[發(fā)明專利]神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方法、裝置及圖像檢測(cè)的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010173603.7
• 申請(qǐng)日: 2020-03-13
• 公開(kāi)（公告）號(hào): CN112766481A
• 公開(kāi)（公告）日: 2021-05-07
• 發(fā)明（設(shè)計(jì)）人: 王君樂(lè);許家譽(yù);艾長(zhǎng)青;郭云鏑;張力柯;荊彥青
• 申請(qǐng)（專利權(quán)）人: 騰訊科技（深圳）有限公司
• 主分類(lèi)號(hào): G06N3/08
• 分類(lèi)號(hào): G06N3/08;G06N3/04;G06K9/62;G06T7/00
• 代理公司: 北京派特恩知識(shí)產(chǎn)權(quán)代理有限公司 11270
• 代理人: 趙翠萍;張穎玲

本發(fā)明提供了一種用于檢測(cè)圖像異常區(qū)域的神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方法、圖像異常區(qū)域的檢測(cè)方法、裝置、電子設(shè)備及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)；該方法包括：獲取正常圖像，并對(duì)所述正常圖像進(jìn)行種子區(qū)域提取處理，以獲得所述正常圖像中用于填充異常素材的種子區(qū)域；對(duì)所述種子區(qū)域進(jìn)行區(qū)域形狀調(diào)整處理，以獲得目標(biāo)種子區(qū)域；在所述正常圖像中位于所述目標(biāo)種子區(qū)域的范圍內(nèi)，進(jìn)行異常素材填充處理，以獲得異常圖像；將所述正常圖像作為正樣本，將所述異常圖像作為負(fù)樣本，更新用于檢測(cè)圖像異常區(qū)域的神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，并將更新后的參數(shù)作為訓(xùn)練后的所述神經(jīng)網(wǎng)絡(luò)模型的參數(shù)。通過(guò)本發(fā)明，能夠提高檢測(cè)圖像異常區(qū)域的準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能領(lǐng)域的圖像檢測(cè)技術(shù)，尤其涉及一種用于檢測(cè)圖像異常區(qū)域的神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方法、圖像異常區(qū)域的檢測(cè)方法、裝置、電子設(shè)備及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

人工智能是利用數(shù)字計(jì)算機(jī)或者數(shù)字計(jì)算機(jī)控制的機(jī)器模擬、延伸和擴(kuò)展人的智能，感知環(huán)境、獲取知識(shí)并使用知識(shí)獲得最佳結(jié)果的理論、方法和技術(shù)及應(yīng)用系統(tǒng)。人工智能現(xiàn)如今得到快速發(fā)展，并廣泛應(yīng)用于各種行業(yè)。

以檢測(cè)圖像異常區(qū)域的應(yīng)用場(chǎng)景為例，相關(guān)技術(shù)中，針對(duì)圖像中局部異常區(qū)域檢測(cè)的方法，設(shè)計(jì)和實(shí)現(xiàn)難度高、運(yùn)算量大，并且對(duì)于異常區(qū)域檢測(cè)的準(zhǔn)確率較低，誤報(bào)率較高。為了提高檢測(cè)圖像異常區(qū)域的準(zhǔn)確率，可以基于人工智能對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，以獲得用于檢測(cè)圖像異常區(qū)域的神經(jīng)網(wǎng)絡(luò)模型，但在訓(xùn)練過(guò)程中需要大量標(biāo)注好的訓(xùn)練數(shù)據(jù)。這類(lèi)訓(xùn)練數(shù)據(jù)往往難以收集，并且訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型的檢測(cè)圖像異常區(qū)域的準(zhǔn)確率會(huì)隨著訓(xùn)練數(shù)據(jù)量的減少急劇下降。

因此，相關(guān)技術(shù)對(duì)于解決檢測(cè)圖像異常區(qū)域的準(zhǔn)確率低尚無(wú)有效的方案。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例提供一種用于檢測(cè)圖像異常區(qū)域的神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方法、圖像異常區(qū)域的檢測(cè)方法、裝置、電子設(shè)備及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，能夠提高檢測(cè)圖像異常區(qū)域的準(zhǔn)確率。

本發(fā)明實(shí)施例的技術(shù)方案是這樣實(shí)現(xiàn)的：

本發(fā)明實(shí)施例提供一種用于檢測(cè)圖像異常區(qū)域的神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方法，所述方法包括：

獲取正常圖像，并對(duì)所述正常圖像進(jìn)行種子區(qū)域提取處理，以獲得所述正常圖像中用于填充異常素材的種子區(qū)域；

對(duì)所述種子區(qū)域進(jìn)行區(qū)域形狀調(diào)整處理，以獲得目標(biāo)種子區(qū)域；

在所述正常圖像中位于所述目標(biāo)種子區(qū)域的范圍內(nèi)，進(jìn)行異常素材填充處理，以獲得異常圖像；

將所述正常圖像作為正樣本，將所述異常圖像作為負(fù)樣本，更新用于檢測(cè)圖像異常區(qū)域的神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，并將更新后的參數(shù)作為訓(xùn)練后的所述神經(jīng)網(wǎng)絡(luò)模型的參數(shù)。

本發(fā)明實(shí)施例提供一種用于檢測(cè)圖像異常區(qū)域的神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練裝置，包括：

區(qū)域提取模塊，用于獲取正常圖像，并對(duì)所述正常圖像進(jìn)行種子區(qū)域提取處理，以獲得所述正常圖像中用于填充異常素材的種子區(qū)域；

區(qū)域形狀調(diào)整模塊，用于對(duì)所述種子區(qū)域進(jìn)行區(qū)域形狀調(diào)整處理，以獲得目標(biāo)種子區(qū)域；

異常素材填充模塊，用于在所述正常圖像中位于所述目標(biāo)種子區(qū)域的范圍內(nèi)，進(jìn)行異常素材填充處理，以獲得異常圖像；

訓(xùn)練模塊，用于將所述正常圖像作為正樣本，將所述異常圖像作為負(fù)樣本，更新用于檢測(cè)圖像異常區(qū)域的神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，并將更新后的參數(shù)作為訓(xùn)練后的所述神經(jīng)網(wǎng)絡(luò)模型的參數(shù)。

上述方案中，所述區(qū)域提取模塊，還用于確定色彩范圍，并選取所述正常圖像中在所述色彩范圍內(nèi)的多個(gè)像素；確定所述正常圖像中的多個(gè)閉合輪廓，其中，每個(gè)所述閉合輪廓包括所述多個(gè)像素中的部分像素；確定所述多個(gè)閉合輪廓中每個(gè)閉合輪廓對(duì)應(yīng)的圖像子區(qū)域的面積，并根據(jù)每個(gè)所述圖像子區(qū)域的面積，選取多個(gè)所述圖像子區(qū)域中的部分圖像子區(qū)域以作為所述種子區(qū)域。