一种基于AI数据模型的积分业务图片分离和整合的方法与流程

一种基于ai数据模型的积分业务图片分离和整合的方法
技术领域
1.本发明涉及积分应用技术领域，特别是涉及一种基于ai数据模型的积分业务图片分离和整合的方法。


背景技术：

2.现有技术通常利用卷积神经网络对基础数据训练后，仅能形成图片识别，或者生成对应的图片，图片成像效果和纹理不够精准和精细，不能满足业务需求。
3.通过ai算法对积分业务中的图片进行精准识别，并按需进行分离，同时也可以根据积分业务对图片的需求进行智能合成，满足积分业务运行需求。


技术实现要素：

4.一种基于ai数据模型的积分业务图片分离和整合的方法，其主要包括：基础图片数据学习、权重计算、图片纹理池化计算、全连接神经元映射、图片泛化模型、梯度降级算法等模块。基于基础图片学习，利用权重计算函数及池化计算函数，构建全连接神经元映射，对图片纹理进行精准识别。同时通过卷积神经网络算法构建图片泛化模型，利用梯度降级算法进行图片合成。
5.利用卷积神经网络算法实现图片识别主要包含以下关键步骤。
6.1、学习基础图片数据；2、定义计算权重及偏移值；3、图片纹理池化计算；4、构建全连接神经元映射；5、精准识别图片并分离。
7.利用卷积神经网络算法及梯度降级算法实现图片生成主要包含以关键步骤。
8.1、通过卷积神经网络算法生成图片泛化模型；2、结合梯度降级算法绘制图像纹理；3、合成图片。
附图说明
9.图1为一种基于ai数据模型的积分业务图片分离和整合的方法结构图。
10.图2为一种基于ai数据模型的积分业务图片分离和整合的方法初始模型构建过程。
11.图3为一种基于ai数据模型的积分业务图片分离和整合的方法图像特征分析及提取过程。
12.图4为一种基于ai数据模型的积分业务图片分离和整合的方法图像边缘处理过程。
13.图5为一种基于ai数据模型的积分业务图片分离和整合的方法图像分离过程。
14.图6为一种基于ai数据模型的积分业务图片分离和整合的方法图像合成过程。
具体实施方式
15.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
16.本专利实施例包含s100初始模型构建过程、s200图像特征分析及提取过程、s300图像边缘处理过程、s400图像分离过程和s500图像合成过程等。
17.s100初始模型构建过程，具体步骤如下：步骤s101：样本图像数据输入卷积神经网络算法训练模型；步骤s102：调整权重、卷积核、步长等参数，对卷积神经网络算法模型持续优化；步骤s103：算法模型持续训练和完善；步骤s104：完成图像分析模型构建。
18.s200图像特征分析及提取过程，具体步骤如下：步骤s201：图像输入到图像分析模型；步骤s202：运行系统对输入的图像进行分析；步骤s203：提取图像的特征图矩阵；步骤s204：对图像特征图进行池化操作；步骤s205：针对图像的多维特征池构建全连接层。s300图像边缘处理过程，具体步骤如下：步骤s301：确定图像边缘范围，并将边缘图像输入到模型中；步骤s302：构建卷积神经算法图像处理泛化能力；步骤s303：反复迭代梯度降级算法，对图像边缘交叉模糊区域进行处理，最终确定边缘图像处理结果。
19.s400图像分离过程，具体步骤如下：步骤s401：输入原始图像和目标分离图像；步骤s402：原始图像和目标分离图像经过s200图像特征分析及提取过程，分别得到各自的多维特征全连接层数据；步骤s403：将原始图像全连接层与目标分离图像全连接层融合，二次构建全连接层；步骤s404：定位目标图像块位置及范围；步骤s405：将目标图像块边缘进行s300图像边缘处理；步骤s406：将确定的图像块包括边缘图像从原始图中去除，同时将确定的图像块和边缘图像合并后及形成分离的图片。
20.s500图像合成过程，具体步骤如下：步骤s501：输入原始图像1和原始图像2；步骤s502：原始图像1和原始图像2经过s200图像特征分析及提取过程，分别得到各自的多维特征全连接层数据；
步骤s503：将原始图像1的全连接层与原始图像2的全连接层融合，二次构建全连接层；步骤s504：去除两个图像相同部分，确定需要融合的区域及具体位置；步骤s505：将图像融合方位的边缘经s300图像边缘处理；步骤s506：将经过处理的两个图像及确定的需要融合的区域进行融合，即得到融合后的图像。


技术特征：
1.一种基于ai数据模型的积分业务图片分离和整合的方法，其特征在于：主要包括：基础图片数据学习、权重计算、图片纹理池化计算、全连接神经元映射、图片泛化模型、梯度降级算法等模块。2.基于基础图片学习，利用权重计算函数及池化计算函数，构建全连接神经元映射，对图片纹理进行精准识别。3.同时通过卷积神经网络算法构建图片泛化模型，利用梯度降级算法进行图片合成。4.一种基于ai数据模型的积分业务图片分离和整合的方法，其特征在于：利用卷积神经网络算法实现图片识别主要包含以下关键步骤：1、学习基础图片数据；2、定义计算权重及偏移值；3、图片纹理池化计算；4、构建全连接神经元映射；5、精准识别图片并分离。5.一种基于ai数据模型的积分业务图片分离和整合的方法，其特征在于：利用卷积神经网络算法及梯度降级算法实现图片生成主要包含以关键步骤：1、通过卷积神经网络算法生成图片泛化模型；2、结合梯度降级算法绘制图像纹理；3、合成图片。

技术总结
一种基于AI数据模型的积分业务图片分离和整合的方法，主要包括：基础图片数据学习、权重计算、图片纹理池化计算、全连接神经元映射、图片泛化模型、梯度降级算法等模块。基于基础图片学习，利用权重计算函数及池化计算函数，构建全连接神经元映射，对图片纹理进行精准识别。同时通过卷积神经网络算法构建图片泛化模型，利用梯度降级算法进行图片合成。利用梯度降级算法进行图片合成。


技术研发人员：宋立伟 柴山 陶思翰
受保护的技术使用者：翼集分（上海）数字科技有限公司
技术研发日：2021.12.23
技术公布日：2023/7/11