图像校验方法、训练方法、装置、介质、设备及程序产品制造方法及图纸

本申请的实施例公开了一种图像校验方法、训练方法、装置、介质、设备及程序产品，涉及图像处理技术领域，包括：将目标图像与若干预设图像分别输入已训练的孪生网络模型，获得若干相似度信息；根据相似度阈值与相似度信息，获得目标图像相对预设产品的归属结果，以完成图像校验。本申请通过目标图像与预设图像构建孪生网络模型，卷积神经网络准确提取图像的特征，孪生网络计算图像间的相似度，由于预设图像是用于训练缺陷检测模型，因此获得图像的相似度后，根据相似度阈值，能快速判断目标图像与训练检测模型的样本的相似情况，即可以提前判断出目标图像是否属于参与训练缺陷检测模型的图像，实现对目标图像相对预设产品是否为新产品的校验。新产品的校验。新产品的校验。

【技术实现步骤摘要】
图像校验方法、训练方法、装置、介质、设备及程序产品


[0001]本申请涉及图像处理
，具体涉及一种图像校验方法、训练方法、装置、介质、设备及程序产品。

技术介绍

[0002]面板制造过程中因工艺波动、机台差异等因素影响，会产生各种各样形态的缺陷。随着人工智能以及相应ADC自动检测系统的发展，面板自动检测已经成为了可能。由于检测模型的检测能力来源于对样本数据的学习，在特殊情况下，如出现了新产品，也即图片的背景、颜色、形状等发生改变，导致检测模型无法正常完成检出缺陷。而现目前缺乏一种检验手段，使得能够在图像输入检测模型之前，就获知其是否属于新产品。

技术实现思路

[0003]本申请的主要目的在于提供一种图像校验方法、训练方法、装置、介质、设备及程序产品，旨在解决现有技术中缺乏在图像输入检测模型之前就对其进行校验的手段的问题。
[0004]为实现上述目的，本申请的实施例采用的技术方案如下：第一方面，本申请实施例提供一种图像校验方法，包括以下步骤：将目标图像与若干预设图像分别输入已训练的孪生网络模型，获得若干相似度信息；其中，预设图像基于若干预设产品获得，预设图像用于训练缺陷检测模型，孪生网络基于卷积神经网络模型，分别对目标图像与预设图像进行特征提取后训练获得；根据相似度阈值与相似度信息，获得目标图像相对预设产品的归属结果，以完成图像校验。
[0005]通过目标图像与预设图像构建孪生网络模型，以卷积神经网络准确提取图像的特征，以孪生网络计算图像之间的相似度，由于预设图像是用于训练缺陷检测模型，因此获得目标图像与预设图像的相似度后，根据相似度阈值，能够快速判断目标图像与训练检测模型的样本的相似情况，也即可以提前判断出目标图像是否属于参与训练缺陷检测模型的图像，至此实现对目标图像相对预设产品是否为新产品的校验。
[0006]在第一方面的一种可能实现方式中，将目标图像与若干预设图像分别输入已训练的孪生网络模型，获得若干相似度信息之前，图像校验方法还包括：基于卷积神经网络模型，将目标图像与预设图像输入卷积神经网络模型的卷积层，分别提取目标图像与预设图像的特征区域；将特征区域输入卷积神经网络模型的池化层，分别获得目标图像与预设图像的特征；将目标图像与预设图像的特征，分别输入卷积神经网络模型的第一全连接层，获得第一目标特征与第一预设特征；将第一目标特征与第一预设特征，输入卷积神经网络模型的第二全连接层，获得
目标输出；根据目标输出，利用训练样本训练获得孪生网络模型。
[0007]提前训练模型以便于反复使用，以及提升图像校验的效率。卷积神经网络模型的特征提取层可以分为卷积层与池化层，卷积层通过卷积核的过滤提取出图片中局部的特征，获得目标图像与预设图像的特征区域。池化即下采样，目的是减少特征图，将目标图像与预设图像的特征区域池化后获得目标图像与预设图像的特征。池化层夹在连续的卷积层中间，用于压缩数据和参数的量，减小过度拟合，简而言之，如果输入的是图像的话，那么池化层的最主要作用就是压缩图像。最后在通过全连接层把所有局部特征结合变成全局特征，经过卷积层和池化层降维过的数据，全连接层才能高效率处理，不然数据量太大，计算成本高，效率低下。
[0008]在第一方面的一种可能实现方式中，将目标图像与预设图像的特征，分别输入卷积神经网络模型的第一全连接层，获得第一目标特征与第一预设特征之后，图像校验方法还包括：计算第一目标特征与第一预设特征的相似度；将第一目标特征与第一预设特征，输入卷积神经网络模型的第二全连接层，获得目标输出，包括：将计算了相似度的第一目标特征与第一预设特征，输入卷积神经网络模型的第二全连接层，获得目标输出。
[0009]在分别提取目标图像与预设图像的特征后，为了量化其相似度信息，配合神经网络提取特征后的输出形式，因此对第一目标特征与第一预设特征的相似度进行计算，相似度计算的方式包括有余弦相似度、杰卡德相似系数等，余弦相似度通过两向量之间夹角的余弦值来衡量相似度，杰卡德距离用两个集合中不同元素占所有元素的比例来衡量两个集合的区分度。
[0010]在第一方面的一种可能实现方式中，计算第一目标特征与第一预设特征的相似度，包括：采用曼哈顿距离比对方法，计算第一目标特征与第一预设特征的相似度。
[0011]通过引入曼哈顿距离衡量两图片之间的相似性，曼哈顿距离是一种使用在几何度量空间的几何学用语，用以标明两个点在标准坐标系上的绝对轴距总和。相比其他的如欧氏距离、切比雪夫距离的手段，采用曼哈顿距离具有更快的计算速度，不论两个对象的相对位置如何，只需要计算加减法即可获得相对距离，能够提升运算速度，使得对图像的校验更快。
[0012]在第一方面的一种可能实现方式中，根据目标输出，利用训练样本训练获得孪生网络模型之前，图像校验方法还包括：根据目标输出，确定损失函数；根据目标输出，利用训练样本训练获得孪生网络模型，包括：根据目标输出与损失函数，利用训练样本训练获得孪生网络模型。
[0013]损失函数是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型，例如在统计学和机器学习中被用于模型的参数估
计。损失函数用来评价模型的预测值和真实值不一样的程度，损失函数越好，通常模型的性能越好。
[0014]在第一方面的一种可能实现方式中，根据目标输出与损失函数，利用训练样本训练获得孪生网络模型，包括：根据目标输出与二值交叉熵损失函数，利用训练样本训练获得孪生网络模型。
[0015]由于输出结果为相似与不相似两种，也就是常说的二分类情形，因此采用匹配二分类情形，刻画两个概率分布之间的距离的二值交叉熵损失函数。解决平方损失函数权重更新过慢的问题，具有误差大的时候，权重更新快；误差小的时候，权重更新慢的良好性质，能够优化得到最优权重信息，加速模型的收敛。
[0016]在第一方面的一种可能实现方式中，根据目标输出，利用训练样本训练获得孪生网络模型之后，图像校验方法还包括：将测试图片输入孪生网络模型，获得测试结果；根据测试结果，调整孪生网络模型的参数。
[0017]在模型训练好之后且在其应用之前，利用测试图片对模型的效果进行验证，测试图片也即产品的图像，利用测试图片输入孪生网络模型，与预设图像进行对比，得出相应的相似度，通过相似度以及设定的阈值，可以快速得出图片是否是属于预设产品的，如果测试的结果明显与实际情况不符合，那么可以根据测试结果对应调整模型参数对模型进行优化。
[0018]在第一方面的一种可能实现方式中，根据相似度阈值与相似度信息，获得目标图像相对预设产品的归属结果，以完成图像校验，包括：根据相似度阈值与相似度信息，判断相似度信息是否大于相似度阈值，获得判断结果；根据判断结果，获得目标图像相对预设产品的归属结果，以完成图像校验。
[0019]对于图像的校验，虽然输出的是相似度信息，但是对于呈现的最终结果，能够直本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像校验方法，其特征在于，包括以下步骤：将目标图像与若干预设图像分别输入已训练的孪生网络模型，获得若干相似度信息；其中，所述预设图像基于若干预设产品获得，所述预设图像用于训练缺陷检测模型，所述孪生网络基于卷积神经网络模型，分别对所述目标图像与所述预设图像进行特征提取后训练获得；根据相似度阈值与所述相似度信息，获得所述目标图像相对所述预设产品的归属结果，以完成图像校验。2.根据权利要求1所述的图像校验方法，其特征在于，所述将目标图像与若干预设图像分别输入已训练的孪生网络模型，获得若干相似度信息之前，所述图像校验方法还包括：基于所述卷积神经网络模型，将所述目标图像与所述预设图像输入所述卷积神经网络模型的卷积层，分别提取所述目标图像与所述预设图像的特征区域；将所述特征区域输入所述卷积神经网络模型的池化层，分别获得所述目标图像与所述预设图像的特征；将所述目标图像与所述预设图像的特征，分别输入所述卷积神经网络模型的第一全连接层，获得第一目标特征与第一预设特征；将所述第一目标特征与所述第一预设特征，输入所述卷积神经网络模型的第二全连接层，获得目标输出；根据所述目标输出，利用训练样本训练获得所述孪生网络模型。3.根据权利要求2所述的图像校验方法，其特征在于，所述将所述目标图像与所述预设图像的特征，分别输入所述卷积神经网络模型的第一全连接层，获得第一目标特征与第一预设特征之后，所述图像校验方法还包括：计算所述第一目标特征与所述第一预设特征的相似度；所述将所述第一目标特征与所述第一预设特征，输入所述卷积神经网络模型的第二全连接层，获得目标输出，包括：将计算了相似度的所述第一目标特征与所述第一预设特征，输入所述卷积神经网络模型的第二全连接层，获得目标输出。4.根据权利要求3所述的图像校验方法，其特征在于，所述计算所述第一目标特征与所述第一预设特征的相似度，包括：采用曼哈顿距离比对方法，计算所述第一目标特征与所述第一预设特征的相似度。5.根据权利要求2所述的图像校验方法，其特征在于，所述根据所述目标输出，利用训练样本训练获得所述孪生网络模型之前，所述图像校验方法还包括：根据所述目标输出，确定损失函数；所述根据所述目标输出，利用训练样本训练获得所述孪生网络模型，包括：根据所述目标输出与所述损失函数，利用训练样本训练获得所述孪生网络模型。6.根据权利要求5所述的图像校验方法，其特征在于，所述根据所述目标输出与所述损失函数，利用训练样本训练获得所述孪生网络模型，包括：根据所述目标输出与二值交叉熵损失函数，利用训练样本训练获得所述孪生网络模型。7.根据权利要求2所述的图像校验方法，其特征在于，所述根据所述目标输出，利用训
练样本训练获得所述孪生网络模型之后，所述图像校验方法还包括：将测试图片输入所述孪生网络模型，获得测试结果；根据所述测试结果，调整所述孪生网络模型的参数。8.根据权利要求1所述的图像校验方法，其特征在于，所述根据相似度阈值与所述相似度信息，获得所述目标图像相对所述预设产品的归属结果，以完成图像校验，包括：根据相似度阈值与所述相似度信息，判断所述相似度信息是否大于相似度阈值，获得判断结果；根据所述判断结果，获得所述目标图像相对所述预设产品的归属结果，以完成图像校验。9.根据权利要求8所述的图像校验方法，其特征在于，所述根据所述判断结果...

【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：成都数之联科技股份有限公司，
类型：发明
国别省市：