【技术实现步骤摘要】
图像检测方法、装置、电子设备及可读存储介质
本申请涉及图像处理
，具体而言，涉及一种图像检测方法、装置、电子设备及可读存储介质。
技术介绍
现有的黑头检测方法通常都采用传统检测方法，例如利用图像的梯度、亮度、边缘、形状、颜色、大小信息等作为检测结果，按照响应的黑头检测规则将黑头从图像的背景信息中剥离出来。这种方案的缺点在于，无法定制一个较为完善的黑头检测规则来适应所有皮肤环境的变化，从而无法很好地区分黑头和其它瑕疵(例如斑、阴影等)。而传统方案中，采用深度学习的黑头检测方案则存在较大的性能损耗，并且信息表达能力有限，往往可能导致训练出来的黑头检测模型的检测准确率不高。
技术实现思路
有鉴于此，本申请的目的在于提供一种图像检测方法、装置、电子设备及可读存储介质，能够在复杂背景或者多变背景下提高黑头检测的准确性，有效适应各种皮肤环境的变化，同时提高检测准确率，在不减少检测精度的前提下极大地提高了黑头检测速度，降低性能损耗。根据本申请的一方面，提供一种图像检测方法，应用于电子设备，所述方法...
【技术保护点】
1.一种图像检测方法，其特征在于，应用于电子设备，所述方法包括：/n获取待检测黑头的第一图像；/n对所述第一图像进行尺寸转换，得到对应的不同尺寸的第二图像；/n将每种尺寸的第二图像输入至预先训练的黑头检测模型中，分别通过所述黑头检测模型中与每种尺寸对应的残差网络结构输出每种尺寸对应的黑头热图；/n对所述每种尺寸的第二图像对应的黑头热图进行加权处理，得到黑头检测结果。/n
【技术特征摘要】
1.一种图像检测方法，其特征在于，应用于电子设备，所述方法包括：
获取待检测黑头的第一图像；
对所述第一图像进行尺寸转换，得到对应的不同尺寸的第二图像；
将每种尺寸的第二图像输入至预先训练的黑头检测模型中，分别通过所述黑头检测模型中与每种尺寸对应的残差网络结构输出每种尺寸对应的黑头热图；
对所述每种尺寸的第二图像对应的黑头热图进行加权处理，得到黑头检测结果。
2.根据权利要求1所述的图像检测方法，其特征在于，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，所述分别通过所述黑头检测模型中与每种尺寸对应的残差网络结构输出每种尺寸对应的黑头热图的步骤，包括：
通过第一尺寸、第二尺寸和第三尺寸对应的残差网络结构输出第一尺寸、第二尺寸和第三尺寸分别对应的第一特征图、第二特征图以及第三特征图；
对所述第一特征图进行上采样后与所述第二特征图进行融合，并将融合后的第四特征图进行卷积操作得到第一黑头热图；
对所述第四特征图进行上采样后与所述第二特征图进行融合，并将融合后的第五特征图进行卷积操作得到第二黑头热图；
对所述第三特征图进行上采样，得到第三黑头热图。
3.根据权利要求1所述的图像检测方法，其特征在于，所述黑头检测模型通过以下步骤训练得到：
获取训练样本集和测试样本集，所述训练样本集中包括多个标注有黑头区域的鼻子区域样本，所述测试样本集包括有多个未标注有黑头区域的鼻子区域样本；
根据所述训练样本集对待训练的卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；
根据所述测试样本集对所述训练后的卷积神经网络模型进行测试，并在测试结果满足预设条件时，获得训练得到的黑头检测模型。
4.根据权利要求3所述的图像检测方法，其特征在于，所述根据所述训练样本集对待训练的卷积神经网络模型进行训练，得到训练后的卷积神经网络模型的步骤之前，所述方法还包括：
对所述训练样本集进行样本增益，并将样本增益后的训练样本集中的每个鼻子区域样本的尺寸调整为设定尺寸，以根据调整后的训练样本集对待训练的卷积神经网络模型进行训练。
5.根据权利要求3所述的图像检测方法，其特征在于，所述根据所述训练样本集对待训练的卷积神经网络模型进行训练，得到训练后的卷积神经网络模型的步骤，包括：
针对所述训练样本集中的每个鼻子区域样本，对该鼻子区域样本进行尺寸转换后，分别通过所述卷积神经网络模型中与每种尺寸对应的残差网络结构输出每种尺寸的鼻子区域样本对应的黑头热图；
计算所述每种尺寸的鼻子区域样本对应的黑头热图与该鼻子区域样本上标注的黑头区域之间的交叉熵损失函数值；
根据计算得到的每个交叉熵损失函数值进行反向传播训练...
【专利技术属性】
技术研发人员：杨小栋，黄炜，王喆，张伟，许清泉，
申请(专利权)人：厦门美图之家科技有限公司，
类型：发明
国别省市：福建;35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。