CN110599487A - 物品检测方法、装置以及存储介质 - Google Patents

物品检测方法、装置以及存储介质 Download PDF

Info

Publication number
CN110599487A
CN110599487A CN201910896707.8A CN201910896707A CN110599487A CN 110599487 A CN110599487 A CN 110599487A CN 201910896707 A CN201910896707 A CN 201910896707A CN 110599487 A CN110599487 A CN 110599487A
Authority
CN
China
Prior art keywords
image
article
network model
model
detection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910896707.8A
Other languages
English (en)
Inventor
苏睿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Haiyi Tongzhan Information Technology Co Ltd
Original Assignee
Beijing Haiyi Tongzhan Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Haiyi Tongzhan Information Technology Co Ltd filed Critical Beijing Haiyi Tongzhan Information Technology Co Ltd
Priority to CN201910896707.8A priority Critical patent/CN110599487A/zh
Publication of CN110599487A publication Critical patent/CN110599487A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection

Abstract

本公开提供了一种物品检测方法、装置以及存储介质，涉及计算机技术领域，其中方法包括：构建GAN模型，GAN模型包括：分割网络模型和判别网络模型；将物品图像输入分割网络模型，获取分割网络模型输出的第一图像特征信息；获取与物品图像相对应的第二图像特征信息；使用判别网络模型并基于第一图像特征信息、第二图像特征信息以及物品图像，获得判别结果，并对分割网络模型进行调整。本公开的物品检测方法、装置以及存储介质，构建生成式对抗网络模型并对现有GAN进行了改进，通过物品图像对物品进行检测，能够提高物品检测的效率和准确性，有效提升了检测性能和鲁棒性；提高了模型运算效率，泛化性好，可以节省大量人工成本。

Description

物品检测方法、装置以及存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种物品检测方法、装置以及存储介质。
背景技术
目前，在物品生产、经营、加工过程中，破损检测是最重要环节之一。物品包括禽蛋、大理石建材、金属板材、太阳能电池板等。以鸡蛋为例，对于鸡蛋来说，及时发现并剔除破损鸡蛋，既能减少损耗，又能提高储藏、加工质量，而且有利于生产者和经营者采取科学的管理，增强企业及其产品的市场竞争力。现有的鸡蛋破损检测方法主要是利用DSP设计的鸡蛋破损检测系统进行检测，DSP是专门为快速实现各种数字信号处理算法而设计的微处理器，通过分析鸡蛋受敲击后发出的声音信号的功率谱来建立破损模型，基于破损模型对鸡蛋的破损进行检测。
发明内容
发明人发现目前的配送线路规划方案具有下述问题：现有的检测方法由于采集的数据量小，测验结果有偏差，而且泛化性差，并且检测的时间长，耗费人工巨大。
有鉴于此，本发明要解决的一个技术问题是提供一种物品检测方法、装置以及存储介质。
根据本公开的一个方面，提供一种物品检测方法，包括：构建用于进行物品检测的生成式对抗网络GAN模型；其中，所述GAN模型包括：分割网络模型和判别网络模型；将物品图像输入所述分割网络模型，获取所述分割网络模型输出的第一图像特征信息；获取与所述物品图像相对应的第二图像特征信息；使用所述判别网络模型并基于所述第一图像特征信息、所述第二图像特征信息以及所述物品图像，获得判别结果；基于所述判别结果以及模型调整策略对所述分割网络模型进行调整；使用调整好的所述分割网络模型并基于采集的物品图像进行物品检测。
可选地，所述第一图像特征信息包括：第一图像特征矩阵；所述第一图像特征矩阵中的第一元素与所述物品图像的像素点相对应，其中，与图像检测特征的像素点对应的第一元素值为预设第一类别值，与其它像素点对应的第一元素值为预设第二类别值。
可选地，所述分割网络模型包括：编码器和解码器；所述将物品图像输入所述分割网络模型，获取所述分割网络模型输出的第一图像特征信息包括：所述编码器从所述物品图像中提取图像特征并对所述物品图像进行编码，生成编码数据；所述解码器对所述编码数据进行解码处理，生成所述第一图像特征矩阵。
可选地，所述第二图像特征信息包括：通过人工标注生成的第二图像特征矩阵；所述第二图像特征矩阵中的第二元素与所述物品图像的像素点相对应，其中，与图像检测特征的像素点对应的第二元素值为预设第一类别值，与其它像素点对应的第二元素值为预设第二类别值。
可选地，所述使用所述判别网络模型并基于所述第一图像特征信息、所述第二图像特征信息以及所述物品图像，获得判别结果包括：将所述第一图像特征矩阵与所述物品图像进行乘法运算，获得与所述第一图像特征矩阵相对应的第一物品检测特征图像信息；将所述第二图像特征矩阵与所述物品图像进行乘法运算，获得与所述第二图像特征矩阵相对应的第二物品检测特征图像信息；将所述第一物品检测特征图像信息和所述第二物品检测特征图像信息输入所述判别网络模型，获得所述判决结果。
可选地，所述获得所述判决结果包括：将所述第一物品检测特征图像信息输入所述判别网络模型，生成第一图像特征向量；将所述第二物品检测特征图像信息输入所述判别网络模型，生成第二图像特征向量；计算所述第一图像特征向量与所述第二图像特征向量之间的距离；其中，所述距离为所述判别结果，所述距离包括：KL距离、欧式距离。
可选地，所述基于所述判别结果以及模型调整策略对所述分割网络模型进行调整包括：基于所述距离构建用于确定所述第一物品检测特征图像信息与所述第二物品检测特征图像信息之间的相似度的损失函数；对所述分割网络模型进行调整，直至所述损失函数的损失值满足预设的结束条件。
可选地，所述图像检测特征包括：裂缝特征、破损特征；所述判别网络模型包括：卷积层和全连接层。
根据本公开的另一方面，提供一种物品检测装置，包括：模型构建模块，用于构建用于进行物品检测的生成式对抗网络GAN模型；其中，所述GAN模型包括：分割网络模型和判别网络模型；第一特征获取模块，用于将物品图像输入所述分割网络模型，获取所述分割网络模型输出的第一图像特征信息；第二特征获取模块，用于获取与所述物品图像相对应的第二图像特征信息；判别结果获得模块，用于使用所述判别网络模型并基于所述第一图像特征信息、所述第二图像特征信息以及所述物品图像，获得判别结果；模型调整模块，用于基于所述判别结果以及模型调整策略对所述分割网络模型进行调整；模型检测模块，用于使用调整好的所述分割网络模型并基于采集的物品图像进行物品检测。
根据本公开的又一方面，提供一种物品检测装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如上所述的方法。
根据本公开的再一方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行如上所述的方法。
本公开的物品检测方法、装置以及存储介质，构建生成式对抗网络模型并对现有GAN进行了改进，通过物品图像对物品进行检测，能够提高物品检测的效率和准确性，有效提升了检测性能和鲁棒性；提高了模型运算效率，泛化性好，可以节省大量人工成本。
附图说明
为了更清楚地说明本公开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一简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为根据本公开的物品检测方法的一个实施例的流程示意图；
图2为根据本公开的物品检测方法的一个实施例中的获取第一图像特征信息的流程示意图；
图3为根据本公开的物品检测方法的一个实施例中的通过判别网络模型获得判别结果的示意图；
图4为根据本公开的物品检测方法的一个实施例中的通过判别网络模型获得距离信息的流程示意图；
图5A为物品图像的示意图，图5B为与第一图像特征矩阵对应的掩码图像示意图，图5C为与第二图像特征矩阵对应的掩码图像示意图；
图6为分割网络模型和判别网络模型的结构示意图；
图7为根据本公开的物品检测装置的一个实施例的模块示意图；
图8为根据本公开的物品检测装置的另一个实施例的模块示意图。
具体实施方式
下面参照附图对本公开进行更全面的描述，其中说明本公开的示例性实施例。下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本公开保护的范围。下面结合各个图和实施例对本公开的技术方案进行多方面的描述。
下文中的“第一”、“第二”等仅用于描述上相区别，并没有其它特殊的含义。
图1为根据本公开的物品检测方法的一个实施例的流程示意图，如图1所示：
步骤101，构建用于进行物品检测的生成式对抗网络GAN模型。
生成式对抗网络(Generative Adversarial Network，GAN)是一种深度学习模型，通过生成器模型(Generative Model)和判别器模型(Discriminative Model)的互相博弈学习产生相当好的输出。本公开提供的GAN模型对现有的GAN模型进行了改进，GAN模型包括分割网络模型和判别网络模型，分割网络模型相当于生成器模型，判别网络模型相当于判别器模型。
物品可以有多种，例如为禽蛋、大理石建材、金属板材、太阳能电池板等。本公开的物品检测方法为基于GAN模型的物品检测方法，用于检测物品是否出现裂缝、破损等缺陷。物品检测方法分为训练阶段和使用阶段，在训练阶段对分割网络模型进行参数优化，在使用阶段使用优化的分割网络模型对物品进行检测。
步骤102，将物品图像输入分割网络模型，获取分割网络模型输出的第一图像特征信息。
分割网络可以为多种语义分割网络，例如为ENet(efficient neural network)等。物品图像可以为多种物品的图像，例如为鸡蛋图像等。
步骤103，获取与物品图像相对应的第二图像特征信息。第二图像特征信息可以为通过人工标记的第二图像特征信息等。
步骤104，使用判别网络模型并基于第一图像特征信息、第二图像特征信息以及物品图像，获得判别结果。
步骤105，基于判别结果以及模型调整策略对分割网络模型进行调整。基于判别结果以及模型调整策略调优分割网络模型的参数，从而达到优化分割网络模型的目的。
步骤106，使用调整好的分割网络模型并基于采集的物品图像进行物品检测。例如，使用调整好的分割网络模型对鸡蛋图像进行检测，用于检测鸡蛋的表面是否出现裂缝、破损等缺陷。本公开的物品检测方法可以应用于手机、平板电脑等。
在一个实施例中，第一图像特征信息可以有多种。例如，第一图像特征信息为第一图像特征矩阵，第一图像特征矩阵中的第一元素与物品图像的像素点相对应，其中，与图像检测特征的像素点对应的第一元素值为预设第一类别值，与其它像素点对应的第一元素值为预设第二类别值。第一类别值和第二类别值可以设置，图像检测特征包括裂缝特征、破损特征等。
分割网络模型包括编码器和解码器。图2为根据本公开的物品检测方法的一个实施例中的获取第一图像特征信息的流程示意图，如图2所示：
步骤201，编码器从物品图像中提取图像特征并对物品图像进行编码，生成编码数据。
步骤202，解码器对编码数据进行解码处理，生成第一图像特征矩阵。
编码器负责从物品图像中提取裂缝、破损等图像特征，并对物品图像进行编码，生成编码数据。解码器通过得到的图像特征对每个像素进行分类，物品图像中的裂缝、破损等的像素点的第一类别值为1，非裂缝、破损对应的像素点的第二类别值为0。
物品图像为鸡蛋图像，如图5A所示，编码器从鸡蛋图像中提取图像特征并对鸡蛋图像进行编码，生成编码数据。解码器对编码数据进行解码处理，生成第一图像特征矩阵。在第一图像特征矩阵中，与裂缝、破损等的像素点对应的第一元素值为1，与其它像素点对应的第一元素值为0，即第一图像特征矩阵为掩码图像，如图5B所示，像素值为0表示此像素不处理，为1表示此像素需要处理。
第二图像特征信息包括：通过人工标注生成的第二图像特征矩阵；第二图像特征矩阵中的第二元素与物品图像的像素点相对应，其中，与图像检测特征的像素点对应的第二元素值为预设第一类别值，与其它像素点对应的第二元素值为预设第二类别值。
例如，通过观察鸡蛋图像的裂缝、破损等的位置,将鸡蛋图像进行人工标记，生成第二图像特征矩阵。在第二图像特征矩阵中，与裂缝、破损等的像素点对应的第二元素值为1，与其它像素点对应的第二元素值为0，即第二图像特征矩阵也为掩码图像，如图5C所示，像素值为0表示此像素不处理，为1表示此像素需要处理。
在一个实施例中，获得判别结果可以采用多种方法。图3为根据本公开的物品检测方法的一个实施例中的通过判别网络模型获得判别结果的示意图，如图3所示：
步骤301，将第一图像特征矩阵与物品图像进行乘法运算，获得与第一图像特征矩阵相对应的第一物品检测特征图像信息。
第一图像特征矩阵(MASK图像)确定了裂缝、破损等位置，通过进行矩阵乘法运算，第一物品检测特征图像信息为仅保留与第一图像特征矩阵(MASK图像)对应的裂缝、破损等位置的物品原图信息。
步骤302，将第二图像特征矩阵与物品图像进行乘法运算，获得与第二图像特征矩阵相对应的第二物品检测特征图像信息。
第二图像特征矩阵(MASK图像)确定了裂缝、破损等位置，第二物品检测特征图像信息为仅保留与第二图像特征矩阵(MASK图像)对应的裂缝、破损等位置的物品原图信息。
步骤303，将第一物品检测特征图像信息和第二物品检测特征图像信息输入判别网络模型，获得判决结果。
图4为根据本公开的物品检测方法的一个实施例中的通过判别网络模型获得距离信息的流程示意图，如图4所示：
步骤401，将第一物品检测特征图像信息输入判别网络模型，生成第一图像特征向量。
在一实施例中，判别网络模型包括卷积层和全连接层，第一物品检测特征图像信息依次通过卷积层、全连接层，生成第一图像特征向量。
步骤402，将第二物品检测特征图像信息输入判别网络模型，生成第二图像特征向量。
在一实施例中，第二物品检测特征图像信息依次通过卷积层、全连接层生成第二图像特征向量。
步骤403，计算第一图像特征向量与第二图像特征向量之间的距离。距离为判别结果，距离包括：KL距离、欧式距离。KL距离为Kullback-Leibler差异，欧式距离为欧几里得度量(euclidean metric)。
在一个实施例中，模型调整策略可以有多种。例如，基于距离构建用于确定第一物品检测特征图像信息与第二物品检测特征图像信息之间的相似度的损失函数。基于损失函数对分割网络模型进行调整，直至损失函数的损失值满足预设的结束条件。
损失函数可以有多种，例如为Smooth-L1损失函数，Smooth-L1损失函数为：
其中，x表示第一图像特征向量与第二图像特征向量之间的距离，用于度量第一物品检测特征图像信息与第二物品检测特征图像信息之间的距离。
对分割网络模型进行调整，重复进行步骤102-步骤105，缩小损失函数值。结束条件可以为：如果通过判别网络模型得到的Smooth-L1损失值达到收敛状态则训练结束获得模型，如果没有达到，则重复步骤102-步骤105，直到Smooth-L1损失达到阈值。收敛状态的判定：Smooth-L1损失值下降到一定程度后开始小幅度震荡，且没有明显的下降趋势，说明达到收敛状态。
如图6所示，分割网络模型包括：编码器和解码器。编码器和解码器可以有多种具体结构。判别网络模型包括多个卷积层和全连接层，将第一图像特征矩阵(值为0或1的矩阵)和输入的物品图像(鸡蛋图像)进行矩阵对应位置的乘法运算，得到第一物品检测特征图像信息(保留裂缝特征、破损特征等位置的原始物品图像)。将第二图像特征矩阵与物品图像进行乘法运算，获得与第二图像特征矩阵相对应的第二物品检测特征图像信息。
将第一物品检测特征图像信息输入判别网络模型，生成第一图像特征向量；将第二物品检测特征图像信息输入判别网络模型，生成第二图像特征向量。损失函数模块计算第一图像特征向量与第二图像特征向量之间的距离，距离为对应于原图的破损信息。损失函数模块计算Smooth-L1的损失值，基于损失值对分割网络模型的参数进行调整网络，进行模型训练。
使用调整好的分割网络模型并基于采集的物品图像(鸡蛋图像)进行物品检测，获得第一图像特征矩阵(NASK图像)，根据第一图像特征矩阵(NASK图像)判断物品(鸡蛋)是否具有裂缝、破损等缺陷。
上述实施例提供的物品检测方法、装置以及存储介质，通过物品图像对物品进行检测，能够提高物品检测的效率和准确性，有效提升了检测性能和鲁棒性；提高了模型运算效率，泛化性好，可以节省大量人工成本。
在一个实施例中，如图7所示，本公开提供一种物品检测装置70，包括：模型构建模块71、第一特征获取模块72、第二特征获取模块73、判别结果获得模块74、模型调整模块75和模型检测模块76。
模型构建模块71构建用于进行物品检测的生成式对抗网络GAN模型，GAN模型包括：分割网络模型和判别网络模型。第一特征获取模块72将物品图像输入分割网络模型，获取分割网络模型输出的第一图像特征信息。第二特征获取模块73获取与物品图像相对应的第二图像特征信息。
判别结果获得模块74使用判别网络模型并基于第一图像特征信息、第二图像特征信息以及物品图像，获得判别结果。模型调整模块75基于判别结果以及模型调整策略对分割网络模型进行调整。模型检测模块76使用调整好的分割网络模型并基于采集的物品图像进行物品检测。
在一个实施例中，第一图像特征信息包括：第一图像特征矩阵；第一图像特征矩阵中的第一元素与物品图像的像素点相对应，其中，与图像检测特征的像素点对应的第一元素值为预设第一类别值，与其它像素点对应的第一元素值为预设第二类别值。
分割网络模型包括：编码器和解码器。第一特征获取模块72编码器从物品图像中提取图像特征并对物品图像进行编码，生成编码数据。解码器对编码数据进行解码处理，生成第一图像特征矩阵。
第二图像特征信息包括：通过人工标注生成的第二图像特征矩阵。第二图像特征矩阵中的第二元素与物品图像的像素点相对应，其中，与图像检测特征的像素点对应的第二元素值为预设第一类别值，与其它像素点对应的第二元素值为预设第二类别值。
判别结果获得模块74将第一图像特征矩阵与物品图像进行乘法运算，获得与第一图像特征矩阵相对应的第一物品检测特征图像信息。判别结果获得模块74将第二图像特征矩阵与物品图像进行乘法运算，获得与第二图像特征矩阵相对应的第二物品检测特征图像信息。判别结果获得模块74将第一物品检测特征图像信息和第二物品检测特征图像信息输入判别网络模型，获得判决结果。
判别结果获得模块74将第一物品检测特征图像信息输入判别网络模型，生成第一图像特征向量。判别结果获得模块74将第二物品检测特征图像信息输入判别网络模型，生成第二图像特征向量。判别结果获得模块74计算第一图像特征向量与第二图像特征向量之间的距离；距离为判别结果，距离包括：KL距离、欧式距离等。
模型调整模块75基于距离构建用于确定第一物品检测特征图像信息与第二物品检测特征图像信息之间的相似度的损失函数。模型调整模块75对分割网络模型进行调整，直至损失函数的损失值满足预设的结束条件。
在一个实施例中，图8为根据本公开的物品检测装置的另一个实施例的模块示意图。如图8所示，该装置可包括存储器81、处理器82、通信接口83以及总线84。存储器81用于存储指令，处理器82耦合到存储器81，处理器82被配置为基于存储器81存储的指令执行实现上述的物品检测方法。
存储器81可以为高速RAM存储器、非易失性存储器(non-volatile memory)等，存储器81也可以是存储器阵列。存储器81还可能被分块，并且块可按一定的规则组合成虚拟卷。处理器82可以为中央处理器CPU，或专用集成电路ASIC(Application SpecificIntegrated Circuit)，或者是被配置成实施本公开的物品检测方法的一个或多个集成电路。
在一个实施例中，本公开提供一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如上任一个实施例中的物品检测方法。
上述实施例提供的物品检测方法、装置以及存储介质，构建生成式对抗网络模型，并对现有GAN的生成器和判别器进行了改进，通过物品图像对物品进行检测，能够提高物品检测的效率和准确性，有效提升了检测性能和鲁棒性；提高了模型运算效率，泛化性好，可以节省大量人工成本。
可能以许多方式来实现本公开的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和系统。用于方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。

Claims (11)

1.一种物品检测方法，包括：
构建用于进行物品检测的生成式对抗网络GAN模型；其中，所述GAN模型包括：分割网络模型和判别网络模型；
将物品图像输入所述分割网络模型，获取所述分割网络模型输出的第一图像特征信息；
获取与所述物品图像相对应的第二图像特征信息；
使用所述判别网络模型并基于所述第一图像特征信息、所述第二图像特征信息以及所述物品图像，获得判别结果；
基于所述判别结果以及模型调整策略对所述分割网络模型进行调整；
使用调整好的所述分割网络模型并基于采集的物品图像进行物品检测。
2.如权利要求1所述的方法，其中，
所述第一图像特征信息包括：第一图像特征矩阵；所述第一图像特征矩阵中的第一元素与所述物品图像的像素点相对应，其中，与图像检测特征的像素点对应的第一元素值为预设第一类别值，与其它像素点对应的第一元素值为预设第二类别值。
3.如权利要求2所述的方法，所述分割网络模型包括：编码器和解码器；所述将物品图像输入所述分割网络模型，获取所述分割网络模型输出的第一图像特征信息包括：
所述编码器从所述物品图像中提取图像特征并对所述物品图像进行编码，生成编码数据；
所述解码器对所述编码数据进行解码处理，生成所述第一图像特征矩阵。
4.如权利要求3所述的方法，其中，
所述第二图像特征信息包括：通过人工标注生成的第二图像特征矩阵；所述第二图像特征矩阵中的第二元素与所述物品图像的像素点相对应，其中，与图像检测特征的像素点对应的第二元素值为预设第一类别值，与其它像素点对应的第二元素值为预设第二类别值。
5.如权利要求4所述的方法，所述使用所述判别网络模型并基于所述第一图像特征信息、所述第二图像特征信息以及所述物品图像，获得判别结果包括：
将所述第一图像特征矩阵与所述物品图像进行乘法运算，获得与所述第一图像特征矩阵相对应的第一物品检测特征图像信息；
将所述第二图像特征矩阵与所述物品图像进行乘法运算，获得与所述第二图像特征矩阵相对应的第二物品检测特征图像信息；
将所述第一物品检测特征图像信息和所述第二物品检测特征图像信息输入所述判别网络模型，获得所述判决结果。
6.如权利要求5所述的方法，所述获得所述判决结果包括：
将所述第一物品检测特征图像信息输入所述判别网络模型，生成第一图像特征向量；
将所述第二物品检测特征图像信息输入所述判别网络模型，生成第二图像特征向量；
计算所述第一图像特征向量与所述第二图像特征向量之间的距离；其中，所述距离为所述判别结果，所述距离包括：KL距离、欧式距离。
7.如权利要求6所述的方法，所述基于所述判别结果以及模型调整策略对所述分割网络模型进行调整包括：
基于所述距离构建用于确定所述第一物品检测特征图像信息与所述第二物品检测特征图像信息之间的相似度的损失函数；
对所述分割网络模型进行调整，直至所述损失函数的损失值满足预设的结束条件。
8.如权利要求2所述的方法，其中，
所述图像检测特征包括：裂缝特征、破损特征；
所述判别网络模型包括：卷积层和全连接层。
9.一种物品检测装置，包括：
模型构建模块，用于构建用于进行物品检测的生成式对抗网络GAN模型；其中，所述GAN模型包括：分割网络模型和判别网络模型；
第一特征获取模块，用于将物品图像输入所述分割网络模型，获取所述分割网络模型输出的第一图像特征信息；
第二特征获取模块，用于获取与所述物品图像相对应的第二图像特征信息；
判别结果获得模块，用于使用所述判别网络模型并基于所述第一图像特征信息、所述第二图像特征信息以及所述物品图像，获得判别结果；
模型调整模块，用于基于所述判别结果以及模型调整策略对所述分割网络模型进行调整；
模型检测模块，用于使用调整好的所述分割网络模型并基于采集的物品图像进行物品检测。
10.一种物品检测装置，包括：
存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如权利要求1至8中任一项所述的方法。
11.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行如权利要求1至8中任一项所述的方法。
CN201910896707.8A 2019-09-23 2019-09-23 物品检测方法、装置以及存储介质 Pending CN110599487A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910896707.8A CN110599487A (zh) 2019-09-23 2019-09-23 物品检测方法、装置以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910896707.8A CN110599487A (zh) 2019-09-23 2019-09-23 物品检测方法、装置以及存储介质

Publications (1)

Publication Number Publication Date
CN110599487A true CN110599487A (zh) 2019-12-20

Family

ID=68862135

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910896707.8A Pending CN110599487A (zh) 2019-09-23 2019-09-23 物品检测方法、装置以及存储介质

Country Status (1)

Country Link
CN (1) CN110599487A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037174A (zh) * 2020-08-05 2020-12-04 湖南自兴智慧医疗科技有限公司 染色体异常检测方法、装置、设备及计算机可读存储介质
TWI762193B (zh) * 2021-02-09 2022-04-21 鴻海精密工業股份有限公司 圖像瑕疵檢測方法、裝置、電子設備及存儲介質
CN114882021A (zh) * 2022-07-07 2022-08-09 江苏中清先进电池制造有限公司 电池锂膜的高效加工方法及其系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108537152A (zh) * 2018-03-27 2018-09-14 百度在线网络技术（北京）有限公司 用于检测活体的方法和装置
CN109508669A (zh) * 2018-11-09 2019-03-22 厦门大学 一种基于生成式对抗网络的人脸表情识别方法
CN110120038A (zh) * 2019-05-07 2019-08-13 重庆同济同枥信息技术有限公司 一种基于对抗生成网络的路面裂缝缺陷检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108537152A (zh) * 2018-03-27 2018-09-14 百度在线网络技术（北京）有限公司 用于检测活体的方法和装置
CN109508669A (zh) * 2018-11-09 2019-03-22 厦门大学 一种基于生成式对抗网络的人脸表情识别方法
CN110120038A (zh) * 2019-05-07 2019-08-13 重庆同济同枥信息技术有限公司 一种基于对抗生成网络的路面裂缝缺陷检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘国华: "《HALCON数字图像处理》", 30 June 2018 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037174A (zh) * 2020-08-05 2020-12-04 湖南自兴智慧医疗科技有限公司 染色体异常检测方法、装置、设备及计算机可读存储介质
CN112037174B (zh) * 2020-08-05 2024-03-01 湖南自兴智慧医疗科技有限公司 染色体异常检测方法、装置、设备及计算机可读存储介质
TWI762193B (zh) * 2021-02-09 2022-04-21 鴻海精密工業股份有限公司 圖像瑕疵檢測方法、裝置、電子設備及存儲介質
CN114882021A (zh) * 2022-07-07 2022-08-09 江苏中清先进电池制造有限公司 电池锂膜的高效加工方法及其系统
CN114882021B (zh) * 2022-07-07 2022-09-09 江苏中清先进电池制造有限公司 电池锂膜的高效加工方法及其系统

Similar Documents

Publication Publication Date Title
WO2020221298A1 (zh) 文本检测模型训练方法、文本区域、内容确定方法和装置
CN108388896B (zh) 一种基于动态时序卷积神经网络的车牌识别方法
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
CN109859171B (zh) 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法
CN110599487A (zh) 物品检测方法、装置以及存储介质
CN108846826B (zh) 物体检测方法、装置、图像处理设备及存储介质
CN111163338B (zh) 视频清晰度评估模型训练方法、视频推荐方法及相关装置
US9129192B2 (en) Semantic object proposal generation and validation
CN107341463B (zh) 一种结合图像质量分析与度量学习的人脸特征识别方法
CN108960135B (zh) 基于高分辨遥感图像的密集舰船目标精确检测方法
US20150170005A1 (en) Semantic object selection
WO2020052270A1 (zh) 一种视频审核的方法、装置和设备
US11615515B2 (en) Superpixel merging
CN111160427B (zh) 一种基于神经网络的海量流量数据类型的检测方法
CN111222548A (zh) 相似图像检测方法、装置、设备及存储介质
WO2023124278A1 (zh) 图像处理模型的训练方法、图像分类方法及装置
CN110751606A (zh) 一种基于神经网络算法的泡沫图像处理方法及系统
CN110598581B (zh) 基于卷积神经网络的光学乐谱识别方法
CN115731166A (zh) 一种基于深度学习的高压电缆接头打磨缺陷检测方法
CN111091122A (zh) 一种多尺度特征卷积神经网络的训练和检测方法、装置
CN114359235A (zh) 一种基于改进YOLOv5l网络的木材表面缺陷检测方法
CN111179276B (zh) 一种图像处理方法和装置
CN113706472B (zh) 公路路面病害检测方法、装置、设备及存储介质
WO2015031350A1 (en) Systems and methods for memory utilization for object detection
CN109697353A (zh) 一种点击验证码的验证方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20191220

RJ01 Rejection of invention patent application after publication