CN109740617A - 一种图像检测方法及装置 - Google Patents

Abstract

本申请提供了一种图像检测方法及装置，其中，该方法包括：获取待检测的目标图像；基于所述目标图像，使用第一预测模型，得到所述目标图像是否包含异常现象的全局预测结果；以及，将所述目标图像划分为至少一个目标区域图像，基于所述至少一个目标区域图像，使用第二预测模型，得到所述目标区域图像是否包含所述异常现象的局部预测结果；基于所述全局预测结果和局部预测结果，判断所述目标图像是否包含所述异常现象。本申请实施例通过目标图像对应的第一预测概率和目标区域图像的第二预测概率综合确定目标图像是否包含异常现象，提高了图像检测的准确率，且无需人工干预。

Description

一种图像检测方法及装置

技术领域

本申请涉及数据处理技术领域，具体而言，涉及一种图像检测方法及装置。

背景技术

随着人工智能技术的兴起，神经网络模型在图像处理领域的应用也越来越广泛。例如，在图像识别、图像分类等领域，可以使用相应的神经网络模型来对图像进行处理、检测等。

但是，无论对网络模型如何训练、改进，对图像的识别、检测都会存在或多或少的误差。例如，在网络模型的图像识别、检测的已经达到一定准确率时，很难再进一步提升模型的性能，或者说，再进一步提升网络模型的性能的成本很高。而模型识别的误差会带来对图像检测的错误或异常，难以满足精准检测的需要，例如：检测电子元器件是否存在瑕疵。

发明内容

有鉴于此，本申请实施例的目的在于提供一种图像检测方法及装置，能够提高图像检测的准确率。

第一方面，本申请实施例提供了一种图像检测方法，包括：获取待检测的目标图像；基于上述目标图像，使用第一预测模型，得到上述目标图像是否包含异常现象的全局预测结果；以及，将上述目标图像划分为至少一个目标区域图像，基于上述至少一个目标区域图像，使用第二预测模型，得到上述目标区域图像是否包含上述异常现象的局部预测结果；基于上述全局预测结果和局部预测结果，判断上述目标图像是否包含上述异常现象。

一种可能的实施方式中，上述全局预测结果包括上述目标图像包含异常现象的第一预测概率；上述局部预测结果包括上述目标区域图像包含异常现象的第二预测概率，上述第二预测概率基于每个上述目标区域图像包含异常现象的预测概率确定。

一种可能的实施方式中，上述基于上述全局预测结果和局部预测结果，判断上述目标图像是否包含上述异常现象，包括：计算上述第一预测概率和上述第二预测概率的均值；当上述均值大于预设值时，确定上述目标图像包含上述异常现象；否则，确定上述目标图像不包含上述异常现象。

一种可能的实施方式中，上述第一预测模型和/或第二预测模型包括：卷积神经网络模型和/或循环神经网络模型。

一种可能的实施方式中，使用带标签的全局样本图像集合对上述第一预测模型进行训练，以及使用带标签的局部图像样本集合对上述第二预测模型进行训练。

一种可能的实施方式中，上述异常现象包括：元器件异常、电路异常和/或焊接异常，其中，元器件异常包括：元器件缺失、元器件错误、元器件损坏、元器件偏移和/或元器件偏转；电路异常包括：连线错误、线路损坏和/或线路短路；焊接异常包括：空焊、焊锡过多和/或焊锡过少。

第二方面，本申请实施例还提供一种图像检测装置，包括：获取模块，用于获取待检测的目标图像；第一预测模块，用于基于上述目标图像，使用第一预测模型，得到上述目标图像是否包含异常现象的全局预测结果；第二预测模块，用于将上述目标图像划分为至少一个目标区域图像，基于上述至少一个目标区域图像，使用第二预测模型，得到上述目标区域图像是否包含上述异常现象的局部预测结果；判断模块，用于基于上述全局预测结果和局部预测结果，判断上述目标图像是否包含上述异常现象。

一种可能的实施方式中，上述全局预测结果包括上述目标图像包含异常现象的第一预测概率；上述局部预测结果包括上述目标区域图像包含异常现象的第二预测概率，上述第二预测概率基于每个上述目标区域图像包含异常现象的预测概率确定。

一种可能的实施方式中，在上述基于上述全局预测结果和局部预测结果，判断上述目标图像是否包含上述异常现象时，上述判断模块用于：计算上述第一预测概率和上述第二预测概率的均值；当上述均值大于预设值时，确定上述目标图像包含上述异常现象；否则，确定上述目标图像不包含上述异常现象。

一种可能的实施方式中，上述第一预测模型和/或第二预测模型包括：卷积神经网络模型和/或循环神经网络模型。

一种可能的实施方式中，使用带标签的全局样本图像集合对上述第一预测模型进行训练，以及使用带标签的局部图像样本集合对上述第二预测模型进行训练。

一种可能的实施方式中，上述异常现象包括：元器件异常、电路异常和/或焊接异常，其中，元器件异常包括：元器件缺失、元器件错误、元器件损坏、元器件偏移和/或元器件偏转；电路异常包括：连线错误、线路损坏和/或线路短路；焊接异常包括：空焊、焊锡过多和/或焊锡过少。

第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，上述存储器存储有上述处理器可执行的机器可读指令，当电子设备运行时，上述处理器与上述存储器之间通过总线通信，上述机器可读指令被上述处理器执行时执行上述第一方面中任一种可能的实施方式中图像检测方法的步骤。

第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面中任一种可能的实施方式中图像检测方法的步骤。

本申请实施例中，获取待检测的目标图像；基于目标图像，使用第一预测模型，得到目标图像是否包含异常现象的全局预测结果；以及，将目标图像划分为至少一个目标区域图像，基于至少一个目标区域图像，使用第二预测模型，得到目标区域图像是否包含异常现象的局部预测结果；基于全局预测结果和局部预测结果，判断目标图像是否包含异常现象。采用上述方式，通过第一预测模型对目标图像的全局进行预测得到的全局预测结果和通过第二预测模型对该目标图像的局部进行预测得到的局部预测结果，判断该目标图像是否包含异常现象，提高了图像检测的准确率，且无需人工干预。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1示出了本申请实施例所提供的一种图像检测方法的流程示意图；

图2示出了本申请实施例所提供的一种训练第一预测模型的方法的流程示意图；

图3示出了本申请实施例所提供的一种训练第二预测模型的方法的流程示意图；

图4示出了本申请实施例所提供的一种预测模型的结构示意图；

图5示出了本申请实施例所提供的一种图像检测装置的结构示意图；

图6示出了本申请实施例所提供的另一种图像检测装置的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

目前，在图像识别、图像分类等领域，可以使用相应的神经网络模型来对图像进行处理、检测等。但是，无论对网络模型如何训练、改进，对图像的识别、检测都会存在或多或少的误差。例如，在网络模型的图像识别、检测的已经达到一定准确率时，很难再进一步提升模型的性能，或者说，再进一步提升网络模型的性能的成本很高。而模型识别的误差会带来对图像检测的错误或异常，难以满足精准检测的需要，例如：检测电子元器件是否存在瑕疵。

基于此，本申请提供的一种图像检测方法及装置，在检测电子元器件是否存在瑕疵时，可以分别对目标图像的全局进行预测得到的全局预测结果、以及对该目标图像的局部进行预测得到的局部预测结果，然后根据全局预测结果和局部预测结果来判断该目标图像是否包含异常现象，由此可以提高图像检测的准确率，且无需人工干预。

下面将通过具体实施例对本申请的方案进行详细描述，当然，本申请并不限于以下实施例。

实施例一

为便于对本实施例进行理解，首先对本申请实施例所公开的一种图像检测方法进行详细介绍。

示例性的，参阅图1所示，本申请实施例所提供的一种图像检测方法的详细流程如下：

步骤100：获取待检测的目标图像。

本申请实施例中，将需要进行检测的印制线路板(Printed Circuit Board，PCB)元件图像作为目标图像，图像检测设备在接收到输入的待检测的目标图像后，对该待检测的目标图像进行后续的检测。

步骤110：基于目标图像，使用第一预测模型，得到目标图像是否包含异常现象的全局预测结果。

其中，全局预测结果至少包括目标图像包含异常现象的第一预测概率。当然，也可以包括目标图像不包含异常现象的概率。一个目标图像包含异常现象的概率与不包含异常现象的概率之和为1。

具体的，在执行步骤110时，图像检测设备采用已训练完成的第一预测模型对输入的待检测的目标图像进行检测处理，并在检测处理完成之后，输入预测结果，该检测结果可用于表征待检测的目标图像包含异常现象和/或不包含异常现象的概率。

步骤120：将目标图像划分为至少一个目标区域图像，基于至少一个目标区域图像，使用第二预测模型，得到目标区域图像是否包含异常现象的局部预测结果。

其中，局部预测结果包括目标区域图像包含异常现象的第二预测概率。当然，也可以包括各目标区域图像不包含异常现象的概率。一个目标区域图像包含异常现象的概率与不包含异常现象的概率之和为1。

在一种实施方式中，第二预测概率基于每个目标区域图像包含异常现象的预测概率确定。

例如，目标区域图像1包含异常图像的概率是A，是各目标区域图像中包含异常现象的概率最大值，目标区域图像2的概率是B，是各目标区域图像中包含异常现象的概率第二大值，目标区域图像1的概率是C，是各目标区域图像中包含异常现象的概率第三大值，那么，可以取A，B和C的平均值作为目标区域图像包含异常现象的概率值。此外，也可以取A、B的平均值作为目标区域图像包含异常现象的概率值，或者直接以A作为目标区域图像包含异常现象的概率值，本发明并不限制具体的计算方式。

具体的，图像检测设备可根据目标图像的图像规格和预设的划分条件将目标图像划分为相同图像规格的若干个的目标区域图像，然后使用第二预测模型，对若干个目标区域图像分别进行图像检测处理，分别得到各目标区域图像是否包含异常现象的局部预测结果。

步骤130：基于全局预测结果和局部预测结果，判断目标图像是否包含异常现象。

具体的，在一种实施方式中，可以通过均值计算的方式，例如：计算第一预测概率和第二预测概率的均值；当均值大于预设值时，确定目标图像包含异常现象；否则，确定目标图像不包含异常现象。

此外，也可以根据第一预测概率和第二预测概率进行加权求和，得到最终的预测概率，进一步地判断该最终的预测概率是否满足预设条件，若满足预设条件，则确定目标图像包含异常现象，否则，确定目标图像不包含异常现象。具体实施中，可以根据不同的实际应用场景，为第一预测概率和第二预测概率设置不同的权重值。

本申请实施例中，所谓异常现象例如可以指：元器件异常、电路异常和/或焊接异常，其中，元器件异常包括：元器件缺失、元器件错误、元器件损坏、元器件偏移和/或元器件偏转；电路异常包括：连线错误、线路损坏和/或线路短路；焊接异常包括：空焊、焊锡过多和/或焊锡过少。

采用实施例，通过第一预测模型对目标图像的全局进行预测得到的全局预测结果和通过第二预测模型对该目标图像的局部进行预测得到的局部预测结果，判断该目标图像是否包含异常现象，提高了图像检测的准确率，且无需人工干预。

实施例二

本申请实施例中，第一预测模型和第二预测模型例如为：卷积神经网络模型、或循环神经网络模型等，在使用第一预测模型和第二预测模型对待检测的目标图像进行图像检测之前，需要预先对第一预测模型和第二预测模型分别进行训练。

本申请实施例中，一种预先对第一预测模型进行训练的方式包括：

获取全局样本图像集合，所述全局样本图像集合中包括带有正常图像标签的第一全局样本图像和带有异常图像标签的第二全局样本图像；执行第一训练过程训练得到所述第一预测模型。

具体的，一个全局样本图像可以是一张完整的PCB图像，全局样本集合中包括多张标注为正常图像标签的第一全局样本图像和多张标注为异常图像标签的第二全局样本图像。

例如，一个全局样本图像可以是一张调整至指定图像规格的PCB元件图像，如，图像规格为：900*900。若一个全局样本图像包含异常现象，则将该一个全局样本图像作为带有异常图像标签的第二全局样本图像，若该一个全局样本图像不包含异常现象，则将该一个全局样本图像作为带有正常图像标签的第一全局样本图像。

示例性的，参阅图2所示，本申请实施例所提供的一种训练第一预测模型的方法的流程如下：

步骤200：将全局样本图像集合中第一预设数量的第一全局样本图像和第二预设数量的第二全局样本图像输入至全局预测模型中，输出每个第一全局样本图像是否为异常图像的第一全局预测结果、以及每个第二全局样本图像是否为异常图像的第二局部预测结果；

步骤210：基于每个第一全局样本图像对应的正常图像标签和第一全局预测结果、以及每个第二全局样本图像对应的异常图像标签和第二全局预测结果，计算本轮预测过程的全局损失值；

步骤220：当计算的全局损失值不满足第一收敛条件时，调整全局预测模型的模型参数，并再次执行第一训练过程，直至计算的全局损失值满足第一收敛条件；

步骤230：当计算的全局损失值满足第一收敛条件时，确定全局预测模型训练完成。

进一步地，本申请实施例中，一种预先对第二预测模型进行训练的方式包括：

获取局部样本图像集合，所述局部样本图像集合中包括带有正常图像标签的第一局部样本图像和带有异常图像标签的第二局部样本图像；执行第二训练过程训练得到所述预先训练的局部预测模型。

实际应用中，可以将一个全局样本图像(如，图像规格为900*900的PCB元件图像)进行拆分后，得到多个等图像规格的局部样本图像(如，图像规格为300*300的PCB元件图像)。

例如，将一个全局样本图像拆分成9个局部样本图像，若该一个全局样本图像包含异常现象，则可以将拆分后的9个局部样本图像中包含异常现象的局部样本图像作为带有异常图像标签的第二局部样本图像，将其他不包含异常现象的局部样本图像作为带有正常图像标签的第一局部样本图像。

示例性的，参阅图3所示，本申请实施例所提供的一种训练第二预测模型的方法的流程如下：

步骤300：将局部样本图像集合中第三预设数量的第一局部样本图像和第四预设数量的第二局部样本图像输入至局部预测模型中，输出每个第一局部样本图像是否为异常图像的第一局部预测结果、以及每个第二局部样本图像是否为异常图像的第二局部预测结果；

步骤310：基于每个第一局部样本图像对应的正常图像标签和第一局部预测结果、以及每个第二全局样本图像对应的异常图像标签和第二局部预测结果，计算本轮预测过程的局部损失值；

步骤320：当计算的局部损失值不满足第二收敛条件时，调整局部预测模型的模型参数，并再次执行第二训练过程，直至计算的局部损失值满足第二收敛条件；

步骤330：当计算的局部损失值满足第二收敛条件时，确定局部预测模型训练完成。

实施例三

本申请实施例中，在确定所述第一预测模型和第二训练模型训练完成之后，即可采用训练完成的第一预测模型和第二预测模型对待检测的目标图像进行图像检测的操作。

下面以第一预测模型和第二训练模型为卷积神经网络(Convolutional NeuralNetwork，CNN)模型为例进行说明，当然，第一预测模型和第二训练模型还可以为除卷积神经网络模型之外的其它模型，如，循环神经网络(Recurrent Neural Networks，RNN)模型等，本申请实施例中，在此不做具体限定。

实际应用中，CNN的网络结构包括至少一个卷积层，至少一个池化层和至少一个全连接层，且最后一层为全连接层，第n-1层的输出作为第n层的输入，n为正整数，示例性的，参阅图4所示，本申请实施例所提供的一种预测模型的结构示意图。

具体的，一个卷积层的参数至少包括通道数据，卷积核大小，每一通道对应的步长和填充值。卷积层可用于提取图像的图像特征。卷积是图像处理常用的一种方法，在卷积层的输入图像中每一个像素是输入图像中一个小区域中像素的加权平均，其中，权值由一个函数定义，这个函数成为卷积核。卷积核是一个函数，卷积核中每一个参数都相当于一个权值参数，与对应的局部像素相连接，将卷积核中各个参数与对应的局部像素值相乘，再加上偏置参数，即可得到卷积结果。

一个池化层，可用于对输入的特征图进行压缩，使得特征图变小，简化网络计算复杂度，并提取出输入的特征图的主要特征。通常，为了降低CNN训练参数及训练模型的过拟合程度，需要对卷积层输出的特征图进行池化处理。常用的池化方式有最大值池化(MaxPooling)和平均池化(Average Pooling)，其中，最大值池化是选择池化窗口中的最大值作为池化后的值，平均池化是将池化区域中的平均值作为池化后的值。

本申请实施例中，全连接层，用于连接上一层输出的所有特征图，并将输出值送给分类器(Classifier)，即将前面经过多次卷积后高度抽象化的特征进行整合，然后可以进行归一化，对各种分类情况都输出一个概率，之后的分类器可以根据全连接得到的概率进行分类。如本申请实施例中，可输出目标图像是否包含异常现象的概率。

实施例四

基于同一申请构思，本申请实施例中还提供了与图像检测方法对应的图像检测装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述图像检测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。

参照图5所示，为本申请实施例所提供的一种图像检测装置的结构示意图，所述装置包括：获取模块50、第一预测模块51、第二预测模块52和判断模块53；其中，

获取模块50，用于获取待检测的目标图像；

第一预测模块51，用于基于上述目标图像，使用第一预测模型，得到上述目标图像是否包含异常现象的全局预测结果；

第二预测模块52，用于将上述目标图像划分为至少一个目标区域图像，基于上述至少一个目标区域图像，使用第二预测模型，得到上述目标区域图像是否包含上述异常现象的局部预测结果；

判断模块53，用于基于上述全局预测结果和局部预测结果，判断上述目标图像是否包含上述异常现象。

一种可能的实施方式中，上述全局预测结果包括上述目标图像包含异常现象的第一预测概率；上述局部预测结果包括上述目标区域图像包含异常现象的第二预测概率，上述第二预测概率基于每个上述目标区域图像包含异常现象的预测概率确定。

一种可能的实施方式中，在上述基于上述全局预测结果和局部预测结果，判断上述目标图像是否包含上述异常现象时，判断模块53用于：

计算上述第一预测概率和上述第二预测概率的均值；当上述均值大于预设值时，确定上述目标图像包含上述异常现象；否则，确定上述目标图像不包含上述异常现象。

一种可能的实施方式中，上述第一预测模型和/或第二预测模型包括：卷积神经网络模型和/或循环神经网络模型。

一种可能的实施方式中，使用带标签的全局样本图像集合对上述第一预测模型进行训练，以及使用带标签的局部图像样本集合对上述第二预测模型进行训练。

一种可能的实施方式中，上述异常现象包括：元器件异常、电路异常和/或焊接异常，其中，元器件异常包括：元器件缺失、元器件错误、元器件损坏、元器件偏移和/或元器件偏转；电路异常包括：连线错误、线路损坏和/或线路短路；焊接异常包括：空焊、焊锡过多和/或焊锡过少。

实施例五

如图6所示，为本申请实施例提供的图像检测设备60结构示意图，包括处理器61、存储器62、和总线63；存储器62用于存储执行指令，包括内存621和外部存储器622；这里的内存621也称内存储器，用于暂时存放处理器61中的运算数据，以及与硬盘等外部存储器622交换的数据，处理器61通过内存621与外部存储器622进行数据交换，当所述图像检测设备60运行时，所述处理器61与所述存储器62之间通过总线63通信，使得所述处理器61在用户态执行以下指令：

获取待检测的目标图像；

基于所述目标图像，使用第一预测模型，得到所述目标图像是否包含异常现象的全局预测结果；以及，将所述目标图像划分为至少一个目标区域图像，基于所述至少一个目标区域图像，使用第二预测模型，得到所述目标区域图像是否包含所述异常现象的局部预测结果；

基于所述全局预测结果和局部预测结果，判断所述目标图像是否包含所述异常现象。

一种可能的实施方式中，处理器61执行的指令中，上述全局预测结果包括上述目标图像包含异常现象的第一预测概率；上述局部预测结果包括上述目标区域图像包含异常现象的第二预测概率，上述第二预测概率基于每个上述目标区域图像包含异常现象的预测概率确定。

一种可能的实施方式中，处理器61执行的指令中，上述基于上述全局预测结果和局部预测结果，判断上述目标图像是否包含上述异常现象，包括：计算上述第一预测概率和上述第二预测概率的均值；当上述均值大于预设值时，确定上述目标图像包含上述异常现象；否则，确定上述目标图像不包含上述异常现象。

一种可能的实施方式中，处理器61执行的指令中，上述第一预测模型和/或第二预测模型包括：卷积神经网络模型和/或循环神经网络模型。

一种可能的实施方式中，处理器61执行的指令中，使用带标签的全局样本图像集合对上述第一预测模型进行训练，以及使用带标签的局部图像样本集合对上述第二预测模型进行训练。

一种可能的实施方式中，处理器61执行的指令中，上述异常现象包括：元器件异常、电路异常和/或焊接异常，其中，元器件异常包括：元器件缺失、元器件错误、元器件损坏、元器件偏移和/或元器件偏转；电路异常包括：连线错误、线路损坏和/或线路短路；焊接异常包括：空焊、焊锡过多和/或焊锡过少。

此外，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的图像检测方法的步骤。

本申请实施例所提供的图像检测方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行上述方法实施例中所述的图像检测方法的步骤，具体可参见上述方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种图像检测方法，其特征在于，包括：

获取待检测的目标图像；

基于所述目标图像，使用第一预测模型，得到所述目标图像是否包含异常现象的全局预测结果；以及，将所述目标图像划分为至少一个目标区域图像，基于所述至少一个目标区域图像，使用第二预测模型，得到所述目标区域图像是否包含所述异常现象的局部预测结果；

基于所述全局预测结果和局部预测结果，判断所述目标图像是否包含所述异常现象。

2.如权利要求1所述的方法，其特征在于，所述全局预测结果包括所述目标图像包含异常现象的第一预测概率；所述局部预测结果包括所述目标区域图像包含异常现象的第二预测概率，所述第二预测概率基于每个所述目标区域图像包含异常现象的预测概率确定。

3.如权利要求2所述的方法，其特征在于，所述基于所述全局预测结果和局部预测结果，判断所述目标图像是否包含所述异常现象，包括：

计算所述第一预测概率和所述第二预测概率的均值；

当所述均值大于预设值时，确定所述目标图像包含所述异常现象；否则，确定所述目标图像不包含所述异常现象。

4.如权利要求1所述的方法，其特征在于，所述第一预测模型和/或第二预测模型包括：卷积神经网络模型和/或循环神经网络模型。

5.如权利要求1-4任一所述的方法，其特征在于，使用带标签的全局样本图像集合对所述第一预测模型进行训练，以及使用带标签的局部图像样本集合对所述第二预测模型进行训练。

6.如权利要求1-4任一所述的方法，其特征在于，所述异常现象包括：元器件异常、电路异常和/或焊接异常，其中，元器件异常包括：元器件缺失、元器件错误、元器件损坏、元器件偏移和/或元器件偏转；电路异常包括：连线错误、线路损坏和/或线路短路；焊接异常包括：空焊、焊锡过多和/或焊锡过少。

7.一种图像检测装置，其特征在于，包括：

获取模块，用于获取待检测的目标图像；

第一预测模块，用于基于所述目标图像，使用第一预测模型，得到所述目标图像是否包含异常现象的全局预测结果；

第二预测模块，用于将所述目标图像划分为至少一个目标区域图像，基于所述至少一个目标区域图像，使用第二预测模型，得到所述目标区域图像是否包含所述异常现象的局部预测结果；

判断模块，用于基于所述全局预测结果和局部预测结果，判断所述目标图像是否包含所述异常现象。

8.如权利要求7所述的装置，其特征在于，所述全局预测结果包括所述目标图像包含异常现象的第一预测概率；所述局部预测结果包括所述目标区域图像包含异常现象的第二预测概率，所述第二预测概率基于每个所述目标区域图像包含异常现象的预测概率确定。

9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如权利要求1至6任一所述的图像检测方法的步骤。

10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至6任一所述的图像方法的步骤。