基于深度学习的图片分类系统的设计与实现

摘要

随着智能设备应用的普及和网络化的发展，数码图片、照片的数量与日剧增。面对如此海量的图像数据，用户如何能够快速、精准的定位自己所需要的图片信息，成为一个尤为重要的问题。过去，人们通过手动标注信息等方法进行图片归类整理，但在成千上万的图片数量面前，这些方法便暴露了其耗费人力、财力和时间等方面的问题。于是人们改进方法，开始普遍通过记录地理位置和拍摄时间来分类照片，但这种方法并不是根据图片本身的内容进行分类，分类结果也不精准。由此可以看出,这些索引图片的常规方法已经无法实现和满足互联网用户的需求。同时随着近年来人工智能的不断发展和计算机运算能力的提高，深度学习已成为人们越来越关注的焦点并且被利用在各个领域之中，其中在图像识别方面已取得巨大成功。
　　基于上述问题，实现一个利用深度学习对图片内容自动分类标注的系统，帮助用户提高查找图片的效率是很有必要的。目前多家互联网巨头所拥有的基于深度学习的图片分类引擎，对图像的分类计算往往还是通过服务器实现，这不仅占用大量的服务器资源，也使用户不能自主控制分类结果。因此，本文主要以深度学习理论为基础，利用近年来在图像识别领域中重要的神经网络模型，设计并实现一个对图片进行自动分类标注的系统。该系统在浏览器端进行图片分类计算的过程，在减轻服务器端的运算压力的同时，也方便用户自主修改分类结果，增强了用户的可控性。本文首先阐述了深度神经网络基本原理和算法，并介绍了所利用的深度神经网络模型和相关技术框架，接着从需求分析到设计实现，分别对系统中的三个重点模块——数据生成器、模型训练器和图片分类器—进行了详细的描述。在生成器模块中，将原始图片样本转化成二进制文件用于训练神经网络模型；在训练器模块中，通过修改原有网络模型的输出结构以适用于不同的数据集；在分类器模块中，利用前端控制器载入权重参数文件并进行分类计算。在本系统的实现中，首先利用本地已有的图片数据集训练深度神经网络模型，当达到较好的分类结果时，保存该模型的权重参数文件，以用于前端分类计算。其次，搭建网络服务器，实现用户对图片管理的一系列基本功能。再者，将图片分类器封装至浏览器端，通过调用之前保存的参数文件，实现用户上传图片并对图片进行分类标注的功能。最后，通过分析测试结果表明，该系统运行稳定、功能完善，基本能够满足实际应用的需要。目前，该系统不仅实现了以上的重点模块，还提供了从用户管理、图片管理到标签管理等一套完整的解决方案，同时本系统也可以根据不同的分类需求方便的拓展为多样化的图片分类系统，使用户更加方便快捷地管理个人的图片资源。

目录

声明

插图索引

表格索引

符号对照表

缩略语对照表

第一章 绪论

1.1 论文的背景及意义

1.2 国内外现状分析

1.3 论文工作内容

1.4 论文的组织结构

第二章 深度学习的原理和关键技术框架

2.1 深度神经网络的原理

2.2 GoogLeNet模型

2.3 相关技术框架

2.4 本章小结

第三章 需求分析

3.1 系统的总体分析

3.2 系统需求分析

3.3 具体用例分析

3.4 系统数据建模

3.5 领域模型分析

3.6 本章小结

第四章 系统的设计与实现

4.1 系统架构设计

4.2 系统功能分解

4.3 系统功能设计与实现

4.4 数据库设计

4.5 本章小结

第五章 系统测试与分析

5.1 系统测试环境

5.2 测试数据

5.3 系统测试过程

5.4 测试结果分析

5.5 本章小结

第六章 结束语

6.1 论文工作总结

6.2 后续工作展望

参考文献

致谢

作者简介