[發明專利]圖像檢測方法、裝置、計算機可讀存儲介質及計算機設備

有效

• 申請號: 202110804450.6
• 申請日: 2021-07-16
• 公開（公告）號: CN113284142B
• 公開（公告）日: 2021-10-29
• 發明（設計）人: 張博深;王亞彪;汪鋮杰;李季檁;黃飛躍
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳翼盛智成知識產權事務所(普通合伙) 44300
• 代理人: 李漢亮

本發明實施例公開了一種圖像檢測方法、裝置、計算機可讀存儲介質及計算機設備，通過獲取訓練樣本數據；將樣本圖像分別輸入到至少兩個神經網絡模型，得到輸出的模糊概率值集合；根據模糊概率值集合與標簽信息計算得到每個樣本圖像的損失參數；根據損失參數的分布從多個樣本圖像中選取目標樣本圖像，并基于目標樣本圖像對至少兩個神經網絡模型進行更新；返回執行上述步驟，直至至少兩個神經網絡模型收斂，得到訓練后的至少兩個神經網絡模型；采用訓練后的至少兩個神經網絡模型對待檢測圖像進行檢測，得到檢測結果。以此，本方法采用機器學習技術，通過采用多模型協同訓練對噪聲樣本進行篩選，改善模型訓練的效果，進而提高了圖像檢測的準確率。

技術領域

本發明涉及圖像處理技術領域，具體涉及一種圖像檢測方法、裝置、計算機可讀存儲介質及計算機設備。

背景技術

卷積神經網絡（Convolutional Neural Networks，CNN）是一類包含卷積計算且具有深度結構的前饋神經網絡（Feed Forward Neural Networks，FFNN），是深度學習（DeepLearning，DL）的代表算法之一。卷積神經網絡具有表征學習（Representation Learning，RL）能力，能夠按其階層結構對輸入信息進行平移不變分類，因此也被稱為“平移不變人工神經網絡（Shift-Invariant Artificial Neural Networks，SIANN）”。

近年來，卷積神經網絡相關技術發展迅速且應用也非常廣泛。例如在對圖像進行花屏檢測的場景中，使用卷積神經網絡構建圖像檢測模型，可以提高對圖像進行花屏檢測的效率。

然而，目前使用卷積神經網絡構建的圖像花屏檢測模型，在模型訓練階段所使用的訓練樣本圖像的花屏標簽為簡單的二值標簽，花屏圖像的二值標簽不準確會導致影響訓練得到的模型的性能，進而導致對圖像花屏檢測的準確性不高。

發明內容

本申請實施例提供一種圖像檢測方法、裝置、計算機可讀存儲介質及計算機設備，該方法可以改善圖像檢測模型的訓練效果，進而可以提升圖像檢測的準確性。

本申請第一方面提供一種圖像檢測方法，方法包括：

獲取訓練樣本數據，所述訓練樣本數據包括多個樣本圖像以及每個樣本圖像對應的標簽信息；

將每一樣本圖像分別輸入到至少兩個神經網絡模型，得到每一樣本圖像在所述至少兩個神經網絡模型下輸出的模糊概率值集合；

根據每個樣本圖像的模糊概率值集合與所述每個樣本圖像對應的標簽信息計算得到每個樣本圖像對應的損失參數；

根據所述每個樣本圖像對應的損失參數的分布從所述多個樣本圖像中選取目標樣本圖像，并基于所述目標樣本圖像對所述至少兩個神經網絡模型進行更新，得到更新后的至少兩個神經網絡模型；

返回執行將所述多個樣本圖像分別輸入到更新后的至少兩個神經網絡模型，得到每一樣本圖像在所述更新后的至少兩個神經網絡模型下輸出的模糊概率值集合和對應更新后的目標圖像并進行迭代訓練，直至所述至少兩個神經網絡模型收斂，得到訓練后的至少兩個神經網絡模型；

采用所述訓練后的至少兩個神經網絡模型對待檢測圖像進行模糊檢測，得到模糊檢測結果。

相應的，本申請第二方面提供一種圖像檢測裝置，裝置包括：

獲取單元，用于獲取訓練樣本數據，所述訓練樣本數據包括多個樣本圖像以及每個樣本圖像對應的標簽信息；

輸入單元，用于將每一樣本圖像分別輸入到至少兩個神經網絡模型，得到每一樣本圖像在所述至少兩個神經網絡模型下輸出的模糊概率值集合；

計算單元，用于根據每個樣本圖像的模糊概率值集合與所述每個樣本圖像對應的標簽信息計算得到每個樣本圖像對應的損失參數；