一种汽车配件图片智能审核方法技术

本发明专利技术公开了一种汽车配件图片智能审核方法，通过获取供应商上传的图片，并将供应商上传的图片发送至预设的图片分类模型，生成配件图片和非配件图片，然后通过OCR技术对配件图片进行字符识别处理，生成未含敏感信息的第一图片和含有敏感信息的第二图片，最后将所述第一图片上传至电商平台，并将非配件图片和第二图片退回至所述供应商，以使供应商重新上传符合要求的图片，采用本发明专利技术提供的实施例，能够自动对供应商上传的图片进行审核，有效的降低了审核的成本，提高了审核的效率和准确率；另外，将不符合要求的图片退回至供应商，并要求其重新上传符合要求的图片，提高了供应商的图片传输效率。

An intelligent examination method of auto parts pictures

【技术实现步骤摘要】
一种汽车配件图片智能审核方法
本专利技术涉及图像处理
，尤其涉及一种汽车配件图片智能审核方法。
技术介绍
在汽配电商平台中，汽配供应商上传的图片可能会被电商平台选择展示给用户浏览，但供应商在上传图片时可能存在内容不合规问题，如非配件图片被上传，这会影响用户体验，不利于企业的经营。此外，若配件图片包含敏感词汇、竞品水印等敏感信息，则一方面影响企业形象，另一方面会使企业面临违法违规经营风险。目前供应商上传的配件图片类型众多且数量巨大，不对其进行审核会使经营面临风险，靠人工审核需要具备汽车配件专业知识的审核人员，这意味着用人成本的增加，且与计算机程序相比，人的效率稍显不足。
技术实现思路
本专利技术实施例的目的是提供一种汽车配件图片智能审核方法，能够自动对供应商上传的图片进行审核，有效的降低了审核的成本，提高了审核的效率和准确率。为实现上述目的，本专利技术实施例提供了一种汽车配件图片智能审核方法，包括以下步骤：获取供应商上传的图片，并将供应商上传的图片发送至预设的图片分类模型，生成配件图片和非配件图片；通过OCR技术对所述配件图片进行字符识别处理，生成未含敏感信息的第一图片和含有敏感信息的第二图片；将所述第一图片上传至电商平台，并将所述非配件图片和所述第二图片退回至所述供应商，以使所述供应商重新上传符合要求的图片。进一步的，所述预设的图片分类模型通过以下方法构建：获取5000张配件图片，5000张非配件图片；其中，所述5000张配件图片包含500张含有敏感信息；所述5000张非配件图片中的4500张从ImageNet数据集中随机采取，剩下500张从供应商上传图片中筛选出不合规图片；对所述5000张配件图片和所述5000张非配件图片，通过包括旋转、翻转、调色的图像处理手段进行图像增强，以使1万张图片扩充为10万张图片，生成5万张配件图片和5万张非配件图片；将所述5万张配件图片附以符号为1的标签，得到第一图片，将所述5万张非配件图片附以符号为0的标签，得到第二图片；以3：1：1的比例将所述第一图片和所述第二图片随机划分为训练集、验证集和测试集；其中，所述训练集、验证集和测试集中的第一图片和第二图片的比例为1:1；将PyTorch框架中集成的ResNet18神经网络模型作为基础模型，以所述训练集作为输入，以标签为1的配件图片和标签为0的非配件图片作为输出，以所述验证集对训练的过程进行验证和调节，以所述测试集对所述基础模型进行测试，以测试所述基础模型的准确率；当所述准确率达到预设的阈值时，停止训练，并将准确率达到预设阈值的基础模型作为预设的图片分类模型。进一步的，所述通过OCR技术对所述配件图片进行字符识别处理，生成未含敏感信息的第一图片和含有敏感信息的第二图片，具体为：对所述配件图片进行预处理，生成剔除了无用信息的预处理后的图片；对所述预处理后的图片进行特征提取，生成特征字符；根据预设的敏感信息库，判断所述特征字符是否属于敏感信息，若否，则将未含敏感信息的配件图片作为第一图片；若是，则将含有敏感信息的配件图片作为第二图片。进一步的，所述预设的敏感信息库为开源敏感词汇库结合自定义词汇建立的敏感信息库；其中，所述自定义词汇包括竞品名称、影响本企业形象的信息。本专利技术实施例还提供了一种汽车配件图片智能审核装置，包括：图片获取模块、敏感信息识别模块，以及图片传递模块；所述图片获取模块，用于获取供应商上传的图片，并将供应商上传的图片发送至预设的图片分类模型，生成配件图片和非配件图片；所述敏感信息识别模块，用于通过OCR技术对所述配件图片进行字符识别处理，生成未含敏感信息的第一图片和含有敏感信息的第二图片；所述图片传递模块，用于将所述第一图片上传至电商平台，并将所述非配件图片和所述第二图片退回至所述供应商，以使所述供应商重新上传符合要求的图片。进一步的，所述预设的图片分类模型通过以下方法构建：获取5000张配件图片，5000张非配件图片；其中，所述5000张配件图片包含500张含有敏感信息；所述5000张非配件图片中的4500张从ImageNet数据集中随机采取，剩下500张从供应商上传图片中筛选出不合规图片；对所述5000张配件图片和所述5000张非配件图片，通过包括旋转、翻转、调色的图像处理手段进行图像增强，以使1万张图片扩充为10万张图片，生成5万张配件图片和5万张非配件图片；将所述5万张配件图片附以符号为1的标签，得到第一图片，将所述5万张非配件图片附以符号为0的标签，得到第二图片；以3：1：1的比例将所述第一图片和所述第二图片随机划分为训练集、验证集和测试集；其中，所述训练集、验证集和测试集中的第一图片和第二图片的比例为1:1；将PyTorch框架中集成的ResNet18神经网络模型作为基础模型，以所述训练集作为输入，以标签为1的配件图片和标签为0的非配件图片作为输出，以所述验证集对训练的过程进行验证和调节，以所述测试集对所述基础模型进行测试，以测试所述基础模型的准确率；当所述准确率达到预设的阈值时，停止训练，并将准确率达到预设阈值的基础模型作为预设的图片分类模型。进一步的，所述敏感信息识别模块包括：预处理单元、特征提取单元以及判断单元；所述预处理单元，用于对所述配件图片进行预处理，生成剔除了无用信息的预处理后的图片；所述特征提取单元，用于对所述预处理后的图片进行特征提取，生成特征字符；所述判断单元，用于根据预设的敏感信息库，判断所述特征字符是否属于敏感信息，若否，则将未含敏感信息的配件图片作为第一图片；若是，则将含有敏感信息的配件图片作为第二图片。进一步的，所述预设的敏感信息库为开源敏感词汇库结合自定义词汇建立的敏感信息库；其中，所述自定义词汇包括竞品名称、影响本企业形象的信息。作为本专利技术的优选实施例，本专利技术还提供了一种汽车配件图片智能审核设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述专利技术实施例所述的汽车配件图片智能审核方法。本专利技术另一实施例提供了一种存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述专利技术实施例所述的汽车配件图片智能审核方法。与现有技术相比，具有如下有益效果：本专利技术实施例提供的汽车配件图片智能审核方法，通过获取供应商上传的图片，并将供应商上传的图片发送至预设的图片分类模型，生成配件图片和非配件图片，然后通过OCR技术对配件图片进行字符识别处理，生成未含敏感信息的第一图片和含有敏感信息的第二图片，最后将所述第一图片上传至电商平台，并将非配件图片和第二图片退回至所述供应商，以使供应商重新上传符合要求的图片，采用本专利技术提供的实施例，能够自动对供应商上传的图片进行审核，有效的降低了审核的成本，提高了审核的效率和准确率；另外，将不符合要求的图片退回至供应商，并要求其重新上传符合要求的图片，提高了供应商的图片传输效率。附图说明图1是本专利技术提供的汽车配件图片智能审核方法的一个实施例的流程示意图；图2是本专利技术提供的汽车配件图片智能审核方法的一个实施例的工作原理流程示意图；图3是本专利技术提供的汽车配件图片智能审核装置的一个实施例的结构示意图。具体实施方式下面将结合本本文档来自技高网...

【技术保护点】
1.一种汽车配件图片智能审核方法，其特征在于，包括以下步骤：获取供应商上传的图片，并将供应商上传的图片发送至预设的图片分类模型，生成配件图片和非配件图片；通过OCR技术对所述配件图片进行字符识别处理，生成未含敏感信息的第一图片和含有敏感信息的第二图片；将所述第一图片上传至电商平台，并将所述非配件图片和所述第二图片退回至所述供应商，以使所述供应商重新上传符合要求的图片。

【技术特征摘要】
1.一种汽车配件图片智能审核方法，其特征在于，包括以下步骤：获取供应商上传的图片，并将供应商上传的图片发送至预设的图片分类模型，生成配件图片和非配件图片；通过OCR技术对所述配件图片进行字符识别处理，生成未含敏感信息的第一图片和含有敏感信息的第二图片；将所述第一图片上传至电商平台，并将所述非配件图片和所述第二图片退回至所述供应商，以使所述供应商重新上传符合要求的图片。2.如权利要求1所述的汽车配件图片智能审核方法，其特征在于，所述预设的图片分类模型通过以下方法构建：获取5000张配件图片，5000张非配件图片；其中，所述5000张配件图片包含500张含有敏感信息；所述5000张非配件图片中的4500张从ImageNet数据集中随机采取，剩下500张从供应商上传图片中筛选出不合规图片；对所述5000张配件图片和所述5000张非配件图片，通过包括旋转、翻转、调色的图像处理手段进行图像增强，以使1万张图片扩充为10万张图片，生成5万张配件图片和5万张非配件图片；将所述5万张配件图片附以符号为1的标签，得到第一图片，将所述5万张非配件图片附以符号为0的标签，得到第二图片；以3：1：1的比例将所述第一图片和所述第二图片随机划分为训练集、验证集和测试集；其中，所述训练集、验证集和测试集中的第一图片和第二图片的比例为1:1；将PyTorch框架中集成的ResNet18神经网络模型作为基础模型，以所述训练集作为输入，以标签为1的配件图片和标签为0的非配件图片作为输出，以所述验证集对训练的过程进行验证和调节，以所述测试集对所述基础模型进行测试，以测试所述基础模型的准确率；当所述准确率达到预设的阈值时，停止训练，并将准确率达到预设阈值的基础模型作为预设的图片分类模型。3.如权利要求1所述的汽车配件图片智能审核方法，其特征在于，所述通过OCR技术对所述配件图片进行字符识别处理，生成未含敏感信息的第一图片和含有敏感信息的第二图片，具体为：对所述配件图片进行预处理，生成剔除了无用信息的预处理后的图片；对所述预处理后的图片进行特征提取，生成特征字符；根据预设的敏感信息库，判断所述特征字符是否属于敏感信息，若否，则将未含敏感信息的配件图片作为第一图片；若是，则将含有敏感信息的配件图片作为第二图片。4.如权利要求3所述的汽车配件图片智能审核方法，其特征在于，所述预设的敏感信息库为开源敏感词汇库结合自定义词汇建立的敏感信息库；其中，所述自定义词汇包括竞品名称、影响本企业形象的信息。5.一种汽车配件图片智能审核装置，其特征在于，包括：图片获取模块、敏感信息识别模块，以及图片传递模块；所述图片获取模块，用于获取供应商上传的图片，并将供应商上传的图片发送至预设的图片分类模型，生成配件图片和非配件图片；所述敏感信息识别模块，用于通过OCR技术对所述配件图片进...

【专利技术属性】
技术研发人员：曾万贵，杨智帆，
申请(专利权)人：广州市巴图鲁信息科技有限公司，
类型：发明
国别省市：广东,44