图像检测方法、装置、设备、可读存储介质及程序产品制造方法及图纸

本申请实施例提供了图像检测方法、装置、设备、可读存储介质及程序产品，可应用于人工智能技术、工业质检等领域或场景，其中，该方法包括：利用根据正常样本图像和正常样本图像的插值样本图像训练得到的目标图像处理模型对待检测图像进行处理，得到待检测图像的重建图像；根据待检测图像和重建图像确定重建质量度量数据；利用待检测图像和待检测图像的插值图像对目标图像处理模型进行虚拟训练，并根据虚拟训练所涉及的相关数据确定梯度度量数据；根据重建质量度量数据和梯度度量数据确定图像检测结果。通过本申请实施例可以实现图像检测的自动化及智能化，从而提高图像检测效率、降低图像检测成本。低图像检测成本。低图像检测成本。

【技术实现步骤摘要】
图像检测方法、装置、设备、可读存储介质及程序产品


[0001]本申请涉及人工智能
，尤其涉及图像检测方法、图像检测装置、计算机设备、计算机可读存储介质及计算机程序产品。

技术介绍

[0002]工业质检是指对生产制造过程的工业产品进行质量检测、找到产品中存在的不同种类的缺陷的过程。工业质检能够及时快速地反映当前生产制造过程中存在的问题，有利于提高工业产品的生产效率。
[0003]人工质检是指由专业质检人员对待检测工业产品或者针对工业产品拍摄的待检测图像进行质量检测的方法。由于人工质检高度依赖于专业质检人员的专业技术和经验，因此，人工质检方法的检测效率较低，检测成本较高。

技术实现思路

[0004]本申请实施例提供了图像检测方法、装置、设备、可读存储介质及程序产品，可以实现图像检测的自动化及智能化，从而有效提高图像检测的检测效率，降低检测成本。
[0005]一方面，本申请实施例提供了一种图像检测方法，所述方法包括：
[0006]利用目标图像处理模型的特征提取网络对待检测图像进行特征提取处理，得到所述待检测图像的图像特征；
[0007]利用所述目标图像处理模型的图像重建网络根据所述图像特征进行图像重建处理，得到所述待检测图像的重建图像；所述目标图像处理模型是利用正常样本图像和所述正常样本图像的插值样本图像训练得到；
[0008]根据所述待检测图像和所述重建图像确定重建质量度量数据；
[0009]获取所述待检测图像的插值图像，利用所述待检测图像和所述插值图像对所述目标图像处理模型进行虚拟训练，并根据虚拟训练所涉及的相关数据确定所述目标图像处理模型的梯度度量数据；
[0010]根据所述重建质量度量数据和所述梯度度量数据确定所述待检测图像的图像检测结果，所述图像检测结果用于指示所述待检测图像为正常图像或者异常图像。
[0011]一方面，本申请实施例提供了一种图像检测装置，所述装置包括：
[0012]处理单元，用于利用目标图像处理模型的特征提取网络对待检测图像进行特征提取处理，得到所述待检测图像的图像特征；
[0013]所述处理单元，还用于利用所述目标图像处理模型的图像重建网络根据所述图像特征进行图像重建处理，得到所述待检测图像的重建图像；所述目标图像处理模型是利用正常样本图像和所述正常样本图像的插值样本图像训练得到；
[0014]计算单元，用于根据所述待检测图像和所述重建图像确定重建质量度量数据；
[0015]获取单元，用于获取所述待检测图像的插值图像，利用所述待检测图像和所述插值图像对所述目标图像处理模型进行虚拟训练，并根据虚拟训练所涉及的相关数据确定所
述目标图像处理模型的梯度度量数据；
[0016]所述计算单元，还用于根据所述重建质量度量数据和所述梯度度量数据确定所述待检测图像的图像检测结果，所述图像检测结果用于指示所述待检测图像为正常图像或者异常图像。
[0017]一方面，本申请实施例提供了一种计算机设备，包括：处理器、通信接口和存储器，所述处理器、所述通信接口和所述存储器相互连接，其中，所述存储器存储有可执行程序代码，所述处理器用于调用所述可执行程序代码，实现本申请实施例提供的图像检测方法。
[0018]相应地，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机实现本申请实施例提供的图像检测方法。
[0019]相应地，本申请实施例还提供了一种计算机程序产品，所述计算机程序产品包括计算机程序或计算机指令，所述计算机程序或计算机指令存储在计算机可读存储介质中。计算机设备的处理器从所述计算机可读存储介质读取所述计计算机程序或算机指令，处理器执行所述计算机程序或计算机指令，使得所述计算机设备实现本申请实施例提供的图像检测方法。
[0020]本申请中，利用根据正常样本图像和插值样本图像训练得到的目标图像处理模型对待检测图像进行处理，得到待检测图像的重建图像，并根据待检测图像和重建图像确定重建质量度量数据；利用待检测图像和待检测图像的插值图像对目标图像处理模型进行虚拟训练，并根据虚拟训练所涉及的相关数据确定目标图像处理模型的梯度度量数据；根据重建质量度量数据和梯度度量数据确定指示待检测图像为正常图像或者异常图像的图像检测结果。通过本申请实施例提供的图像检测方法，可以根据图像处理模型对待检测图像处理过程所涉及的相关数据(包括待检测图像的重建图像、插值图像、虚拟训练所涉及的相关数据)，准确确定待检测图像是否为正常图像，实现图像检测的自动化及智能化，有效提高图像检测效率、降低图像检测成本；本申请中的图像处理模型是仅根据正常样本图像训练得到的，由于工业生产线的产品良率较高，正常样本图像的获取途径较多、获取速度较快，因此本申请中的图像处理模型的模型训练效率较高；由于本申请中的图像处理模型是根据正常样本图像训练得到的，则利用该图像处理模型对正常图像进行处理得到的重建质量度量数据和梯度度量数据通常较小，利用该图像处理模型对异常图像进行处理得到的重建质量度量数据和梯度度量数据通常较大，因此，可以根据图像处理模型对待检测图像进行处理得到的重建质量度量数据和梯度度量数据，确定待检测图像是否为正常图像；结合重建质量度量数据和梯度度量数据这两个维度的数据，能够更加准确地确定待检测图像是否为正常图像。
附图说明
[0021]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0022]图1是本申请实施例提供的一种图像检测系统的系统架构示意图；
[0023]图2是本申请实施例提供的一种图像处理方法的流程示意图；
[0024]图3是本申请实施例提供的一种虚拟训练方法的示意图；
[0025]图4示出了本申请实施例提供的一种数据确定方法；
[0026]图5示出了本申请实施例提供的一种梯度度量数据的确定方法；
[0027]图6示出了本申请实施例提供的一种图像检测方法；
[0028]图7是本申请实施例提供的一种模型训练方法的流程示意图；
[0029]图8A示出了本申请实施例提供的另一种模型训练方法；
[0030]图8B示出了本申请实施例提供的另一种模型训练方法；
[0031]图9是本申请实施例提供的一种图像检测装置的结构示意图；
[0032]图10是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
[0033]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，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，所述方法包括：利用目标图像处理模型的特征提取网络对待检测图像进行特征提取处理，得到所述待检测图像的图像特征；利用所述目标图像处理模型的图像重建网络根据所述图像特征进行图像重建处理，得到所述待检测图像的重建图像；所述目标图像处理模型是利用正常样本图像和所述正常样本图像的插值样本图像训练得到；根据所述待检测图像和所述重建图像确定重建质量度量数据；获取所述待检测图像的插值图像，利用所述待检测图像和所述插值图像对所述目标图像处理模型进行虚拟训练，并根据虚拟训练所涉及的相关数据确定所述目标图像处理模型的梯度度量数据；根据所述重建质量度量数据和所述梯度度量数据确定所述待检测图像的图像检测结果，所述图像检测结果用于指示所述待检测图像为正常图像或者异常图像。2.根据权利要求1所述的方法，其特征在于，所述利用所述待检测图像和所述插值图像对所述目标图像处理模型进行虚拟训练，并根据虚拟训练所涉及的相关数据确定所述目标图像处理模型的梯度度量数据，包括：在第I虚拟训练阶段，利用在第I
‑
1虚拟训练阶段虚拟训练后的图像处理模型分别对所述待检测图像和所述插值图像进行处理，得到所述待检测图像的参考图像特征和重建参考图像、所述插值图像的插值图像特征和重建插值图像；根据所述待检测图像、所述参考图像特征、所述重建参考图像、所述插值图像、所述插值图像特征、所述重建插值图像、所述在第I
‑
1虚拟训练阶段虚拟训练后的图像处理模型的模型参数，确定所述第I虚拟训练阶段的模型差异数据和目标模型参数梯度；并利用所述第I虚拟训练阶段的模型差异数据对所述在第I
‑
1虚拟训练阶段虚拟训练后的图像处理模型进行再次虚拟训练，得到在第I虚拟训练阶段虚拟训练后的图像处理模型；根据各个虚拟训练阶段的目标模型参数梯度确定所述目标图像处理模型的梯度度量数据；其中，I为小于或者等于T的任意一个正整数，T为虚拟训练总阶段数，T为大于1的整数；当I为1时，在第I
‑
1虚拟训练阶段虚拟训练后的图像处理模型为所述目标图像处理模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述待检测图像、所述参考图像特征、所述重建参考图像、所述插值图像、所述插值图像特征、所述重建插值图像、所述在第I
‑
1虚拟训练阶段虚拟训练后的图像处理模型的模型参数，确定所述第I虚拟训练阶段的模型差异数据和目标模型参数梯度，包括：根据所述参考图像特征和所述插值图像特征确定第一特征差异数据；根据所述待检测图像和所述重建参考图像之间的差异、所述插值图像和所述重建插值图像之间的差异，确定第一重建差异数据；根据所述第一特征差异数据、所述第一重建差异数据、所述在第I
‑
1虚拟训练阶段虚拟训练后的图像处理模型的模型参数，确定所述第I虚拟训练阶段的模型差异数据和目标模型参数梯度。4.根据权利要求3所述的方法，其特征在于，所述根据所述第一特征差异数据、所述第一重建差异数据、所述在第I
‑
1虚拟训练阶段虚拟训练后的图像处理模型的模型参数，确定
所述第I虚拟训练阶段的模型差异数据和目标模型参数梯度，包括：根据所述第一特征差异数据、所述第一重建差异数据、所述在第I
‑
1虚拟训练阶段虚拟训练后的图像处理模型的模型参数，确定所述第I虚拟训练阶段的中间模型参数梯度；当I为1时，根据所述第I虚拟训练阶段的中间模型参数梯度，确定所述第I虚拟训练阶段的梯度差异数据；当I大于1时，获取记录的第1虚拟训练阶段至第I
‑
1虚拟训练阶段中各个虚拟训练阶段的中间模型参数梯度，根据所述第1虚拟训练阶段至所述第I
‑
1虚拟训练阶段中各个虚拟训练阶段的中间模型参数梯度、所述第I虚拟训练阶段的中间模型参数梯度，确定所述第I...

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