一种使用深度学习模型的图片水印识别方法专利检索-单板滑雪冬季运动专利检索查询-专利查询网

一种使用 深度学习模型的图片水印识别方法

阅读：806发布：2020-06-27

专利汇可以提供一种使用深度学习模型的图片水印识别方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种使用深度学习模型的图片水印识别方法，包括以下步骤：S1：将图片依照其类别不同人工的划分为80个列表；S2：向80个列表中均添加1000张图片作为训练语料，总共8万张图片；S3：对S2中添加的8万张图片的图片库进行数据增强，得到样本图片库；S4：操作员在管理后台上传相关的水印图片，可以上传多张，并标注好水印的位置和所属分类，操作员在管理后台选中自动训练功能，管理后台就会把水印图片的位置信息和所属分类传到处理队列。本发明设计合理，较之传统的人工审核图片水印的方法，可以大大的降低人工强度，不会出现人工出现的误差，提升对带水印图片的准确识别。，下面是一种使用深度学习模型的图片水印识别方法专利的具体信息内容。

权利要求

1.一种使用深度学习模型的图片水印识别方法，其特征在于，包括以下步骤：
S1：将图片依照其类别不同人工的划分为80个列表；
S2：向80个列表中均添加1000张图片作为训练语料，总共8万张图片；
S3：对S2中添加的8万张图片的图片库进行数据增强，得到样本图片库；
S4：操作员在管理后台上传相关的水印图片，可以上传多张，并标注好水印的位置和所属分类，操作员在管理后台选中自动训练功能，管理后台就会把水印图片的位置信息和所属分类传到处理队列；
S5：对S3中样本图片库连同S4中的水印图片一起进行水印识别训练，得到81个基础骨主干模型，编辑在管理后台标注好水印位置和所属分类；
S6：把标注好的水印图片，连同增强的该水印图片的数据集，一并放入主干模型进行训练，添加水印图片的分类，训练完后就得到包含水印类别的识别水印模型；
S7：把训练好的水印模型，部署在tensorflow-gpu的服务器上，通过图片地址就能识别该图片是否包含水印了。
2.根据权利要求1所述的一种使用深度学习模型的图片水印识别方法，其特征在于，所述S1中，80个列表的具体分类为：人、背包、雨伞、手提包、领带、手提箱、自行车、汽车、摩托车、飞机、总线、培养、卡车、船、红绿灯、消防栓、停止标志、停车收费表、长凳、鸟、猫、狗、马、羊、牛、象、熊、斑马、长颈鹿、飞盘、滑雪板、单板滑雪、运动球、风筝、棒球棒、棒球手套、滑板、冲浪板、网球拍、瓶子、红酒杯、杯子、叉子、刀、勺、碗、香蕉、苹果、三明治、橙子、西兰花、胡萝卜、热狗、比萨、甜甜圈、蛋糕、椅子、长椅、盆栽、床、餐桌、厕所、电视、笔记本电脑、老鼠、远程、键盘、手机、微波、烤箱、烤面包机、下沉、冰箱、书、时钟、花瓶、剪刀、泰迪熊、吹风机、牙刷。
3.根据权利要求1所述的一种使用深度学习模型的图片水印识别方法，其特征在于，所述S2中，数据增强的方式包括仿射变换、透视变换、对比度调整、高斯噪声、区域丢弃、剪切/扩充和模糊等，得到样本多样的图片增强后的样本图片库。
4.根据权利要求1所述的一种使用深度学习模型的图片水印识别方法，其特征在于，所述S3中，数据增强的方式包括仿射变换、透视变换、对比度调整、高斯噪声、区域丢弃、剪切/扩充和模糊等，得到样本多样的图片增强后的样本图片库。
5.根据权利要求1所述的一种使用深度学习模型的图片水印识别方法，其特征在于，所述S4中，管理后台为自主研发的管理后台，方便操作员统一操作。
6.根据权利要求1所述的一种使用深度学习模型的图片水印识别方法，其特征在于，所述S5中，训练好并保存好包含新分类的水印图片后，主干模型的识别分类就会增加1类，此时，主杆模型的识别分类增加为81，服务器的图片识别进程就会识别到主干模型发生了改变，会自动重启首先进程，然后处理图片水印请求。
7.根据权利要求1所述的一种使用深度学习模型的图片水印识别方法，其特征在于，所述S6中，训练主干模型的过程是，首先用增强的样本图片库进行预训练，预训练是进行有监督的分类的训练；然后在样本上进行特定调优（fine tunning），调优的数据集中25%的正样本（与真实框IoU在0.5-1的候选框）、75%的负样本（与真实框IoU在0.1-0.5的候选框）。
8.根据权利要求7所述的一种使用深度学习模型的图片水印识别方法，其特征在于，在调优训练时，每一个mini-batch中首先加入N张完整图片，而后加入从N张图片中选取的R个候选框，R个候选框可以复用N张图片前5个阶段的网络特征，文章中N=2,R=128，服务器的参考数据为服务器是安装有Ubuntu 18.04 操作系统，64G内存，CPU 2620V4*2, 显卡1080TI *
2，硬盘 SSD 500G*2 + SATA ，2T*2, cuda 10.0。

说明书全文

一种使用深度学习模型的图片水印识别方法

技术领域

[0001] 本发明涉及图像检测技术领域，尤其涉及一种使用深度学习模型的图片水印识别方法。

背景技术

[0002] 图像包含了多维度的丰富信息，在移动互联网新闻的领域，一直需要大量的图像和文字来传递有用的信息给用户。由于互联网信息传播极为快速和便捷，越来越多的著作权持有人和组织都把自己的logo水印嵌入图像信息里面，形成版权图片，以此来保护自身创作图片，或者授权可以用于商业，出版，展览等用途。因此，新闻客户端要对每篇新闻的图像信息进行审核，并识别图像中是否含有水印信息，避免出现误用和侵权的行为。

[0003] 一方面，通过合作媒体每天生产的稿件越来越多，图像信息越来越多，每天生产的新闻达到50万篇，数量已经远远超过人工审核的限度。另一方面，水印信息在图像中的肉眼难以一眼识别，面积小、颜色浅和半透明透明等特点，带水印图像与未带水印图像之间的差异往往很小，区分度较低。因此，通过人工审核的方式，难以实现对带水印图片的准确识别，所以我们提出了一种使用深度学习模型的图片水印识别方法，用以解决上述提出的问题。

发明内容

[0004] 基于背景技术存在的技术问题，本发明提出了一种使用深度学习模型的图片水印识别方法。

[0005] 本发明提出的一种使用深度学习模型的图片水印识别方法，包括以下步骤：S1：将图片依照其类别不同人工的划分为80个列表；
S2：向80个列表中均添加1000张图片作为训练语料，总共8万张图片；
S3：对S2中添加的8万张图片的图片库进行数据增强，得到样本图片库；
S4：操作员在管理后台上传相关的水印图片，可以上传多张，并标注好水印的位置和所属分类，操作员在管理后台选中自动训练功能，管理后台就会把水印图片的位置信息和所属分类传到处理队列；
S5：对S3中样本图片库连同S4中的水印图片一起进行水印识别训练，得到81个基础骨主干模型，编辑在管理后台标注好水印位置和所属分类；
S6：把标注好的水印图片，连同增强的该水印图片的数据集，一并放入主干模型进行训练，添加水印图片的分类，训练完后就得到包含水印类别的识别水印模型；
S7：把训练好的水印模型，部署在tensorflow-gpu的服务器上，通过图片地址就能识别该图片是否包含水印了。

[0006] 优选的，所述S1中，80个列表的具体分类为：人、背包、雨伞、手提包、领带、手提箱、自行车、汽车、摩托车、飞机、总线、培养、卡车、船、红绿灯、消防栓、停止标志、停车收费表、长凳、鸟、猫、狗、马、羊、牛、象、熊、斑马、长颈鹿、飞盘、滑雪板、单板滑雪、运动球、风筝、棒球棒、棒球手套、滑板、冲浪板、网球拍、瓶子、红酒杯、杯子、叉子、刀、勺、碗、香蕉、苹果、三明治、橙子、西兰花、胡萝卜、热狗、比萨、甜甜圈、蛋糕、椅子、长椅、盆栽、床、餐桌、厕所、电视、笔记本电脑、老鼠、远程、键盘、手机、微波、烤箱、烤面包机、下沉、冰箱、书、时钟、花瓶、剪刀、泰迪熊、吹风机、牙刷。

[0007] 优选的，所述S2中，数据增强的方式包括仿射变换、透视变换、对比度调整、高斯噪声、区域丢弃、剪切/扩充和模糊等，得到样本多样的图片增强后的样本图片库。

[0008] 优选的，所述S3中，数据增强的方式包括仿射变换、透视变换、对比度调整、高斯噪声、区域丢弃、剪切/扩充和模糊等，得到样本多样的图片增强后的样本图片库。

[0009] 优选的，所述S4中，管理后台为自主研发的管理后台，方便操作员统一操作。

[0010] 优选的，所述S5中，训练好并保存好包含新分类的水印图片后，主干模型的识别分类就会增加1类，此时，主杆模型的识别分类增加为81，服务器的图片识别进程就会识别到主干模型发生了改变，会自动重启首先进程，然后处理图片水印请求。

[0011] 优选的，所述S6中，训练主干模型的过程是，首先用增强的样本图片库进行预训练，预训练是进行有监督的分类的训练。然后在样本上进行特定调优（fine tunning），调优的数据集中25%的正样本（与真实框IoU在0.5-1的候选框）、75%的负样本（与真实框IoU在0.1-0.5的候选框）。

[0012] 优选的，在调优训练时，每一个mini-batch中首先加入N张完整图片，而后加入从N张图片中选取的R个候选框，R个候选框可以复用N张图片前5个阶段的网络特征，文章中N=2,R=128，服务器的参考数据为服务器是安装有Ubuntu 18.04 操作系统，64G内存，CPU
2620V4*2, 显卡1080TI *2，硬盘 SSD 500G*2 + SATA ，2T*2, cuda 10.0。

[0013] 与现有技术相比，采用主杆模型和添加水印图片的方式来进行训练，主杆模型通过设置的预训练来提高分类的准确性，有利于提高水印识别的效率。

[0014] 本发明设计合理，较之传统的人工审核图片水印的方法，可以大大的降低人工强度，不会出现人工出现的误差，提升对带水印图片的准确识别。

具体实施方式

[0015] 下面结合具体实施例对本发明作进一步解说。

[0016] 实施例一本实施例中提出了一种使用深度学习模型的图片水印识别方法，包括以下步骤：
S1：将图片依照其类别不同人工的划分为80个列表；
S2：向80个列表中均添加1000张图片作为训练语料，总共8万张图片；
S3：对S2中添加的8万张图片的图片库进行数据增强，得到样本图片库；
S4：操作员在管理后台上传相关的水印图片，可以上传多张，并标注好水印的位置和所属分类，操作员在管理后台选中自动训练功能，管理后台就会把水印图片的位置信息和所属分类传到处理队列；
S5：对S3中样本图片库连同S4中的水印图片一起进行水印识别训练，得到81个基础骨主干模型，编辑在管理后台标注好水印位置和所属分类；
S6：把标注好的水印图片，连同增强的该水印图片的数据集，一并放入主干模型进行训练，添加水印图片的分类，训练完后就得到包含水印类别的识别水印模型；
S7：把训练好的水印模型，部署在tensorflow-gpu的服务器上，通过图片地址就能识别该图片是否包含水印了。

[0017] 本实施例中，S1中，80个列表的具体分类为：人、背包、雨伞、手提包、领带、手提箱、自行车、汽车、摩托车、飞机、总线、培养、卡车、船、红绿灯、消防栓、停止标志、停车收费表、长凳、鸟、猫、狗、马、羊、牛、象、熊、斑马、长颈鹿、飞盘、滑雪板、单板滑雪、运动球、风筝、棒球棒、棒球手套、滑板、冲浪板、网球拍、瓶子、红酒杯、杯子、叉子、刀、勺、碗、香蕉、苹果、三明治、橙子、西兰花、胡萝卜、热狗、比萨、甜甜圈、蛋糕、椅子、长椅、盆栽、床、餐桌、厕所、电视、笔记本电脑、老鼠、远程、键盘、手机、微波、烤箱、烤面包机、下沉、冰箱、书、时钟、花瓶、剪刀、泰迪熊、吹风机、牙刷，S2中，数据增强的方式包括仿射变换、透视变换、对比度调整、高斯噪声、区域丢弃、剪切/扩充和模糊等，得到样本多样的图片增强后的样本图片库，S3中，数据增强的方式包括仿射变换、透视变换、对比度调整、高斯噪声、区域丢弃、剪切/扩充和模糊等，得到样本多样的图片增强后的样本图片库，S4中，管理后台为自主研发的管理后台，方便操作员统一操作，S5中，训练好并保存好包含新分类的水印图片后，主干模型的识别分类就会增加1类，此时，主杆模型的识别分类增加为81，服务器的图片识别进程就会识别到主干模型发生了改变，会自动重启首先进程，然后处理图片水印请求，S6中，训练主干模型的过程是，首先用增强的样本图片库进行预训练，预训练是进行有监督的分类的训练。然后在样本上进行特定调优（fine tunning），调优的数据集中25%的正样本（与真实框IoU在0.5-1的候选框）、75%的负样本（与真实框IoU在0.1-0.5的候选框），在调优训练时，每一个mini-batch中首先加入N张完整图片，而后加入从N张图片中选取的R个候选框，R个候选框可以复用N张图片前5个阶段的网络特征，文章中N=2,R=128，服务器的参考数据为服务器是安装有Ubuntu 18.04操作系统，64G内存，CPU 2620V4*2, 显卡1080TI *2，硬盘 SSD
500G*2 + SATA ，2T*2, cuda 10.0。

[0018] 实施例二本实施例中提出了一种使用深度学习模型的图片水印识别方法，包括以下步骤：
S1：将图片依照其类别不同人工的划分为80个列表；
S2：向80个列表中均添加2000张图片作为训练语料，总共16万张图片；
S3：对S2中添加的16万张图片的图片库进行数据增强，得到样本图片库；
S4：操作员在管理后台上传相关的水印图片，可以上传多张，并标注好水印的位置和所属分类，操作员在管理后台选中自动训练功能，管理后台就会把水印图片的位置信息和所属分类传到处理队列；
S5：对S3中样本图片库连同S4中的水印图片一起进行水印识别训练，得到81个基础骨主干模型，编辑在管理后台标注好水印位置和所属分类；
S6：把标注好的水印图片，连同增强的该水印图片的数据集，一并放入主干模型进行训练，添加水印图片的分类，训练完后就得到包含水印类别的识别水印模型；
S7：把训练好的水印模型，部署在tensorflow-gpu的服务器上，通过图片地址就能识别该图片是否包含水印了。

[0019] 本实施例中，S1中，80个列表的具体分类为：人、背包、雨伞、手提包、领带、手提箱、自行车、汽车、摩托车、飞机、总线、培养、卡车、船、红绿灯、消防栓、停止标志、停车收费表、长凳、鸟、猫、狗、马、羊、牛、象、熊、斑马、长颈鹿、飞盘、滑雪板、单板滑雪、运动球、风筝、棒球棒、棒球手套、滑板、冲浪板、网球拍、瓶子、红酒杯、杯子、叉子、刀、勺、碗、香蕉、苹果、三明治、橙子、西兰花、胡萝卜、热狗、比萨、甜甜圈、蛋糕、椅子、长椅、盆栽、床、餐桌、厕所、电视、笔记本电脑、老鼠、远程、键盘、手机、微波、烤箱、烤面包机、下沉、冰箱、书、时钟、花瓶、剪刀、泰迪熊、吹风机、牙刷，S2中，数据增强的方式包括仿射变换、透视变换、对比度调整、高斯噪声、区域丢弃、剪切/扩充和模糊等，得到样本多样的图片增强后的样本图片库，S3中，数据增强的方式包括仿射变换、透视变换、对比度调整、高斯噪声、区域丢弃、剪切/扩充和模糊等，得到样本多样的图片增强后的样本图片库，S4中，管理后台为自主研发的管理后台，方便操作员统一操作，S5中，训练好并保存好包含新分类的水印图片后，主干模型的识别分类就会增加1类，此时，主杆模型的识别分类增加为81，服务器的图片识别进程就会识别到主干模型发生了改变，会自动重启首先进程，然后处理图片水印请求，S6中，训练主干模型的过程是，首先用增强的样本图片库进行预训练，预训练是进行有监督的分类的训练。然后在样本上进行特定调优（fine tunning），调优的数据集中25%的正样本（与真实框IoU在0.5-1的候选框）、75%的负样本（与真实框IoU在0.1-0.5的候选框），在调优训练时，每一个mini-batch中首先加入N张完整图片，而后加入从N张图片中选取的R个候选框，R个候选框可以复用N张图片前5个阶段的网络特征，文章中N=2,R=128，服务器的参考数据为服务器是安装有Ubuntu 18.04操作系统，64G内存，CPU 2620V4*2, 显卡1080TI *2，硬盘 SSD
500G*2 + SATA ，2T*2, cuda 10.0。

[0020] 实施例三本实施例中提出了一种使用深度学习模型的图片水印识别方法，包括以下步骤：
S1：将图片依照其类别不同人工的划分为80个列表；
S2：向80个列表中均添加3000张图片作为训练语料，总共24万张图片；
S3：对S2中添加的24万张图片的图片库进行数据增强，得到样本图片库；
S4：操作员在管理后台上传相关的水印图片，可以上传多张，并标注好水印的位置和所属分类，操作员在管理后台选中自动训练功能，管理后台就会把水印图片的位置信息和所属分类传到处理队列；
S5：对S3中样本图片库连同S4中的水印图片一起进行水印识别训练，得到81个基础骨主干模型，编辑在管理后台标注好水印位置和所属分类；
S6：把标注好的水印图片，连同增强的该水印图片的数据集，一并放入主干模型进行训练，添加水印图片的分类，训练完后就得到包含水印类别的识别水印模型；
S7：把训练好的水印模型，部署在tensorflow-gpu的服务器上，通过图片地址就能识别该图片是否包含水印了。

[0021] 本实施例中，S1中，80个列表的具体分类为：人、背包、雨伞、手提包、领带、手提箱、自行车、汽车、摩托车、飞机、总线、培养、卡车、船、红绿灯、消防栓、停止标志、停车收费表、长凳、鸟、猫、狗、马、羊、牛、象、熊、斑马、长颈鹿、飞盘、滑雪板、单板滑雪、运动球、风筝、棒球棒、棒球手套、滑板、冲浪板、网球拍、瓶子、红酒杯、杯子、叉子、刀、勺、碗、香蕉、苹果、三明治、橙子、西兰花、胡萝卜、热狗、比萨、甜甜圈、蛋糕、椅子、长椅、盆栽、床、餐桌、厕所、电视、笔记本电脑、老鼠、远程、键盘、手机、微波、烤箱、烤面包机、下沉、冰箱、书、时钟、花瓶、剪刀、泰迪熊、吹风机、牙刷，S2中，数据增强的方式包括仿射变换、透视变换、对比度调整、高斯噪声、区域丢弃、剪切/扩充和模糊等，得到样本多样的图片增强后的样本图片库，S3中，数据增强的方式包括仿射变换、透视变换、对比度调整、高斯噪声、区域丢弃、剪切/扩充和模糊等，得到样本多样的图片增强后的样本图片库，S4中，管理后台为自主研发的管理后台，方便操作员统一操作，S5中，训练好并保存好包含新分类的水印图片后，主干模型的识别分类就会增加1类，此时，主杆模型的识别分类增加为81，服务器的图片识别进程就会识别到主干模型发生了改变，会自动重启首先进程，然后处理图片水印请求，S6中，训练主干模型的过程是，首先用增强的样本图片库进行预训练，预训练是进行有监督的分类的训练。然后在样本上进行特定调优（fine tunning），调优的数据集中25%的正样本（与真实框IoU在0.5-1的候选框）、75%的负样本（与真实框IoU在0.1-0.5的候选框），在调优训练时，每一个mini-batch中首先加入N张完整图片，而后加入从N张图片中选取的R个候选框，R个候选框可以复用N张图片前5个阶段的网络特征，文章中N=2,R=128，服务器的参考数据为服务器是安装有Ubuntu 18.04操作系统，64G内存，CPU 2620V4*2, 显卡1080TI *2，硬盘 SSD
500G*2 + SATA ，2T*2, cuda 10.0。

[0022] 可以得出，实施例二为图片水印的最佳识别条件。

[0023] 以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

标题	发布/更新时间	阅读量
一种新型带手刹的滑雪板	2020-05-29	77
一种带制动装置的滑雪板	2020-06-01	300
单板滑雪板固定器和单板滑雪板固定器用止动装置	2020-05-12	747
一种滑雪模拟训练器	2020-06-12	882
一种单板滑雪陆地训练滑板	2020-05-14	777
单板滑雪训练装置	2020-05-13	878
单轮单板滑雪平衡训练器	2020-05-20	539
一种旋转式单板滑雪平衡训练器	2020-05-21	161
一种滑雪模拟训练器	2020-06-16	841
空气动力推动式电动滑雪单板	2020-06-15	521

一种使用深度学习模型的图片水印识别方法

一种使用深度学习模型的图片水印识别方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：