图像检测方法、装置、计算机可读介质及电子设备与流程

本技术属于图像处理，具体涉及一种图像检测方法、装置、计算机可读介质以及电子设备。

背景技术：

1、图像检测技术是图像处理领域中的一种重要技术，一种常用的应用场景是通过图像检测技术来确定所检测图像是否存在异常，例如，在纺织品生产过程中，通常对纺织面料拍摄图像，然后通过图像检测技术确定纺织面料是否存在瑕疵。目前常用的图像检测方法是使用目标检测算法进行检测，预先使用大量数据训练模型，然后将所拍摄图像输入至模型，通过模型找出有可能存在的缺陷类型。然而，这种检测方法对模型训练数据中存在的缺陷具有较好的检出率，但是难以检测出训练数据中未涉及的缺陷类型，检测的准确性较低。

技术实现思路

1、本技术的目的在于提供一种图像检测方法、装置、计算机可读介质以及电子设备，以提高异常图像的检测准确性。

2、本技术的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本技术的实践而习得。

3、根据本技术实施例的一个方面，提供一种图像检测方法，包括：

4、获取待检测图像和所述待检测图像对应的模板图像；

5、通过目标图像检测模型，分别对所述待检测图像中的多个待检测图像区域和所述模板图像中的多个模板图像区域进行图像特征提取，得到多个待检测图像区域特征和多个模板图像区域特征；所述目标图像检测模型是通过两个样本图像的异常区域的检测训练，以及所述两个样本图像在非异常区域的图像特征的语义一致训练得到的；

6、通过所述目标图像检测模型，根据所述多个待检测图像区域特征与所述多个模板图像区域特征之间的特征差值，确定待检测图像的异常区域。

7、根据本技术实施例的一个方面，提供一种图像检测装置，包括：

8、图像获取模块，用于获取待检测图像和所述待检测图像对应的模板图像；

9、特征提取模块，用于通过目标图像检测模型，分别对所述待检测图像中的多个待检测图像区域和所述模板图像中的多个模板图像区域进行图像特征提取，得到多个待检测图像区域特征和多个模板图像区域特征；所述目标图像检测模型是通过两个样本图像的异常区域的检测训练，以及所述两个样本图像在非异常区域的图像特征的语义一致训练得到的；

10、图像检测模块，用于通过所述目标图像检测模型，根据所述多个待检测图像区域特征与所述多个模板图像区域特征之间的特征差值，确定待检测图像的异常区域。

11、在本技术的一个实施例中，所述装置还包括：

12、初始模型获取模块，用于获取初始图像检测模型，所述初始图像检测模型包括第一主干网络、第二主干网络和分割网络，所述第一主干网络和所述第二主干网络相同，所述第一主干网络用于提取所述两个样本图像中一个样本图像的特征，所述第二主干网络用于提取所述两个样本图像中另一个样本图像的特征，所述分割网络用于根据所述第一主干网络和所述第二主干网络提取的特征确定所述两个样本图像的异常区域；

13、语义一致训练模块，用于通过所述第一主干网络和所述第二主干网络提取的特征，进行所述两个样本图像在非异常区域的图像特征的语义一致训练，以更新所述初始图像检测模型的权重；

14、异常检测训练模块，用于通过所述第一主干网络和所述第二主干网络提取的特征，进行所述两个样本图像的异常区域的检测训练，以更新所述初始图像检测模型的权重；

15、目标模型生成模块，用于将训练好的所述初始图像检测模型，作为所述目标图像检测模型。

16、在本技术的一个实施例中，所述语义一致训练模块包括：

17、聚类单元，用于基于目标对象的第一样本图像中的多个图像区域特征，获取所述多个图像区域特征对应的多个目标聚类中心；

18、第一特征获取单元，用于通过所述第一主干网络，获取所述目标对象的第二样本图像中的多个图像区域特征；

19、第一匹配情况获取单元，用于获取所述第二样本图像中在非异常区域的多个图像区域特征与所述多个目标聚类中心的匹配情况；

20、第二特征获取单元，用于通过所述第二主干网络，获取所述目标对象的第三样本图像中的多个图像区域特征，所述第二样本图像和所述第三样本图像属于所述两个样本图像；

21、第二匹配情况获取单元，用于获取所述第三样本图像中在非异常区域的多个图像区域特征与所述多个目标聚类中心的匹配情况；

22、第一训练单元，用于将所述第二样本图像中在非异常区域的多个图像区域特征与所述多个目标聚类中心的匹配情况，作为所述第三样本图像中在非异常区域的多个图像区域特征与所述多个目标聚类中心的匹配情况的软标签，对所述初始图像检测模型进行语义一致训练，以更新所述初始图像检测模型的权重；

23、第二训练单元，用于将所述第三样本图像中在非异常区域的多个图像区域特征与所述多个目标聚类中心的匹配情况，作为所述第二样本图像中在非异常区域的多个图像区域特征与所述多个目标聚类中心的匹配情况的软标签，对所述初始图像检测模型进行语义一致训练，以更新所述初始图像检测模型的权重。

24、在本技术的一个实施例中，所述第一样本图像包括第一图像和第二图像；所述聚类单元包括：

25、第一特征提取子单元，用于通过所述第一主干网络，获取所述第一图像对应的多个第一图像区域特征；

26、第二特征提取子单元，用于通过所述第二主干网络，获取所述第二图像对应的多个第二图像区域特征；

27、聚类子单元，用于对所述多个第一图像区域特征和所述多个第二图像区域特征进行聚类处理，得到多个目标聚类中心。

28、在本技术的一个实施例中，所述聚类子单元具体用于：

29、根据所述多个第一图像区域特征对多个初始化聚类中心进行更新，得到多个候选聚类中心；

30、根据所述多个第二图像区域特征对所述多个候选聚类中心进行更新，得到多个目标聚类中心。

31、在本技术的一个实施例中，所述聚类子单元具体用于：

32、计算所述第一图像区域特征与所述第一图像区域特征当前所匹配的聚类中心之间的第一距离，以及计算所述第一图像区域特征与所述第一图像区域特征当前不匹配的聚类中心之间的第二距离；

33、根据所述第一距离和所述第二距离计算相对聚类损失值；

34、基于所述相对聚类损失值对所述聚类中心进行更新，直至所述相对聚类损失值达到预设条件，得到多个候选聚类中心。

35、在本技术的一个实施例中，所述聚类子单元具体用于：

36、根据所述第一图像区域特征和所述第一图像区域特征当前所匹配的聚类中心之间的第一距离计算绝对聚类损失值；

37、基于所述相对聚类损失值对所述聚类中心进行更新，直至所述相对聚类损失值达到预设条件，包括：

38、根据所述相对聚类损失值和所述相对聚类损失值对所述聚类中心进行更新，直至所述相对聚类损失值和所述相对聚类损失值达到预设条件。

39、在本技术的一个实施例中，所述聚类子单元具体用于：

40、对所述第一图像区域特征进行归一化处理，得到归一化值；

41、根据所述归一化值、预设系数和当前聚类中心计算更新后的聚类中心，以对所述聚类中心进行更新。

42、在本技术的一个实施例中，所述第一匹配情况获取单元具体用于：

43、计算所述第二样本图像中在非异常区域的图像区域特征与各个目标聚类中心之间的距离，并将最小距离对应的目标聚类中心作为与所述第二样本图像中在非异常区域的图像区域特征匹配的目标聚类中心；

44、将所述第二样本图像中在非异常区域的多个图像区域特征匹配的目标聚类中心作为所述第二样本图像中在非异常区域的多个图像区域特征与所述多个目标聚类中心的匹配情况。

45、在本技术的一个实施例中，所述第一匹配情况获取单元具体用于：

46、将所述第二样本图像中在非异常区域的多个图像区域特征各自属于所述多个目标聚类中心的概率分布作为所述第二样本图像中在非异常区域的多个图像区域特征与所述多个目标聚类中心的匹配情况。

47、在本技术的一个实施例中，所述第一匹配情况获取单元具体用于：

48、计算所述第二样本图像中在非异常区域的图像区域特征与各个目标聚类中心的距离；

49、将所述第二样本图像中在非异常区域的图像区域特征与各个目标聚类中心的距离除以所述第二样本图像中在非异常区域的图像区域特征与各个目标聚类中心的距离之和得到的值，作为所述第二样本图像中在非异常区域的图像区域特征属于所述多个目标聚类中心的概率分布。

50、在本技术的一个实施例中，所述装置还包括：

51、模型权重更新模块，用于根据所述语义一致训练过程中输出的针对所述两个样本图像在非异常区域的图像特征的语义预测结果以及所述两个样本图像对应的软标签计算第一模型损失；根据所述异常区域的检测过程中输出的针对所述两个样本图像的异常区域预测结果以及所述两个样本图像对应的预设标签计算第二模型损失；根据所述第一模型损失和所述第二模型损失更新所述初始图像检测模型的权重。

52、根据本技术实施例的一个方面，提供一种计算机可读介质，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以上技术方案中的图像检测方法。

53、根据本技术实施例的一个方面，提供一种电子设备，该电子设备包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器执行所述可执行指令使得所述电子设备执行如以上技术方案中的图像检测方法。

54、根据本技术实施例的一个方面，提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该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计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行如以上技术方案中的图像检测方法。

55、在本技术实施例提供的技术方案中，通过分别对待检测图像中的多个待检测图像区域和模板图像中的多个模板图像区域进行图像特征提取，得到多个待检测图像区域特征和多个模板图像区域特征；进而根据各个待检测图像区域特征与对应的模板图像区域特征之间的特征差值确定各个待检测图像区域特征对应的待检测图像区域是否异常，充分利用了模板图像所包含的无异常的图像特征来进行图像检测，提高了图像检测的准确性；另一方面，通过对各个待检测图像区域进行检测，细化了图像检测的粒度，可以达到像素级别的图像检测效果，并且可以精确定位到待检测图像中存在异常的图像区域，进一步提高异常图像的检测精度和检测的准确性。

56、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。