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：