[發(fā)明專利]圖像質(zhì)量檢測方法、裝置、設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202011511551.6
• 申請日: 2020-12-18
• 公開（公告）號: CN112561891A
• 公開（公告）日: 2021-03-26
• 發(fā)明（設(shè)計）人: 韓浩瀚
• 申請（專利權(quán)）人: 深圳賽安特技術(shù)服務(wù)有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 深圳市賽恩倍吉知識產(chǎn)權(quán)代理有限公司 44334
• 代理人: 遲珊珊

本發(fā)明涉及人工智能領(lǐng)域，提供一種圖像質(zhì)量檢測方法、裝置、設(shè)備及存儲介質(zhì)，能夠?qū)埩糠稊?shù)特征引入神經(jīng)網(wǎng)絡(luò)，豐富了神經(jīng)網(wǎng)絡(luò)的形態(tài)，從而豐富了神經(jīng)網(wǎng)絡(luò)的特征空間，并改進(jìn)了網(wǎng)絡(luò)的泛化能力，增加了模型的表達(dá)能力，從而改善了模型的效果，獲取圖像質(zhì)量檢測模型的輸出數(shù)據(jù)作為圖像質(zhì)量檢測結(jié)果，進(jìn)而基于改進(jìn)的模型自動進(jìn)行圖像質(zhì)量檢測，有效保證了檢測效果，為解決機(jī)器視覺問題提供有力的數(shù)據(jù)基礎(chǔ)。本發(fā)明還可以應(yīng)用于智慧交通、智慧安防等場景中，從而推動智慧城市的建設(shè)。此外，本發(fā)明還涉及區(qū)塊鏈技術(shù)，圖像質(zhì)量檢測結(jié)果可存儲于區(qū)塊鏈節(jié)點(diǎn)中。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，尤其涉及一種圖像質(zhì)量檢測方法、裝置、設(shè)備及存儲介質(zhì)。

背景技術(shù)

現(xiàn)有的神經(jīng)網(wǎng)絡(luò)設(shè)計多在網(wǎng)絡(luò)結(jié)構(gòu)上進(jìn)行創(chuàng)新，或者在激活函數(shù)上進(jìn)行創(chuàng)新。前者是在宏觀結(jié)構(gòu)上進(jìn)行的，而后者是在組成單元上進(jìn)行的。但組成單元(即神經(jīng)元)還有一部分是線性單元，主要采用內(nèi)積的計算方法，但內(nèi)積在表達(dá)相似性時需要模板(即神經(jīng)元的參數(shù))的指導(dǎo)，而模板就存在著分量對齊的問題。

并且，由于采用了內(nèi)積線性單元，當(dāng)前的神經(jīng)網(wǎng)絡(luò)在應(yīng)用于CV(Computer Vision，計算機(jī)視覺)問題時總是會面臨諸多問題的困擾，如尺度問題、旋轉(zhuǎn)不變性問題等。內(nèi)積線性單元與多樣化的信號間存在一定的不匹配，是當(dāng)前網(wǎng)絡(luò)參數(shù)量通常大于訓(xùn)練數(shù)據(jù)的誘因之一，同時也在一定程度上影響了網(wǎng)絡(luò)的表達(dá)能力和泛化能力。

圖像質(zhì)量檢測作為CV問題的重要領(lǐng)域，重要應(yīng)用的是統(tǒng)計特征，但神經(jīng)網(wǎng)絡(luò)具有萬能逼近特性，如果最佳特征是幾種統(tǒng)計量，由深度學(xué)習(xí)來訓(xùn)練要搭建很多層網(wǎng)絡(luò)才能實現(xiàn)，訓(xùn)練難度較高。

發(fā)明內(nèi)容

鑒于以上內(nèi)容，有必要提供一種圖像質(zhì)量檢測方法、裝置、設(shè)備及存儲介質(zhì)，能夠有效保證圖像質(zhì)量檢測效果，為解決機(jī)器視覺問題提供有力的數(shù)據(jù)基礎(chǔ)。

本申請一方面提出一種圖像質(zhì)量檢測方法，所述圖像質(zhì)量檢測方法包括：

響應(yīng)于圖像質(zhì)量檢測指令，解析所述圖像質(zhì)量檢測指令，得到解析結(jié)果，并根據(jù)所述解析結(jié)果獲取初始模型；

采用張量范數(shù)特征構(gòu)建目標(biāo)神經(jīng)元；

識別所述初始模型中的線性單元，并以所述目標(biāo)神經(jīng)元替換所述線性單元，得到中間模型；

獲取訓(xùn)練數(shù)據(jù)，并以所述訓(xùn)練數(shù)據(jù)對所述中間模型進(jìn)行訓(xùn)練，得到圖像質(zhì)量檢測模型；

當(dāng)接收到待檢測圖像時，對所述待檢測圖像進(jìn)行特征截取，得到目標(biāo)圖像；

將所述目標(biāo)圖像輸入至所述圖像質(zhì)量檢測模型，并獲取所述圖像質(zhì)量檢測模型的輸出數(shù)據(jù)作為所述待檢測圖像的圖像質(zhì)量檢測結(jié)果。

根據(jù)本發(fā)明優(yōu)選實施例，所述解析所述圖像質(zhì)量檢測指令，得到解析結(jié)果，并根據(jù)所述解析結(jié)果獲取初始模型包括：

解析所述圖像質(zhì)量檢測指令的方法體，得到所述圖像質(zhì)量檢測指令所攜帶的信息；

獲取預(yù)設(shè)標(biāo)簽；

根據(jù)所述預(yù)設(shè)標(biāo)簽構(gòu)建正則表達(dá)式；

利用所述正則表達(dá)式在所述圖像質(zhì)量檢測指令所攜帶的信息中進(jìn)行遍歷，并將遍歷到的數(shù)據(jù)確定為所述初始模型的標(biāo)識；

根據(jù)所述初始模型的標(biāo)識獲取所述初始模型。

根據(jù)本發(fā)明優(yōu)選實施例，所述方法還包括：

采用張量范數(shù)特征根據(jù)下述公式構(gòu)建目標(biāo)神經(jīng)元：

其中，x為輸入，為范數(shù)算子，f為激活函數(shù)，y為所述目標(biāo)神經(jīng)元。

根據(jù)本發(fā)明優(yōu)選實施例，所述獲取訓(xùn)練數(shù)據(jù)包括：

確定檢測的圖像類型；