人工智能在手机照片分类中的应用

• Artificial Intelligence

人工智能在手机照片分类中的应用

文/杜抒沛

摘 类要本文基于人工智能实现了对手机照片按照照片内容分类。将手机存储中的照片导入到计算机文件夹中，根据照片内容人工先区分并建立工作学习相关照片类别文件夹和其他照片类别文件夹两类文件夹。然后运用AI开放平台进行手机照片分类实验，实验结果证明本文思路的可行性。【关键词】人工智能 深度学习 手机 照片 分

1 引言

智能手机已经成为人们现代生活中的必需品，特别是智能手机中的拍摄功能，给人们的工作和生活都增添了便利，可以随时随地以影像的方式记录想要记录的内容，如工作学习中的文档和课件，生活中的自然景色等等。但是随着智能手机的存储功能的增强，以及人们拍摄的照片数量的增加，以及手机屏幕尺寸较小造成的浏览限制等因素，有时想要从手机存储的大量照片中找到需要的照片并非易事。虽然目前的手机照片存储功能中包含了一些简单的分类功能，但基本是根据时间或者照片的系统来源等功能进行分类，并没有根据照片中的内容进行识别分类。国内已有部分相关研究，但是或局限于按人分类照片，或基于非深度学习算法的多类别分类，分类效果有待提高，当然也有国内相关开放AI平台实现了更为精确的图像多分类识别。其实在实际生活应用中，人们对于手机照片的分类需求更多地在于区分是否为工作相关，因此只需将照片分为工作学习相关和生活其他相关两类即可。

本文应用人工智能的图像分类算法对手机中的照片图像进行学习训练，建立了基于手机照片内容的分类模型，可以将手机的照片根据内容用途分为学习工作相关照片和其他生活照片两类，有利于人们在实际应用中更好地查找手机照片，帮助人们提高了手机照片查找的效率，特别是对于为一些商务人士在一定场合下提供了便利和帮助。

图像分类是依据每个图像信息中反应出来的不同特征，把不同类别的目标图像区分开来的一种图像处理方法，是利用计算机对图像进行定量分析，代替人的视觉判读，原理是把图像中的区域分割成一系列的子图像，提取每个子图像的特征后得到原图像的分类结果。图

2.1 深度学习和卷积神经网络

深度学习的概念由Hinton等人于2006年

像分类预测的流程如图1所示。

目前最主流的深度学习平台是Tesorflow,提出，由神经网络算法发展起来的含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习包括自编码深度神经网络、限制波尔兹曼机网络、卷积神经网络（CNN）和循环神经网络（RNN）等形式。

其中卷积神经网络（CNN卷积网络通过一系列方法，成功将数据量庞大的图像识别问题不断降维，最终使其能够被训练。CNN最大的特点就是参数共享机制，基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用激活函数，使得特征映射具有位移不变性。因此CNN被广泛应用于图像分类。2.2 图像分类算法平台

图3：应用开放AI平台进行手机照片标签识

别分类实验它是Google开源的深度学习框架，Tesorflow将复杂的图像数据传输至人工神经网络，然后进行分析和处理。利用Tesorflow训练模型，可以建立一个快速、低成本、精准的图像分类器。卷积神经网络由于其较好的容错性、权值共享、自适应性等特点，是一种基于多层监督学习的人工神经网络，被广泛用于物体检测、图像识别等领域。

图2：手机照片人工分类存储文件夹

图1：图像分类算法流程

2 图像分类算法和平台

3 手机照片人工分类和模型分类过程

<<下转254页

246 •电子技术与软件工程󰀡󰀡Electronic Technology & Software Engineering

信息技术

• Information Technology

基于PHM的电力中间件故障报警

文/唐乐1 赵创业1 唐亮亮1 肖建毅1 胡亮2

力系统的信息化建设。

摘 要本文针对电力信息系统中间件的故障报警问题展开研究，首先简要阐述了PHM技术的主要功能；然后就其中的数据处理的具体算法，提出了灰色马尔科夫模型；接着进一步设计了基于PHM的电力中间件故障报警流程；最后，以某电力信息系统中的heap堆栈进行实例分析，证明了本文的研究结果具有可行性。1 PHM技术概述

PHM即故障预测与健康管理，其原理是通过各种传感器对设备运行状态等信息进行有效采集，然后通过数据传输技术将采集到的信息传输至数据处理中心，通过小波变换、拉普拉斯分值等算法以及神经网络等模型对其进行分析处理，以此监控并诊断设备运行状态是否健康，从而在此基础上实现故障预测。PHM技术从功能方面而言主要有信息采集、信息处理、故障诊断等，具体如下：

（1）设备运行状态信息的采集与传输功能。PHM技术能够通过各种传感器来采集设备的运行状态信息，还能够实现信息传输。（2）信息处理功能。PHM技术能够对采集到的设备运行状态信息进行处理，通过特征提取、选择以及生成集合，为下一步流程提供支持。

（3）信息分析功能。PHM技术能够将经过处理的信息与预设值进行对比分析，以此作为故障诊断的依据。

（4）预测功能。PHM技术能够根据信息分析所得出的结果，对设备运行状态进行综合性的预测，其中涵盖了可能发生的故障、设备

【关键词】PHM技术 中间件 故障报警

图1：基于PHM的电力中间件故障报警流程寿命等。

（5）决策辅助功能。PHM技术能够根据预测结果来拟定相关策略，为实际维修工作提供决策支持。

（6）通信接口功能。PHM技术能够提供通信接口，以此满足信息展示、信息传输等需求。

随着信息化技术的发展，我国电力系统信息化建设水平日益提高，目前已经构建起较为完善的信息系统，该系统主要通过中间件实现应用与数据库之间的连接。因此，对于我国目前的电力信息系统而言，中间件能否可靠运行直接关系着整个系统的安全稳定，目前我国电力信息系统中间件的检查工作需要更新方式，利用新技术来打破人工检查的制约。有鉴于此，本文基于PHM技术对电力信息系统中间件故障报警的问题展开研究探讨，以期推动我国电

2 基于PHM技术的中间件故障特征量算法

<<上接246页

3.1 手机照片人工分类

将手机中照片导出到电脑中，分别建立两个文件夹：工作学习文件夹和生活其他文件夹。将手机中的照片进行人工分类，分别放在两个文件夹中，每个文件夹中都含有20张照片。如图2所示。3.2 实验过程

如图3所示，图像的分类过程应用国内开放的AI平台来实现。该AI平台含有“图片标签类别”的识别功能，该功能可以认为是在后台已经有了一个训练好的基于图像数据集的图像分割识别和分类标记的模型，输入图片都会将识别中的类别标签标记出来。具体过程如下：

（1）定义：

work文件夹中图片正确分类结果为识别标签中含有“文本”；

other文件夹中的图片正确分类结果为识别标签中不含有“文本”

（2）将other文件夹和work文件夹中图片分别上传到AI平台进行图片标签识别，将

每张图片的识别标签记录下来；

（3）分别统计work文件夹和other 文件夹中图片的正确识别结果和错误识别结果，计算识别准确率。

参考文献

[1]黄凯奇,任伟强,谭铁牛.图像物体

分类与检测算法综述[J].计算机学报,2014(06):1225-1240.

[2]李东阳.Android手机上图像分类技术的

研究.[D].北京:北京邮电大学,2012.[3]李龙.基于Android的照片分类管理软

件的设计与实现[D].广州:华南理工大学,2017.

[4]汤晓鸥,陈玉琨.人工智能基础（高中版）

[M].上海:华东师范大学出版社.北京:商务印书馆,2018:52-60.

[5]Tecent AI Open Platform.https://

ai.qq.com/product/visionimgidy.shtml#tag.

4 结论和应用

经过统计，Work文件夹和other 文件夹的识别分类准确率分别100%和100%。本文没有应用分类数据集进行分类模型的重新训练，而是应用了公开的已经训练好的图像分类模型。但是从识别分类结果来看，本文的思路具有可行性。

应用本文中的图像分类方法和过程，可以将手机中的照片安装照片的内容进行分类。本文中只应用于工作学习照片和生活其他照片两类。这种分类方法既可以提高分类的准确率，也更加贴近于实际生活应用。

将本文中的思路开发成手机APP装到手机中，后台接口可以使用开放AI平台，也可以自己开发，可以将照片进行两分类，可以省略图像上传操作，直接后台读取图像数据进行识别。因此在照片查找时，这样可以更加方便，节省时间，具有一定的实际应用价值。

作者简介

杜抒沛，单位为山东省青岛第二中学。

作者单位

山东省青岛第二中学 山东省青岛市 266042

254 •电子技术与软件工程󰀡󰀡Electronic Technology & Software Engineering