本系统以深度学习的理论和技术作为基础，尝试将深度学习运用到图片智能管理上，实现一个自动分类识别图片并标注的 Web 系统，用户亦可根据个人喜好删除添加标注信息，以提高对图片的管理效率。同时，为了减少服务器对图片分类的计算压力，本系统提出一种将训练器和分类器分离的实现方案。
首先利用大量已标注的图片样本对深度神经网络进行训练。由于该过程需要利用高配置的 GPU 来加快运算速度，所以在本地 PC 端进行，接着将训练好的神经网络模型和参数文件保存并上传至系统，该系统将图片分类器构造在浏览器端。最后当用户在上传图片时，可以通过浏览器端的分类器调用神经网络模型和参数文件对图片进行分类识别并生成标签。
基于以上的方案，以下是论文的主要工作内容。
1.图片管理功能
系统提供基本的大规模图片管理功能，保证用户能够安全地存储图片、管理图片和下载使用图片。系统提供图库管理功能支持用户对海量图片进行精细化分类管理，一个图库即可以代表一种分类。用户上传一张图片时需要首先选择将该图片存储于哪一个图库，然后录入这张图片的图说、标签、作者、单位、上传日期等信息，最后将图片和结构化的图片信息分别保存到服务器上的文件系统和数据库中。图片管理的具体业务功能包括：创建图库、修改图库名称、删除图库、上传图片、删除图片、修改图片信息、下载图片等。
2. 智能标签功能
系统提供为图片自动打标签的智能功能，即在用户确认保存图片到服务器时系统采用深度学习技术检测出图片中主要物体，然后将检测到的物体名称存储为图片的AI标签属性。智能标签的自动生成有助于用户更加高效地分类管理图片和快速检索图片。
3.基于关键字的图片检索：
用户使用关键字从数据库对图片信息的标签、AI标签、图说、作者等属性联合查询，如果其中任意一个属性包含有检索关键字则该图片即属于满足关键字检索条件的图片。最后，系统返回检索到的全部图片并按一定顺序排列。
四、 突破点
本设计基于win10系统，采取python作为主要编程环境，配置MySQL，调用计算机视觉库，实现基于深度学习的图片智能管理。首先将图片读入，对每一张的图片采取预处理操作，降低元素干扰，增强图片对比度，提升图片质量，通过图像局部特殊的特征比对其他图片的特征值，实现图片的分类管理，同时标示图片的智能标签标识图片物体的分类所属。
近年来，随着计算机、移动通信、视频监控等技术的快速发展，人们几乎可以随时随地使用手机、数码相机或摄像头拍摄图片。随之而来的是各个行业的图片数量都在爆炸式增长，图片的类型也正在逐渐覆盖行业的全部场景。以电网行业为例，以往的图片多是在城市街道、变电站、办公室、会议室等场景拍摄，现如今越来越多涉及电网基础设施、施工现场、巡检现场、员工作业现场等场景的图片。海量的行业图片具有巨大的潜在价值，如何分析并利用这些图片数据产生实际价值是行业研究的重点。然而在实际工作中，海量图片产生后带来的首先是如何安全地上传存储图片、如何高效地管理图片、如何快速精准地检索图片、如何方便快捷地使用图片等问题。
传统的图片管理系统使用图库对图片进行分类管理，使用人工输入图片标签标记图片关键内容，使用关键字检索图片相关信息。然而，面对海量的、多场景的图片，传统图片管理方式已经无法满足用户当前对智能化管理图片、精准检索图片的迫切需要。为了满足用户对大量图片报送、存储、管理、检索、下载等功能的需求，设计开发一套图片智能管理系统已是当务之急。
近年来人工智能技术发展迅速，其中最具代表性的深度学习技术更是日新月异。基于深度学习的图像识别、目标检测等技术在检测的精度和速度上都取得了较大的进步并逐渐在诸多行业中广泛应用。与传统方法相比，利用深度学习算法实现的图像检索技术在准确率上也获得了一定提升并正在成为图像检索技术中的主流方法。[1-2]
为了使用户更加高效地管理图片、精准地搜索到想要的图片，需要设计和开发图片智能管理系统，并实现基于深度学习技术的智能标签功能，这将有助于图片管理的信息化和智能化，提升图片管理工作的效率，有助于对图片数据的进一步挖掘和利用。