计算机设备的结构示意图；
35.图4是本发明实施例的存储介质的结构示意图。
具体实施方式
36.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
37.本技术中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本技术实施例中所有方向性指示(诸如上、下、左、右、前、后
……
)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
38.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
39.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
40.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
41.图1是本发明实施例的基于人工智能的模糊度检测方法的流程示意图。需注意的是，若有实质上相同的结果，本技术的方法并不以图1所示的流程顺序为限。如图1所示，该
方法包括：
42.步骤s1、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。
43.具体地，历史图片包括具有明确场景的目标图片和不具有明确场景的干扰图片；预设的分类标签包括若干个分别与目标图片中的场景相对应的场景标签和一个与干扰图片相对应的非场景标签；例如，当明确场景为冷冻产品场景时，场景标签可以为报关单、货物清单、检疫检验证明、消毒证明、核酸检测证明等，非场景标签为“其他”。具体地，可以采用多种方式分别收集冷冻产品场景数据及“其他”图片数据，其中，包括利用爬虫技术收集的数据、平台过去积累的相关数据、人工补充标注的数据。将历史图片数据输至训练好的vgg19模型中，输出得到模糊度阈值范围。
44.进一步地，步骤s1之前，还包括：
45.步骤s101、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。
46.需要说明的是，vgg19包含了19个隐藏层，其中包括16个卷积层和3个全连接层。
47.vgg是oxford的visual geometry group的组提出的。该网络是在ilsvrc 2014上的相关工作，主要工作是证明了增加网络的深度能够在一定程度上影响网络最终的性能。vgg有两种结构，分别是vgg16和vgg19，两者并没有本质上的区别，只是网络深度不一样。在vgg中，使用了3个3*3卷积核来代替7*7卷积核，使用了2个3*3卷积核来代替5*5卷积核，这样做的主要目的是在保证具有相同感知野的条件下，提升了网络的深度，在一定程度上提升了神经网络的效果。比如，3个步长为1的3*3卷积核的一层层叠加作用可看成一个大小为7的感受野(其实就表示3个3*3连续卷积相当于一个7*7卷积)，其参数总量为3*(9*c^2)，如果直接使用7*7卷积核，其参数总量为49*c^2，这里c指的是输入和输出的通道数。很明显，27*c^2小于49*c^2，即减少了参数；而且3*3卷积核有利于更好地保持图像性质。
48.具体的，建立vgg19模型，包括16个卷积层和3个全连接层，具体包括输入层、64通道conv2卷积层1、64通道conv2卷积层2、pool_1池化层、128通道conv3卷积层1、128通道conv3卷积层2、pool_2池化层、256通道conv4卷积层1、256通道conv4卷积层2、256通道conv4卷积层3、256通道conv4卷积层4、pool_3池化层、512通道conv5卷积层1、512通道conv5卷积层2、512通道conv5卷积层3、512通道conv5卷积层4、pool_4池化层、512通道conv5卷积层5、512通道conv5卷积层6、512通道conv5卷积层7、512通道conv5卷积层8、pool_5池化层、全连接层fc6、全连接层fc7、全连接层fc8、输出层。其中，conv表示卷积层，fc表示全连接层，conv3表示卷积层使用3*3filters，conv3-64表示深度64，maxpool表示最大池化。
49.开始训练之前，先定义所述vgg19模型的损失函数、初始学习率及迭代次数。通过损失函数，计算出新的权重系数，将权重系数进行更新，完成一次训练迭代。网络将重复这个过程，将全部图像完成固定次数的迭代，当损失函数的到的计算值更低时，更新权重，直到达到预定的迭代次数后结束训练从而得到vgg模型及权重。
50.步骤s102、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。
51.具体的，vgg19需要对图片进行预处理，将rgb换成bgr、将图片resize成224*224*
3、图片中每一个pixel减去在imagenet上训练的平均值，然后进行训练，用imagenet训练过的预训练模型开始，选取batch_size等于4。训练20个epoch，模型信息以h5格式存入。
52.epoch(时期)是指当一个完整的数据集通过了神经网络一次并且返回了一次，这个过程称为一次epoch。(也就是说，所有训练样本在神经网络中都进行了一次正向传播和一次反向传播)再通俗一点，一个epoch就是将所有训练样本训练一次的过程。然而，当一个epoch的样本(也就是所有的训练样本)数量可能太过庞大(对于计算机而言)，就需要把它分成多个小块，也就是就是分成多个batch来进行训练。其中，batch(批/一批样本)是指将整个训练样本分成若干个batch，batch_size(批大小)：每批样本的大小。
53.步骤s103、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。
54.具体的，损失函数(loss function)是用来估量模型的预测值与真实值的不一致程度，是非负实值函数，损失函数的值越小，vgg19模型的准确性越高。根据预先定义的损失函数进行损失函数更新，根据损失函数生成优化的vgg19模型。
55.迭代训练是深度学习中的一种模型训练方式，用于优化模型。本步骤中的迭代训练实现过程为：首先构建好vgg19模型的目标损失函数，采用优化算法进行循环训练，如优化算法sgd(stochastic gradient descent，随机梯度下降)；在每次循环训练过程中，顺次读入所有训练样本图像并计算vgg19模型当前的损失函数，基于优化算法确定梯度下降方向，使得目标损失函数逐步降低并达到稳定状态，实现对所构建的网络模型中各参数的优化。
56.其中，损失函数收敛是指损失函数接近0，例如小于0.1等，也即vgg19模型对于给定样本(正样本或者负样本)输出的数值接近0.5，则认为vgg19无法分辨正负样本，也即vgg19的输出收敛，即停止训练，将最后一次训练的模型参数作为vgg19模型的参数，进而得到优化后的vgg19模型。
57.步骤s2、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。
58.具体地，在厦门市进口冻品监管系统中存储有待检测图片，冷冻产品货主申报的数据提交到后台审批，待检测图片包括报关单、货物清单、检疫检验证明、消毒证明、核酸检测证明等。首先通过摄像机或其他设备拍摄冷冻场景的第一现场图像。比如所有的拍摄图片都接入在一个局域网，因此通过dss平台可以访问到所有摄像头，dss自带截图功能，将截图拍摄到的冷冻产品现场图像以bmp的形式保存。
59.采用多任务训练的方法，根据所述模型的原始数据集和待训练数据集需要进行分类的数量给所述改进后的模型添加一层全连接输出层，需要分为几类就添加由几个神经元组成的全连接层；所述改进后的模型为主体，原始数据集和待训练数据集添加的全连接输出层分别为两个训练分支，采用所述模型的原始数据集和待训练数据集对模型进行交替训练的方法，原始数据集采用交叉熵损失函数进行训练，待训练数据集采用所述类感知损失函数进行训练，根据前向传播的损失值的大小，来进行反向传播迭代更新前面每一层的权重,直到模型的损失值趋向于收敛时,停止训练模型，将上述添加的输出层去掉，得到模糊度检测模型，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。
60.进一步地，步骤s2之前，还包括：
61.步骤s20、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。
62.具体地，可以采用开源的pytorch(一种机器学习库)深度学习框架，对网络结构进行定义。
63.分支卷积层可以对特征图片的尺寸和通道进行变换，从而将基础网络中的多级特征图进行融合。在图像识别领域中，目前广泛采用卷积神经网络进行图像分类与识别，并且已经具有相对成熟的网络结构和训练算法，现有研究成果显示，如果训练样本保证质量且充分，卷积神经网络在传统图像识别中具有较高的识别率。然而，卷积神经网络与传统人工神经网络相比，具有更好的生物仿真性能，是近年来的研究热点之一。卷积神经网络的离散脉冲具有稀疏性特征，可以大量减少网络运算量，在实现高性能、低功耗以及缓解过拟合等方面具有优势。卷积神经网络在保证图像识别率方面的优势，同时也能发挥低功耗和低延时等方面的优势，从而实现高速时变信息特征提取和准确识别。
64.步骤s21、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。
65.具体地，可以将图片识别模型部署成服务接口，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。卷积神经网络与普通神经网络的区别在于，卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器。在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元连接。在cnn的一个卷积层中，通常包含若干个特征平面(featuremap)，每个特征平面由一些矩形排列的的神经元组成，同一特征平面的神经元共享权值，这里共享的权值就是卷积核。卷积核一般以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权值。共享权值(卷积核)带来的直接好处是减少网络各层之间的连接，同时又降低了过拟合的风险。子采样也叫做池化(pooling)，通常有均值子采样(mean pooling)和最大值子采样(max pooling)两种形式。子采样可以看作一种特殊的卷积过程。卷积和子采样大大简化了模型复杂度，减少了模型的参数。
66.进一步地，步骤s21还包括：
67.步骤s211、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。
68.具体地，模型输出为y＝{y1，y2，...，yn 1}，权重为w＝{w1，w2，...，wn 1}，取值基于训练集中各类样本数的比例，则n个场景标签及“其他”之间的交叉熵损失表示为lossce：
69.其中，label表示图片的真实类别标签序号，取值范围为[1，n 1]的整数；wlabel∈w，为图片真实类别标签对应的权重；ylabel∈y，为图片真实类别标签对应的模型输出值。
[0070]
目标模长为r，以第一轮迭代后的特征向量模长的均值初始化r，ring loss表示为lossrl：
[0071]
最终的损失losstotal为两种损失函数的加权和：
[0072]
losstotal＝lossce λlossrl
[0073]
其中，λ为权重因子，取值为0.01。
[0074]
步骤s212、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。
[0075]
具体地，损失的反向传播采用基于动量的随机梯度下降的方法，动量因子为momentum＝0.9。
[0076]
步骤s213、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。
[0077]
具体地，基于在公开场景分类数据集place365(一种数据集)上训练的开源模型进行迁移学习，加载除基础网络中的全连接层及特征融合分支以外的预训练权重。训练增加的分支卷积层及基础网络的全连接层中的权重参数，其中，初始学习率设为0.01；微调网络conv2_x、conv3_x、conv4_x和conv5_x中的预训练权重参数，conv2_x和conv3_x的初始学习率设为0.001，conv4_x和conv5_x的初始学习率设为0.002；冻结其他层中的参数，不进行更新。训练过程中，每迭代5轮，将参数学习率的值减小一半。
[0078]
利用图库中数据进行测试，抽验识别结果来评估模型的准确率及召回率。针对错分的case(情况)补充相应的正负样本到训练集，剔除不利于模型训练的不典型样本，并更新交叉熵的权重w，对模型进行重新训练。重复多轮数据迭代，直到模型的准确率满足生产需求才停止训练。
[0079]
进一步地，步骤s20之前，还包括：
[0080]
步骤s200、生成通用低阶滤波器模型。
[0081]
具体地，高阶滤波器的表达式由于阶数较高，表达式会变得十分复杂，滤波器内部结构特性不清晰，设计人员设计滤波器时不易把握滤波器结构特点，并且传统的滤波器设计方法设计出来的滤波器是一个综合后的完整的滤波器结构，不易使设计人员清除的了解滤波器的内部结构特点和工作原理，因而当滤波器性能不能满足要求时，不易对滤波器的结构组成做出有效的调整。
[0082]
步骤s201、选取构成目标滤波器模型所需的通用低阶滤波器模型。
[0083]
具体地，首先生成通用低阶滤波器模型，其中，生成的通用低阶滤波器模型，可以只是构成目标滤波器模型的通用低阶滤波器模型，也可以是所有滤波器的通用低阶滤波器模型。如果首先生成的通用低阶滤波器模型为所有滤波器的通用低阶滤波器模型，接下来则在生成的通用低阶滤波器模型中选取构成目标滤波器模型的通用低阶滤波器模型，然后将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，最终形成目标滤波器模型。如果首先生成的通用低阶滤波器模型为构成目标滤波器模型的通用低阶滤波器模型，则选取生成的所有通用低阶滤波器模型，然后将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。
[0084]
步骤s202、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。
[0085]
具体地，对通用低阶滤波器模型自由命名并与滤波器模型一一对应。另外还建立一个状态标志列表，分别与各个通用低阶滤波器模型一一对应。然后根据目标滤波器模型，在状态标志列表中，将构成目标滤波器模型的通用低阶滤波器模型的状态标志置1，其它的置0。通过将滤波器模型由多个通用低阶滤波器模型进行串联组合，相比于现有技术对滤波器进行整体设计，使得滤波器模型的设计更加的灵活，设计人员可以更加方便的对滤波器
模型的结构、参数进行调整。
[0086]
进一步地，步骤s202之后，还包括：对所述形成的目标滤波器模型进行验证。
[0087]
具体地，在验证的过程中，首先从信号发生模型库中选择信号源模型，并在选择的信号源模型上叠加噪声模型。其中，所述的信号发生模型库中存放有多种信号源模型，所选择的信号源模型为模拟目标滤波器模型输入的信号。其中，信号源模型的参数可以根据要求进行设置，信号源模型的封装要求有统一的接口形式，便于后续各种新的信号源模型的添加和替换。然后将信号源模型、噪声模型和滤波器模型组成滤波器分析模型。运行滤波器分析模型，生成运行结果信号数据，然后采用定量评估方法对运行结果信号数据进行评估，判断目标滤波器模型是否满足设计要求。
[0088]
步骤s3，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。
[0089]
具体地，通过训练得到的vgg19模型可以直接通过图片得到模糊度阈值范围信息，基于模糊度检测模型对图像进行模糊度值检测，并将图像检测到地模糊度值与模糊度阈值进行比较，当模糊度值在模糊度阈值范围之外时，对待检测图片告警。
[0090]
进一步地，步骤s3包括：
[0091]
步骤s31、判断所述模糊度值是否在所述模糊度阈值范围内。
[0092]
步骤s32、若是，则确认所述待检测图片清晰。
[0093]
步骤s33、若否，则确认所述待检测图片模糊，并输出告警信息。
[0094]
具体地，首先通过摄像机或其他设备拍摄冷冻产品场景的样本图像。如在进口冻品监管系统中的产品图片，产品图片的类型包括报关单、货物清单、检疫检验证明、消毒证明、核酸检测证明等。然后将现场图像输入训练好的模糊度检测模型，并将图像检测到地模糊度值与模糊度阈值进行比较，若所述模糊度值在所述模糊度阈值范围内，则确认所述待检测图片清晰；
[0095]
若所述模糊度值不在在所述模糊度阈值范围内，则确认所述待检测图片模糊，并输出告警信息。
[0096]
本发明实施例的图片模糊率检验方法通过先获取首先通过摄像机或其他设备拍摄冷冻产品场景的样本图像，得到数据集；利用数据集对搭建的vgg19网络框架并进行训练，得到vgg19模型；得到模糊度阈值范围；将实时抓拍的冷冻产品图像输入训练好的vgg19模型，根据模糊度检测模型对图像进行模糊度值检测。本发明通过训练得到的vgg19模型可以直接通过图片得到模糊度阈值范围信息，基于模糊度检测模型对图像进行模糊度值检测，并将图像检测到地模糊度值与模糊度阈值进行比较，当模糊度值在模糊度阈值范围之外时，对待检测图片告警，代替了原有的人工分类识别，从而提高了图片模糊度识别的效率。
[0097]
图2是本技术实施例的基于人工智能的模糊度检测系统的功能模块示意图。如图2所示，该基于人工智能的模糊度检测系统2包括构建模块21、检测模块22、判断模块23。
[0098]
构建模块21，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；
[0099]
检测模块22，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；
[0100]
判断模块23，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。
[0101]
可选地，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：
[0102]
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；
[0103]
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；
[0104]
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。
[0105]
可选地，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：
[0106]
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；
[0107]
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。
[0108]
可选地，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：
[0109]
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；
[0110]
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；
[0111]
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。
[0112]
可选地，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；
[0113]
选取构成目标滤波器模型所需的通用低阶滤波器模型；
[0114]
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。
[0115]
可选地，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。
[0116]
可选地，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；
[0117]
若是，则确认所述待检测图片清晰；
[0118]
若否，则确认所述待检测图片模糊，并输出告警信息。
[0119]
关于上述实施例图片模糊率检验系统中各模块实现技术方案的其他细节，可参见上述实施例中的图片模糊率检验方法中的描述，此处不再赘述。
[0120]
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
对于系统类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可
[0121]
请参阅图3，图3为本技术实施例的计算机设备的结构示意图。如图3所示，该计算机设备30包括处理器31及和处理器31耦接的存储器32。
[0122]
存储器32存储有程序指令，程序指令被处理器31执行时，使得处理器31执行上述实施例中的基于人工智能的模糊度检测方法的步骤。
[0123]
其中，处理器31还可以称为cpu(central processing unit，中央处理单元)。处理器31可能是一种集成电路芯片，具有信号的处理能力。处理器31还可以是通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0124]
参阅图4，图4为本技术实施例的存储介质的结构示意图。本技术实施例的存储介质存储有能够实现上述所有方法的程序文件41，其中，该程序文件41可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本技术各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，randomaccess memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content deliverynetwork，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0125]
在本技术所提供的几个实施例中，应该理解到，所揭露的终端，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0126]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。以上仅为本技术的实施方式，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。