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

本发明涉及积分应用，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：

1、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。

2、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。

技术实现思路

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。

2、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。

3、1、学习基础图片数据；

4、2、定义计算权重及偏移值；

5、3、图片纹理池化计算；

6、4、构建全连接神经元映射；

7、5、精准识别图片并分离。

8、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。

9、1、通过卷积神经网络算法生成图片泛化模型；

10、2、结合梯度降级算法绘制图像纹理；

11、3、合成图片。

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。

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：
技术公布日：2024/1/13