[發(fā)明專利]圖像檢測(cè)方法、裝置、電子設(shè)備及可讀存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 201911087220.1
• 申請(qǐng)日: 2019-11-08
• 公開（公告）號(hào): CN110796115B
• 公開（公告）日: 2022-12-23
• 發(fā)明（設(shè)計(jì)）人: 楊小棟;黃煒;王喆;張偉;許清泉
• 申請(qǐng)（專利權(quán)）人: 廈門美圖宜膚科技有限公司
• 主分類號(hào): G06V40/16
• 分類號(hào): G06V40/16;G06V10/774;G06V10/80;G06V10/82;G06N3/04;G06T7/00
• 代理公司: 北京超凡宏宇專利代理事務(wù)所(特殊普通合伙) 11463
• 代理人: 李強(qiáng)

1.一種圖像檢測(cè)方法，其特征在于，應(yīng)用于電子設(shè)備，所述方法包括：

獲取待檢測(cè)黑頭的第一圖像；

對(duì)所述第一圖像進(jìn)行尺寸轉(zhuǎn)換，得到對(duì)應(yīng)的不同尺寸的第二圖像；

將每種尺寸的第二圖像輸入至預(yù)先訓(xùn)練的黑頭檢測(cè)模型中，分別通過所述黑頭檢測(cè)模型中與每種尺寸對(duì)應(yīng)的殘差網(wǎng)絡(luò)結(jié)構(gòu)輸出每種尺寸對(duì)應(yīng)的黑頭熱圖；

對(duì)所述每種尺寸的第二圖像對(duì)應(yīng)的黑頭熱圖進(jìn)行加權(quán)處理，得到黑頭檢測(cè)結(jié)果；

所述尺寸包括第一尺寸、第二尺寸和第三尺寸，所述第一尺寸、第二尺寸和第三尺寸依次增大；

所述分別通過所述黑頭檢測(cè)模型中與每種尺寸對(duì)應(yīng)的殘差網(wǎng)絡(luò)結(jié)構(gòu)輸出每種尺寸對(duì)應(yīng)的黑頭熱圖的步驟，包括：

通過第一尺寸、第二尺寸和第三尺寸對(duì)應(yīng)的殘差網(wǎng)絡(luò)結(jié)構(gòu)輸出第一尺寸、第二尺寸和第三尺寸分別對(duì)應(yīng)的第一特征圖、第二特征圖以及第三特征圖；

對(duì)所述第一特征圖進(jìn)行上采樣后與所述第二特征圖進(jìn)行融合，并將融合后的第四特征圖進(jìn)行卷積操作得到第一黑頭熱圖；

對(duì)所述第四特征圖進(jìn)行上采樣后與所述第三特征圖進(jìn)行融合，并將融合后的第五特征圖進(jìn)行卷積操作得到第二黑頭熱圖；

對(duì)所述第三特征圖進(jìn)行上采樣，得到第三黑頭熱圖；

所述對(duì)所述每種尺寸的第二圖像對(duì)應(yīng)的黑頭熱圖進(jìn)行加權(quán)處理，得到黑頭檢測(cè)結(jié)果的步驟，包括：

將低于所述第一圖像的尺寸的第二圖像對(duì)應(yīng)的黑頭熱圖上采樣為所述第一圖像的黑頭熱圖的尺寸，并將上采樣后的黑頭熱圖與所述第一圖像的尺寸相同的第二圖像的黑頭熱圖進(jìn)行加權(quán)平均計(jì)算，得到加權(quán)黑頭熱圖；

搜索對(duì)所述加權(quán)黑頭熱圖中每個(gè)單位區(qū)域的預(yù)測(cè)值，如果所述預(yù)測(cè)值大于設(shè)定預(yù)測(cè)閾值，則將該單位區(qū)域確定為黑頭區(qū)域。

2.根據(jù)權(quán)利要求1所述的圖像檢測(cè)方法，其特征在于，所述黑頭檢測(cè)模型通過以下步驟訓(xùn)練得到：

獲取訓(xùn)練樣本集和測(cè)試樣本集，所述訓(xùn)練樣本集中包括多個(gè)標(biāo)注有黑頭區(qū)域的鼻子區(qū)域樣本，所述測(cè)試樣本集包括有多個(gè)未標(biāo)注有黑頭區(qū)域的鼻子區(qū)域樣本；

根據(jù)所述訓(xùn)練樣本集對(duì)待訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型；

根據(jù)所述測(cè)試樣本集對(duì)所述訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測(cè)試，并在測(cè)試結(jié)果滿足預(yù)設(shè)條件時(shí)，獲得訓(xùn)練得到的黑頭檢測(cè)模型。

3.根據(jù)權(quán)利要求2所述的圖像檢測(cè)方法，其特征在于，所述根據(jù)所述訓(xùn)練樣本集對(duì)待訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型的步驟之前，所述方法還包括：

對(duì)所述訓(xùn)練樣本集進(jìn)行樣本增益，并將樣本增益后的訓(xùn)練樣本集中的每個(gè)鼻子區(qū)域樣本的尺寸調(diào)整為設(shè)定尺寸，以根據(jù)調(diào)整后的訓(xùn)練樣本集對(duì)待訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

4.根據(jù)權(quán)利要求2所述的圖像檢測(cè)方法，其特征在于，所述根據(jù)所述訓(xùn)練樣本集對(duì)待訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型的步驟，包括：

針對(duì)所述訓(xùn)練樣本集中的每個(gè)鼻子區(qū)域樣本，對(duì)該鼻子區(qū)域樣本進(jìn)行尺寸轉(zhuǎn)換后，分別通過所述卷積神經(jīng)網(wǎng)絡(luò)模型中與每種尺寸對(duì)應(yīng)的殘差網(wǎng)絡(luò)結(jié)構(gòu)輸出每種尺寸的鼻子區(qū)域樣本對(duì)應(yīng)的黑頭熱圖；

計(jì)算所述每種尺寸的鼻子區(qū)域樣本對(duì)應(yīng)的黑頭熱圖與該鼻子區(qū)域樣本上標(biāo)注的黑頭區(qū)域之間的交叉熵?fù)p失函數(shù)值；

根據(jù)計(jì)算得到的每個(gè)交叉熵?fù)p失函數(shù)值進(jìn)行反向傳播訓(xùn)練，并計(jì)算所述每種尺寸對(duì)應(yīng)的殘差網(wǎng)絡(luò)結(jié)構(gòu)的網(wǎng)絡(luò)參數(shù)的梯度；

根據(jù)計(jì)算得到的所述梯度，采用隨機(jī)梯度下降法更新所述每種尺寸對(duì)應(yīng)的殘差網(wǎng)絡(luò)結(jié)構(gòu)的網(wǎng)絡(luò)參數(shù)后，返回分別通過所述卷積神經(jīng)網(wǎng)絡(luò)模型中與每種尺寸對(duì)應(yīng)的殘差網(wǎng)絡(luò)結(jié)構(gòu)輸出每種尺寸的鼻子區(qū)域樣本對(duì)應(yīng)的黑頭熱圖的步驟，直到所述卷積神經(jīng)網(wǎng)絡(luò)模型滿足訓(xùn)練終止條件時(shí)，得到訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型。