一种图像处理的方法、装置、设备、存储介质及程序产品制造方法及图纸

本申请实施例公开了一种图像处理的方法、装置、设备、存储介质及程序产品，至少涉及人工智能等技术。该方法能够以较少的标注数据来训练目标图像检测模型，实现对待标注图像的图像缺陷检测。该方法包括：获取多个待标注图像；基于高斯混合预测模型对每个待标注图像进行图像价值预估处理，得到每个待标注图像的图像价值置信度；基于每个待标注图像的图像价值置信度从多个待标注图像中选取目标待标注图像；基于目标标注图像和初始标注图像对初始图像检测模型进行模型参数更新，得到目标图像检测模型；基于目标图像检测模型对每个待标注图像进行图像检测处理，得到每个待标注图像的图像缺陷结果。陷结果。陷结果。

【技术实现步骤摘要】
一种图像处理的方法、装置、设备、存储介质及程序产品


[0001]本申请实施例涉及人工智能
，具体涉及一种图像处理的方法、装置、设备、存储介质及程序产品。

技术介绍

[0002]目标检测是对图像中物体进行定位和识别的技术，是计算机视觉的三个基本任务之一。近年来，随着深度学习的发展，目标检测在各个领域不断取得突破。基于深度学习的目标检测算法能够从训练数据中自动挖掘与任务相关的信息，提取更加鲁棒的特征。
[0003]目前两步法(Two
‑
stage detector)是目前精度较高且训练稳定的目标检测方法。在两步法中，通常是基于Faster R
‑
CNN模型来实现对工业场景中的图像缺陷进行检测，具体通过Faster R
‑
CNN模型中的区域建议网络(region proposal network，RPN)网络预测得到图像的多个检测框，并通过Faster R
‑
CNN模型中的区域卷积神经网络(region convolutional neural network，R<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理的方法，其特征在于，包括：获取多个待标注图像；基于高斯混合预测模型对每个所述待标注图像进行图像价值预估处理，得到每个所述待标注图像的图像价值置信度，所述高斯混合预测模型是以初始标注图像为训练数据进行迭代训练得到的机器学习模型；基于所述每个所述待标注图像的图像价值置信度从多个待标注图像中选取目标待标注图像；基于目标标注图像和所述初始标注图像对初始图像检测模型进行模型参数更新，得到目标图像检测模型，所述目标标注图像是对所述目标待标注图像进行标签标注处理得到的；基于所述目标图像检测模型对每个所述待标注图像进行图像检测处理，得到每个所述待标注图像的图像缺陷结果。2.根据权利要求1所述的方法，其特征在于，所述基于高斯混合预测模型对每个所述待标注图像进行图像价值预估处理，得到每个所述待标注图像的图像价值置信度，包括：提取第一待标注图像的至少一个第一特征图，所述第一待标注图像为所述多个待标注图像中的任意一个；对每个所述第一特征图上生成的各个所述锚点框内的第二特征图进行分类处理和回归处理，得到每个所述锚点框的第一特征向量和第二特征向量，所述第一特征向量用于指为对应锚点框的分类结果的高斯混合概率分布，所述第二特征向量为对应锚点框的检测框结果的高斯混合概率分布；基于每个所述锚点框的第一特征向量和第二特征向量计算对应所述锚点框的类别价值置信度，所述锚点框的类别价值置信度用于指示所述第一待标注图像在对应所述锚点框所对应的类别的价值程度；基于所述每个锚点框的类别价值置信度计算所述第一待标注图像的图像价值置信度。3.根据权利要求2所述的方法，其特征在于，基于每个所述锚点框的第一特征向量和第二特征向量计算对应所述锚点框的类别价值置信度，包括：从第一锚点框的第一特征向量中提取分类均值信息、分类权重信息以及分类方差信息，以及从所述第一锚点框的第二特征向量中提取回归均值信息、回归权重信息以及回归方差信息，所述第一锚点框为所述各个锚点框中的任意一个锚点框；基于所述分类方差信息和所述分类权重信息计算所述第一锚点框的第一分类置信度，以及基于所述分类均值信息和所述分类权重信息计算所述第一锚点框的第二分类置信度；基于所述回归方差信息和所述回归权重信息计算所述第一锚点框的第一回归置信度，以及基于所述回归均值信息和所述回归权重信息计算所述第一锚点框的第二回归置信度；基于所述第一分类置信度、所述第二分类置信度、所述第一回归置信度以及所述第二回归置信度计算所述第一锚点框的类别价值置信度。4.根据权利要求3所述的方法，其特征在于，所述基于所述分类方差信息和所述分类权重信息计算所述第一锚点框的第一分类置信度，包括：基于每个预测子模型，将所述分类权重信息对所述分类方差信息进行加权处理，得到对应所述预测子模型中所述第一锚点框的第一分类置信值，所述高斯混合预测模型包括所
述预测子模型；对所述每个预测子模型中的所述第一锚点框的第一分类置信值进行求和处理，得到所述第一锚点框的第一分类置信度。5.根据权利要求3所述的方法，其特征在于，所述基于所述分类均值信息和所述分类权重信息计算所述第一锚点框的第二分类置信度，包括：基于所述分类权重信息和所述分类均值信息，计算所述第一锚点框的目标分类均值；计算所述分类均值信息与所述目标分类均值之间的距离差值；基于每个预测子模型，将所述分类权重信息对所述距离差值进行加权处理，得到对应所述预测子模型中所述第一锚点框的第二分类置信值，所述高斯混合预测模型包括所述预测子模型；对所述每个预测子模型中的所述第一锚点框的第二分类置信值进行求和处理，得到所述第一锚点框的第二分类置信度。6.根据权利要求5所述的方法，其特征在于，基于所述分类权重信息和所述分类均值信息，计算所述第一锚点框的目标分类均值，包括：基于每个预测子模型，将所述分类权重信息对所述分类方差信息进行加权处理，得到对应预测子模型中所述第一锚点框的目标分类置信值；对所述每个预测子模型中的所述第一锚点框的目标分类置信值进行求和处理，得到所...

【专利技术属性】
技术研发人员：李剑，王昌安，张博深，王亚彪，汪铖杰，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：