图像检测方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种图像检测方法、装置、设备及存储介质，包括：获取待检测图像和图像训练样本集合；其中，每个图像训练样本中包括未含有目标对象的背景图像和含有目标对象的前景图像；获取网络模型，网络模型用于对图像训练样本进行优先背景采样，以及计算图像训练样本中背景图像的难度系数；基于图像训练样本集合训练网络模型，生成检测模型；根据检测模型检测待检测图像，生成检测结果。上述方案中设计的网络模型可以计算得到图像训练样本中背景图像的难度系数，基于不同难度系数的图像训练样本对网络模型进行训练，可以得到对复杂背景图像学习效果较好的检测模型，进而提高检测模型对图像的检测精度，降低图像背景的假阳率。率。率。

【技术实现步骤摘要】
图像检测方法、装置、设备及存储介质


[0001]本申请实施例涉及图像识别领域，尤其涉及一种图像检测方法、装置、设备及存储介质。

技术介绍

[0002]在目标检测领域，在例如安检、工业质检、医疗等存在大量背景图像的场景下，采用基础检测算法进行目标检测时，因存在对复杂背景特征学习困难、学习不充分等问题，导致在背景图像上存在较高的假阳率，从而降低检测效率。目前，对常用的基础检测算法进行了优化，例如，OHEM、Focal loss算法等，以降低目标检测的假阳率。但是，在图像复杂的场景下，上述优化后的算法仍然不能精准、高效地检测复杂图像的目标对象。

技术实现思路

[0003]本申请实施例提供了一种图像检测方法、装置、设备及存储介质，可以得到对复杂背景图像学习效果较好的检测模型，进而提高检测模型对图像的检测精度，降低图像背景的假阳率。
[0004]第一方面，本申请实施例还提供了一种图像检测方法，该方法包括：获取待检测图像和图像训练样本集合；其中，每个图像训练样本中包括未含有目标对象的背景图像和含有目标对象的前景图像；获取网络模型，网络模型用于对图像训练样本进行优先背景采样，以及计算图像训练样本中背景图像的难度系数；基于图像训练样本集合训练网络模型，生成检测模型；根据检测模型检测待检测图像，生成检测结果。
[0005]第二方面，本申请实施例还提供了一种图像检测装置，该装置包括：获取模块，用于获取待检测图像和图像训练样本集合；其中，每个图像训练样本中包括未含有目标对象的背景图像和含有目标对象的前景图像；获取模块，还用于获取网络模型，网络模型用于对图像训练样本进行优先背景采样，以及计算图像训练样本中背景图像的难度系数；训练模块，用于基于图像训练样本集合训练网络模型，生成检测模型；检测模块，用于根据检测模型检测待检测图像，生成检测结果。
[0006]第三方面，本申请实施例还提供了一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，当处理器执行计算机程序时，实现如本申请任意实施例提供的图像检测方法。
[0007]第四方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如本申请任意实施例提供的图像检测方法。
[0008]本申请实施例提供了一种图像检测方法、装置、设备及存储介质，该方法包括：获取待检测图像和图像训练样本集合；其中，每个图像训练样本中包括未含有目标对象的背景图像和含有目标对象的前景图像；获取网络模型，网络模型用于对图像训练样本进行优先背景采样，以及计算图像训练样本中背景图像的难度系数；基于图像训练样本集合训练网络模型，生成检测模型；根据检测模型检测待检测图像，生成检测结果。由于上述方案中设计的网络模型可以计算得到图像训练样本中背景图像的难度系数，那么基于该难度系数可以直观地确定各图像训练样本中背景图像的复杂程度，基于不同背景复杂程度的图像训练样本对网络模型进行训练，可以得到对复杂背景图像学习效果较好的检测模型，进而提高检测模型对图像的检测精度，降低图像背景的假阳率。
附图说明
[0009]图1为本申请实施例中的一种图像检测方法的流程图；图2是本申请实施例中的获取图像训练样本的示意图；图3是本申请实施例中的一种基于优先背景采样策略对候选框集合进行采样的方法流程图；图4是本申请实施例中的一种确定难例背景图像集合的方法流程图；图5是本申请实施例中的一种图像检测装置的结构示意图；图6是本申请实施例中的计算机设备的结构示意图。
具体实施方式
[0010]下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
[0011]另外，在本申请实施例中，“可选地”或者“示例性地”等词用于表示作例子、例证或说明。本申请实施例中被描述为“可选地”或者“示例性地”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“可选地”或者“示例性地”等词旨在以具体方式呈现相关概念。
[0012]图1为本申请实施例提供的一种图像检测方法的流程图，该方法可以应用于存在大量背景画面但目标对象较少的复杂图像场景下，例如，安检场景（比如，正常运输物品较多，仅存在个别违禁物品）等。本申请实施例中设计的检测模型对复杂图像中的图像背景具有较好的学习效果，可以高效、精准地检测出各类场景下，复杂图像中的目标对象。该方法可以由本申请实施例提供的图像检测装置来执行，该装置可采用软件和/或硬件的方式实现。在一个具体的实施例中，该装置可以集成在计算机设备中，计算机设备比如可以是服务器。以下实施例将以该装置集成在计算机设备中为例进行说明，如图1所示，该方法可以包括但不限于以下步骤：S101、获取待检测图像和图像训练样本集合。
[0013]本申请实施例中的待检测图像可以为在各类应用场景下，通过采集设备采集到的图像。进一步地，该待检测图像可以包括复杂图像，比如，安检场景下，对用户携带的行李箱中的物品进行扫描、采集，若行李箱中携带数量较多的物品，其中有一件体积较小的违禁物
品，那么采集到的关于该行李箱的图片即可以被认为是复杂图像。
[0014]图像训练样本集合中每个图像训练样本可以包含有背景图像和前景图像，其中，背景图像可以理解为图像中不存在需要识别的目标对象，前景图像可以理解为图像中存在需要识别的目标对象，该目标对象为与当前应用场景相关的对象，例如，安检场景下的违禁物品，工业质检场景下零件的瑕疵等。示例性地，获取图像训练样本集合的实现方式可以包括：在获取的现有的图像中进行目标对象标注，将标注有目标对象的图像构成的集合确定为前景图像集合F，将未标注有目标对象的图像构成的集合确定为背景图像集合B，其中，集合B中图像的数量远大于集合F中图像的数量，即背景图像的数量远大于前景图像的数量，这样可以便于网络模型对背景图像进行较好的学习。在集合F与集合B中各随机选取一张前景图像和背景图像，将两张图像进行拼接，得到图像训练样本I，并将背景图像在图像训练样本I中的坐标标记为Bg。进一步地，为了保证背景图像和前景图像无法完全对齐时，无效面积最小，在拼接时，可以对两种图像进行翻转和旋转处理，并以两张图像的长边为基准进行对齐，无法对齐的区域可以用255像素填充。示例性地，该拼接过程可以如图2所示。
[0015]S102、获取网络模型。
[0016]在本申请实施例中，选用的网络模型可以为基于锚框的网络模型，即该网络模型具有标注锚框的功能。进一步地，该网络模型还可以用于对上述获取的图像训练样本进行优先背景采样，并计算图像训练样本中背景图像的难度系数。
[0017]S103、基于图像训练样本集合训练网络模型，生成检测模型。
[0018]示例性地，本申请实施例中，训练网络模型的实现方式可以包括：基于网络模型对图像训练样本集合中的每个样本进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像检测方法，其特征在于，包括：获取待检测图像和图像训练样本集合；其中，每个图像训练样本中包括未含有目标对象的背景图像和含有目标对象的前景图像；获取网络模型，所述网络模型用于对所述图像训练样本进行优先背景采样，以及计算所述图像训练样本中背景图像的难度系数；基于所述图像训练样本集合训练所述网络模型，生成检测模型；根据所述检测模型检测所述待检测图像，生成检测结果。2.根据权利要求1所述的方法，其特征在于，所述基于所述图像训练样本集合训练所述网络模型，生成检测模型，包括：基于所述网络模型对所述图像训练样本集合中的每个样本进行处理，生成候选框集合；通过所述网络模型基于优先背景采样策略对所述候选框集合进行采样，生成采样样本集合；基于所述网络模型对所述采样样本集合进行处理，生成采样样本对应图像训练样本所包含的背景图像的难度系数；通过所述网络模型基于所述背景图像的难度系数，确定难例背景图像集合；通过所述网络模型对所述难例背景图像集合进行处理，将处理所述难例背景图像集合后得到的网络模型确定为检测模型。3.根据权利要求2所述的方法，其特征在于，所述通过所述网络模型基于优先背景采样策略对所述候选框集合进行采样，生成采样样本集合，包括：以遍历的方式确定所述候选框集合中的未含有目标对象的候选框，并将确定的候选框标记为候选框负样本；分别计算所述候选框负样本与所述候选框负样本对应图像训练样本所包含的背景图像之间的交并比IOU；选取大于预设值的IOU对应的候选框负样本，并将选取的候选框负样本添加至备份集合中；根据所述备份集合中候选框负样本的数量确定采样样本集合。4.根据权利要求3所述的方法，其特征在于，所述根据所述备份集合中候选框负样本的数量确定采样样本集合，包括：将所述备份集合中候选框负样本的数量与预设负样本数量N进行比较，N为大于0的整数；在所述备份集合中候选框负样本的数量小于或等于1/2*N的情况下，确定所述备份集合中候选框负样本的数量少于所述N的样本数n；对所述每个图像训练样本包含的前景图像中未含有目标对象的候选框负样本进行随机采样，确定n个随机采样样本，n为大于0的整数，且n小于或等于N；将所述备份集合中的候选框负样本和所述随机采样样本构成的集合确定为采样样本集合。5.根据权利要求3所述的方法，其特征在于，所述根据所述备份集合中候选框负样本的
数量确定采样样本集合，包括：将所述备份集合中候选框负样本的数量与预设负样本数量N进行比较，N为大于0的整数；在所述备份集合中候选框负样本的数量大于1/2*N的情况下，以随机采样的...

【专利技术属性】
技术研发人员：王威，李一清，宋志龙，周凯，
申请(专利权)人：浙江啄云智能科技有限公司，
类型：发明
国别省市：