CN113096077A - 异常比例检测方法、装置、设备及计算机可读存储介质 - Google Patents
异常比例检测方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113096077A CN113096077A CN202110324477.5A CN202110324477A CN113096077A CN 113096077 A CN113096077 A CN 113096077A CN 202110324477 A CN202110324477 A CN 202110324477A CN 113096077 A CN113096077 A CN 113096077A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- pixel
- proportion
- image
- detected
- 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.)
- Granted
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 375
- 238000001514 detection method Methods 0.000 title claims abstract description 64
- 230000000007 visual effect Effects 0.000 claims abstract description 75
- 230000011218 segmentation Effects 0.000 claims abstract description 30
- 238000002372 labelling Methods 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 83
- 208000004350 Strabismus Diseases 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 13
- 238000005192 partition Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 8
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 30
- 238000004364 calculation method Methods 0.000 abstract description 9
- 230000007547 defect Effects 0.000 abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 16
- 238000007667 floating Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 239000010802 sludge Substances 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种异常比例检测方法、装置、设备及计算机可读存储介质，本发明通过语义分割的方法对待检测图像中的像素点进行异常类型标注，以确定出待检测图像的异常像素比例，然后再具体根据待检测图像的实际拍摄视角选择对应的异常比例计算方法来计算待检测图像所对应实际场景的异常比例，以修正因画面角度导致的透视失真，克服像素比例无法直接反映实际面积比例的缺陷，从而提高了检测准确度。
Description
技术领域
本发明涉及机器视觉技术领域，尤其涉及异常比例检测方法、装置、设备及计算机可读存储介质。
背景技术
随着人工智能技术的快速发展，其分支之一的机器视觉技术也更加广泛地应用于工业、农业、医药、军事、航天等领域当中。在机器视觉的实际应用场景中，往往需要检测异常面积比例，以在检测到其超出一定阈值时进行预警。现有的目标检测算法却只可以得到画面中是否含有异常，而无法确定其比例；现有的语义分割方法虽然能够确定画面中异常像素的比例，但像素比例依然无法直接反映实际的面积比例，从而反映出现有的检测方式难以准确检测异常面积比例的技术问题。
发明内容
本发明的主要目的在于提出一种异常比例检测方法、装置、设备及计算机可读存储介质，旨在解决现有的检测方式难以准确检测异常面积比例的技术问题。
为实现上述目的，本发明提供一种异常比例检测方法，所述异常比例检测方法包括：
获取待检测图像，将所述待检测图像输入预训练的语义分割模型，得到标注有异常像素类型和非异常像素类型的标注像素矩阵；
根据所述待检测图像的拍摄视角，确定与所述拍摄视角匹配的异常比例算法；
按照所述异常像素类型和非异常像素类型，对所述标注像素矩阵使用所述异常比例算法，得到所述待检测图像对应在实际场景中的异常比例。
可选地，所述根据所述待检测图像的拍摄视角，确定与所述拍摄视角匹配的异常比例算法的步骤包括：
根据所述待检测图像的斜视视角、垂直俯视视角或垂直直视视角，确定与所述斜视视角、垂直俯视视角或垂直直视视角匹配的异常比例算法。
可选地，在所述拍摄视角为所述斜视视角时，
所述按照所述异常像素类型和非异常像素类型，对所述标注像素矩阵使用所述异常比例算法，得到所述待检测图像对应在实际场景中的异常比例的步骤包括：
根据所述斜视视角与所述标注像素矩阵中非异常区域的形状，确定所述非异常像素类型的像素点对应的像素权重，其中，所述非异常区域为标注所述非异常像素类型的非像素点所包围的区域；
根据所述像素权重、所述标注像素矩阵中标注所述异常像素类型的第一异常像素点数目和标注所述非异常像素类型的第一非异常像素点数目，得到所述异常比例。
可选地，所述按照所述异常像素类型和非异常像素类型，对所述标注像素矩阵使用所述异常比例算法，得到所述待检测图像对应在实际场景中的异常比例的步骤包括：
对所述标注像素矩阵进行分区处理，并为每一分区分配对应的区域权重；
根据所述区域权重、每一分区中标注所述异常像素类型的第二异常像素点数目和标注所述非异常像素类型的第二非异常像素点数目，得到所述异常比例。
可选地，在所述拍摄视角为所述垂直俯视视角时，
所述按照所述异常像素类型和非异常像素类型，对所述标注像素矩阵使用所述异常比例算法，得到所述待检测图像对应在实际场景中的异常比例的步骤包括：
获取所述标注像素矩阵中每一行标注所述异常像素类型的像素点对应的行异常比例；
基于所述行异常比例计算所述标注像素矩阵中所有列中标注所述异常像素类型的像素点对应的列异常比例的平均值，以将所述平均值作为所述异常比例。
可选地，在所述拍摄视角为所述垂直直视视角时，
所述按照所述异常像素类型和非异常像素类型，对所述标注像素矩阵使用所述异常比例算法，得到所述待检测图像对应在实际场景中的异常比例的步骤包括：
根据所述标注像素矩阵中标注所述异常像素类型的第三异常像素点数目与标注所述非异常像素类型的第三非异常像素点数目，得到所述标注像素矩阵的异常像素比例，以将所述异常像素比例作为所述异常比例。
可选地，所述获取待检测图像的步骤之前，还包括：
收集样本图像数据，并对所述样本图像数据进行像素类别标注，以得到标注数据集；
使用语义分割算法对所述标注数据集进行训练，得到所述语义分割模型。
此外，为实现上述目的，本发明还提供一种异常比例检测装置，所述异常比例检测装置包括：
标注矩阵获取模块，用于获取待检测图像，将所述待检测图像输入预训练的语义分割模型，得到标注有异常像素类型和非异常像素类型的标注像素矩阵；
视角算法确定模块，用于根据所述待检测图像的拍摄视角，确定与所述拍摄视角匹配的异常比例算法；
异常比例获取模块，用于按照所述异常像素类型和非异常像素类型，对所述标注像素矩阵使用所述异常比例算法，得到所述待检测图像对应在实际场景中的异常比例。
可选地，所述视角算法确定模块包括：
视角算法确定单元，用于根据所述待检测图像的斜视视角、垂直俯视视角或垂直直视视角，确定与所述斜视视角、垂直俯视视角或垂直直视视角匹配的异常比例算法。
可选地，在所述拍摄视角为所述斜视视角时，
所述异常比例获取模块包括：
像素权重确定单元，用于根据所述斜视视角与所述标注像素矩阵中非异常区域的形状，确定所述非异常像素类型的像素点对应的像素权重，其中，所述非异常区域为标注所述非异常像素类型的非像素点所包围的区域；
第一比例获取单元，用于根据所述像素权重、所述标注像素矩阵中标注所述异常像素类型的第一异常像素点数目和标注所述非异常像素类型的第一非异常像素点数目，得到所述异常比例。
可选地，所述异常比例获取模块包括：
区域权重确定单元，用于对所述标注像素矩阵进行分区处理，并为每一分区分配对应的区域权重；
第二比例获取单元，用于根据所述区域权重、每一分区中标注所述异常像素类型的第二异常像素点数目和标注所述非异常像素类型的第二非异常像素点数目，得到所述异常比例。
可选地，在所述拍摄视角为所述垂直俯视视角时，
所述异常比例获取模块包括：
行异常比例获取单元，用于获取所述标注像素矩阵中每一行标注所述异常像素类型的像素点对应的行异常比例；
平均值计算单元，用于基于所述行异常比例计算所述标注像素矩阵中所有列中标注所述异常像素类型的像素点对应的列异常比例的平均值，以将所述平均值作为所述异常比例。
可选地，在所述拍摄视角为所述垂直直视视角时，
所述异常比例获取模块包括：
第三比例获取单元，用于根据所述标注像素矩阵中标注所述异常像素类型的第三异常像素点数目与标注所述非异常像素类型的第三非异常像素点数目，得到所述标注像素矩阵的异常像素比例，以将所述异常像素比例作为所述异常比例。
可选地，所述异常比例检测装置还包括：
样本数据标注模块，用于收集样本图像数据，并对所述样本图像数据进行像素类别标注，以得到标注数据集；
语义模型训练模块，用于使用语义分割算法对所述标注数据集进行训练，得到所述语义分割模型。
此外，为实现上述目的，本发明还提供一种异常比例检测设备，所述异常比例检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的异常比例检测程序，所述异常比例检测程序被所述处理器执行时实现如上所述的异常比例检测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有异常比例检测程序，所述异常比例检测程序被处理器执行时实现如上所述的异常比例检测方法的步骤。
本发明提供一种异常比例检测方法、装置、设备及计算机可读存储介质。本发明通过语义分割的方法对待检测图像中的像素点进行异常类型标注，以确定出待检测图像的异常像素比例，然后再具体根据待检测图像的实际拍摄视角选择对应的异常比例计算方法来计算待检测图像所对应实际场景的异常比例，以修正因画面角度导致的透视失真，克服像素比例无法直接反映实际面积比例的缺陷，从而提高了检测准确度，解决了现有的检测方式难以准确检测异常面积比例的技术问题。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图；
图2为本发明异常比例检测方法第一实施例的流程示意图；
图3为本发明异常比例检测方法第一实施例的实际场景图像；
图4为本发明异常比例检测方法第一实施例的标注示意图；
图5为本发明异常比例检测方法第二实施例的斜视视角下的标注示意图；
图6为本发明异常比例检测方法第二实施例的斜视视角下目标不规则的标注示意图；
图7为本发明异常比例检测方法第三实施例的水质俯视视角下的标注示意图；
图8为本发明异常比例检测方法第三实施例的垂直直视视角下的标注示意图；
图9为本发明异常比例检测装置的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
如图1所示，该异常比例检测装置可以包括：处理器1001，例如CPU，用户接口1003，网络接口1004，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的设备结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及异常比例检测程序。
在图1所示的设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(程序员端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的异常比例检测程序，并执行下述异常比例检测方法中的操作：
获取待检测图像，将所述待检测图像输入预训练的语义分割模型，得到标注有异常像素类型和非异常像素类型的标注像素矩阵；
根据所述待检测图像的拍摄视角，确定与所述拍摄视角匹配的异常比例算法；
按照所述异常像素类型和非异常像素类型，对所述标注像素矩阵使用所述异常比例算法，得到所述待检测图像对应在实际场景中的异常比例。
进一步地，所述根据所述待检测图像的拍摄视角，确定与所述拍摄视角匹配的异常比例算法的步骤包括：
根据所述待检测图像的斜视视角、垂直俯视视角或垂直直视视角，确定与所述斜视视角、垂直俯视视角或垂直直视视角匹配的异常比例算法。
进一步地，在所述拍摄视角为所述斜视视角时，
所述按照所述异常像素类型和非异常像素类型，对所述标注像素矩阵使用所述异常比例算法，得到所述待检测图像对应在实际场景中的异常比例的步骤包括：
根据所述斜视视角与所述标注像素矩阵中非异常区域的形状，确定所述非异常像素类型的像素点对应的像素权重，其中，所述非异常区域为标注所述非异常像素类型的非像素点所包围的区域；
根据所述像素权重、所述标注像素矩阵中标注所述异常像素类型的第一异常像素点数目和标注所述非异常像素类型的第一非异常像素点数目，得到所述异常比例。
进一步地，所述按照所述异常像素类型和非异常像素类型，对所述标注像素矩阵使用所述异常比例算法，得到所述待检测图像对应在实际场景中的异常比例的步骤包括：
对所述标注像素矩阵进行分区处理，并为每一分区分配对应的区域权重；
根据所述区域权重、每一分区中标注所述异常像素类型的第二异常像素点数目和标注所述非异常像素类型的第二非异常像素点数目，得到所述异常比例。
进一步地，在所述拍摄视角为所述垂直俯视视角时，
所述按照所述异常像素类型和非异常像素类型，对所述标注像素矩阵使用所述异常比例算法，得到所述待检测图像对应在实际场景中的异常比例的步骤包括：
获取所述标注像素矩阵中每一行标注所述异常像素类型的像素点对应的行异常比例；
基于所述行异常比例计算所述标注像素矩阵中所有列中标注所述异常像素类型的像素点对应的列异常比例的平均值，以将所述平均值作为所述异常比例。
进一步地，在所述拍摄视角为所述垂直直视视角时，
所述按照所述异常像素类型和非异常像素类型，对所述标注像素矩阵使用所述异常比例算法，得到所述待检测图像对应在实际场景中的异常比例的步骤包括：
根据所述标注像素矩阵中标注所述异常像素类型的第三异常像素点数目与标注所述非异常像素类型的第三非异常像素点数目，得到所述标注像素矩阵的异常像素比例，以将所述异常像素比例作为所述异常比例。
进一步地，所述获取待检测图像的步骤之前，还包括：
收集样本图像数据，并对所述样本图像数据进行像素类别标注，以得到标注数据集；
使用语义分割算法对所述标注数据集进行训练，得到所述语义分割模型。
基于上述硬件结构，提出本发明异常比例检测方法实施例。
随着人工智能技术的快速发展，其分支之一的机器视觉技术也更加广泛地应用于工业、农业、医药、军事、航天等领域当中。在机器视觉的实际应用场景中，往往需要检测异常面积比例，以在检测到其超出一定阈值时进行预警。现有的目标检测算法却只可以得到画面中是否含有异常，而无法确定其比例；现有的语义分割方法虽然能够确定画面中异常像素的比例，但像素比例依然无法直接反映实际的面积比例，从而反映出现有的检测方式难以准确检测异常面积比例的技术问题。
为解决上述问题，本发明提供一种异常比例检测方法，即通过语义分割的方法对待检测图像中的像素点进行异常类型标注，以确定出待检测图像的异常像素比例，然后再具体根据待检测图像的实际拍摄视角选择对应的异常比例计算方法来计算待检测图像所对应实际场景的异常比例，以修正因画面角度导致的透视失真，克服像素比例无法直接反映实际面积比例的缺陷，从而提高了检测准确度，解决了现有的检测方式难以准确检测异常面积比例的技术问题。
参照图2，图2为本发明异常比例检测方法第一实施例的流程示意图。所述异常比例检测方法包括；
步骤S10，获取待检测图像，将所述待检测图像输入预训练的语义分割模型，得到标注有异常像素类型和非异常像素类型的标注像素矩阵；
在本实施例中，本方法应用于终端设备。待检测图像指的是当前异常比例检测任务中需要进行异常比例检测的场景图像，同一任务中可存在一张或多张待检测图像，且待检测图像可为各种格式的图形，例如灰度图、RGB图像等。语义分割模型指的是使用语义分割算法对样本数据集训练所得到的的模型。
异常像素类型指的是待检测图像中异常部分的像素点类型。
非异常像素类型指的是待检测图像中除异常部分之外的像素点的类型。
在同一待检测图像中，异常像素类型和非异常像素类型均可包括一种或多种。例如，以检测水面浮泥面积比例场景为例，异常像素类型即为浮泥类型，非异常像素类型可为水面类型和背景类型。
标注像素矩阵指的是模型所输出的已对待检测图形的每一像素点进行类型标注区分的像素矩阵。
终端在获取到当前异常比例检测任务中需要进行检测的待检测图像，则将其作为预训练的语义分割模型的输入，模型即可输出与待检测图像对应的标注每一像素点类型的标注像素矩阵。例如，如图3和4所示，图3为水面浮泥场景图像(即上述待检测图像)，图4为模型所输出的与图3对应的标注像素矩阵。图中上部即为背景类型的像素点，下部则由水面类型的像素点以及浮泥类型的像素点组成。
步骤S20，根据所述待检测图像的拍摄视角，确定与所述拍摄视角匹配的异常比例算法；
在本实施例中，拍摄视角具体可包括垂直俯视视角、垂直直视视角和斜视视角等。面积比例算法具体可包括针对垂直俯视视角的算法、针对垂直直视视角的算法和针对斜视视角的算法等。拍摄视角可由终端对待检测图像自动识别获取，也可由终端基于技术人员发出的指令或是输入的关键字中获取。
终端在确定出待检测图像的拍摄视角后，即可根据此拍摄视角从预存的面积比例算法中选择匹配的算法，以此算法来完成本次的异常比例检测任务。
步骤S30，按照所述异常像素类型和非异常像素类型，对所述标注像素矩阵使用所述异常比例算法，得到所述待检测图像对应在实际场景中的异常比例。
在本实施例中，每一针对不同拍摄视角的异常比例算法都设置有相应的计算公式。异常比例指的是待检测图像所对应的实际场景中异常物体在整个画面中的占比。在待检测图像中不存在透视失真时，待检测图像的异常像素比例即可等同于待检测图像对应在实际场景中的异常面积比例；而在待检测图像中存在透视失真时，则需要对待检测图像的异常像素比例进行修正。
终端根据标注像素矩阵中各个像素点所标注的像素类型，使用对应的异常比例算法进行计算，最终的计算结果即为待检测图像所反映的实际场景中的异常比例。以检测水面浮泥面积比例场景为例，终端最终所得的计算结果即为该场景中的浮泥在整个水面中的面积占比。
本发明提供一种异常比例检测方法。所述异常比例检测方法通过获取待检测图像，将所述待检测图像输入预训练的语义分割模型，得到标注有异常像素类型和非异常像素类型的标注像素矩阵；根据所述待检测图像的拍摄视角，确定与所述拍摄视角匹配的异常比例算法；按照所述异常像素类型和非异常像素类型，对所述标注像素矩阵使用所述异常比例算法，得到所述待检测图像对应在实际场景中的异常比例。本发明通过语义分割的方法对待检测图像中的像素点进行异常类型标注，以确定出待检测图像的异常像素比例，然后再具体根据待检测图像的实际拍摄视角选择对应的异常比例计算方法来计算待检测图像所对应实际场景的异常比例，以修正因画面角度导致的透视失真，克服像素比例无法直接反映实际面积比例的缺陷，从而提高了检测准确度，解决了现有的检测方式难以准确检测异常面积比例的技术问题。
进一步地，基于上述图2所示的第一实施例，提出本发明异常比例检测方法的第二实施例。在本实施例中，步骤S20包括：
根据所述待检测图像的斜视视角、垂直俯视视角或垂直直视视角，确定与所述斜视视角、垂直俯视视角或垂直直视视角匹配的异常比例算法。
在本实施例中，待检测图像的拍摄视角可为斜视视角、垂直俯视时间或垂直直视视角。终端在确定出待检测图像实际的拍摄视角后，基于此从预存的异常比例算法中选择与此拍摄视角对应的算法以进行异常比例计算。
进一步地，在所述拍摄视角为所述斜视视角时，步骤S30包括：
根据所述斜视视角与所述标注像素矩阵中非异常区域的形状，确定所述非异常像素类型的像素点对应的像素权重，其中，所述非异常区域为标注所述非异常像素类型的非像素点所包围的区域；
根据所述像素权重、所述标注像素矩阵中标注所述异常像素类型的第一异常像素点数目和标注所述非异常像素类型的第一非异常像素点数目，得到所述异常比例。
进一步地，步骤S30包括：
对所述标注像素矩阵进行分区处理，并为每一分区分配对应的区域权重；
根据所述区域权重、每一分区中标注所述异常像素类型的第二异常像素点数目和标注所述非异常像素类型的第二非异常像素点数目，得到所述异常比例。
在本实施例中，第一异常像素点数目指的是拍摄视角为斜视视角时采用像素加权的方式所得到的标注像素矩阵中的异常像素类型像素点的数目，第一非异常像素点数目指的是拍摄视角为斜视视角时采用像素加权的方式所得到的标注像素矩阵中的非异常像素类型像素点的数目；第二异常像素点数目指的是拍摄视角为斜视视角时采用分区加权的方式所得到的标注像素矩阵中的异常像素类型像素点的数目，第二非异常像素点数目指的是拍摄视角为斜视视角时采用分区加权的方式所得到的标注像素矩阵中的非异常像素类型像素点的数目。
在待检测图像的拍摄视角为斜视视角时，需要对像素设置权重。具体地，如图5和6，图5为斜俯视视角且目标规则的情况，图6为斜视视角且目标不规则的情况。设模型输出的标注矩阵P(m*n维矩阵)，每个像素类别表示为Pij(i为横坐标，j为纵坐标)，背景类别为b，水面为s，浮泥为f，对水面内的像素点类别Pij，设其权重为wij，具体值需要根据视角和形状进行确定，则水面浮泥比例η计算如下：
另外，作为一种实施方式，斜俯视画面还可以根据实际情况进行分区域估算，每个区域的权重根据实际情况确定。
本实施例进一步通过给出拍摄视角为斜俯视视角的场景图像所对应的两种异常比例计算方式，从而使得能够有效计算出在这一特殊视角的包含规则目标或是不规则目标场景图像的实际异常比例。
进一步地，基于上述图2所示的第一实施例，提出本发明异常比例检测方法的第三实施例。在本实施例中，在所述拍摄视角为所述垂直俯视视角时，步骤S30包括：
获取所述标注像素矩阵中每一行标注所述异常像素类型的像素点对应的行异常比例；
基于所述行异常比例计算所述标注像素矩阵中所有列中标注所述异常像素类型的像素点对应的列异常比例的平均值，以将所述平均值作为所述异常比例。
在本实施例中，在拍摄视角为垂直俯视视角时，画面中的物体在垂直方向具有近大远小的特点，在水平方向像素的比例和实际面积比例一致。画面如图7所示。设模型输出为矩阵P(m*n维矩阵)，每个像素类别表示为Pij(i为横坐标，j为纵坐标)，背景类别为b，水面为s，浮泥为f，则水面浮泥比例η计算如下：
上述公式即计算每一行的浮泥比例，然后将所有列的浮泥比例求平均值。
进一步地，在所述拍摄视角为所述垂直直视视角时，步骤S30包括：
根据所述标注像素矩阵中标注所述异常像素类型的第三异常像素点数目与标注所述非异常像素类型的第三非异常像素点数目，得到所述标注像素矩阵的异常像素比例，以将所述异常像素比例作为所述异常比例。
在本实施例中，第三异常像素点数目指的是拍摄视角为垂直直视视角时标注像素矩阵中的异常像素类型像素点的数目，第三非异常像素点数目指的是拍摄视角为垂直直视视角时标注像素矩阵中的非异常像素类型像素点的数目。
在拍摄视角为垂直直视视角时，由于这一视角下拍摄的画面不存在透视失真，因此可直接将异常像素比例作为实际的异常比例。如图8所示，设模型输出为矩阵P(m*n维矩阵)，每个像素类别表示为Pij(i为横坐标，j为纵坐标)，背景类别为b，水面为s，浮泥为f，则水面浮泥比例(也即是异常像素比例)η计算如下：
上述公式即计算所有像素点中浮泥类型的像素点数量除以浮泥加水面类型的像素点的数量。
进一步地，步骤S10之前，还包括：
收集样本图像数据，并对所述样本图像数据进行像素类别标注，以得到标注数据集；
使用语义分割算法对所述标注数据集进行训练，得到所述语义分割模型。
在本实施例中，依旧以检测水面浮泥面积比例场景为例。首先，需要收集整理标注好的数据，形成语义分割标注数据集。在本场景中即将所有像素标注为背景、水面、浮泥三种类别；然后使用语义分割算法进行训练，得到训练好的语义分割模型。在该模型输入场景图像后，模型即可输出场景图像中每个像素点对应的类别。
本实施例进一步通过给出拍摄视角为垂直俯视与垂直直视视角的场景图像所对应的异常比例计算公式，从而使得能够有效计算出上述两种特殊视角的场景图像的实际异常比例。
如图9所示，本发明还提供一种异常比例检测装置，所述异常比例检测装置包括：
标注矩阵获取模块10，用于获取待检测图像，将所述待检测图像输入预训练的语义分割模型，得到标注有异常像素类型和非异常像素类型的标注像素矩阵；
视角算法确定模块20，用于根据所述待检测图像的拍摄视角，确定与所述拍摄视角匹配的异常比例算法；
异常比例获取模块30，用于按照所述异常像素类型和非异常像素类型，对所述标注像素矩阵使用所述异常比例算法，得到所述待检测图像对应在实际场景中的异常比例。
上述各程序模块所执行的方法可参照本发明异常比例检测方法各个实施例，此处不再赘述。
本发明还提供一种异常比例检测设备。
所述异常比例检测设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的异常比例检测程序，其中所述异常比例检测程序被所述处理器执行时，实现如上所述的异常比例检测方法的步骤。
其中，所述异常比例检测程序被执行时所实现的方法可参照本发明异常比例检测方法的各个实施例，此处不再赘述。
本发明还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有异常比例检测程序，所述异常比例检测程序被处理器执行时实现如上所述的异常比例检测方法的步骤。
其中，所述异常比例检测程序被执行时所实现的方法可参照本发明异常比例检测方法各个实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种异常比例检测方法，其特征在于，所述异常比例检测方法包括：
获取待检测图像，将所述待检测图像输入预训练的语义分割模型，得到标注有异常像素类型和非异常像素类型的标注像素矩阵；
根据所述待检测图像的拍摄视角，确定与所述拍摄视角匹配的异常比例算法；
按照所述异常像素类型和非异常像素类型，对所述标注像素矩阵使用所述异常比例算法，得到所述待检测图像对应在实际场景中的异常比例。
2.如权利要求1所述的异常比例检测方法，其特征在于，所述根据所述待检测图像的拍摄视角，确定与所述拍摄视角匹配的异常比例算法的步骤包括：
根据所述待检测图像的斜视视角、垂直俯视视角或垂直直视视角，确定与所述斜视视角、垂直俯视视角或垂直直视视角匹配的异常比例算法。
3.如权利要求2所述的异常比例检测方法，其特征在于，在所述拍摄视角为所述斜视视角时，
所述按照所述异常像素类型和非异常像素类型，对所述标注像素矩阵使用所述异常比例算法，得到所述待检测图像对应在实际场景中的异常比例的步骤包括：
根据所述斜视视角与所述标注像素矩阵中非异常区域的形状，确定所述非异常像素类型的像素点对应的像素权重，其中，所述非异常区域为标注所述非异常像素类型的非像素点所包围的区域；
根据所述像素权重、所述标注像素矩阵中标注所述异常像素类型的第一异常像素点数目和标注所述非异常像素类型的第一非异常像素点数目，得到所述异常比例。
4.如权利要求2所述的异常比例检测方法，其特征在于，所述按照所述异常像素类型和非异常像素类型，对所述标注像素矩阵使用所述异常比例算法，得到所述待检测图像对应在实际场景中的异常比例的步骤包括：
对所述标注像素矩阵进行分区处理，并为每一分区分配对应的区域权重；
根据所述区域权重、每一分区中标注所述异常像素类型的第二异常像素点数目和标注所述非异常像素类型的第二非异常像素点数目，得到所述异常比例。
5.如权利要求2所述的异常比例检测方法，其特征在于，在所述拍摄视角为所述垂直俯视视角时，
所述按照所述异常像素类型和非异常像素类型，对所述标注像素矩阵使用所述异常比例算法，得到所述待检测图像对应在实际场景中的异常比例的步骤包括：
获取所述标注像素矩阵中每一行标注所述异常像素类型的像素点对应的行异常比例；
基于所述行异常比例计算所述标注像素矩阵中所有列中标注所述异常像素类型的像素点对应的列异常比例的平均值，以将所述平均值作为所述异常比例。
6.如权利要求2所述的异常比例检测方法，其特征在于，在所述拍摄视角为所述垂直直视视角时，
所述按照所述异常像素类型和非异常像素类型，对所述标注像素矩阵使用所述异常比例算法，得到所述待检测图像对应在实际场景中的异常比例的步骤包括：
根据所述标注像素矩阵中标注所述异常像素类型的第三异常像素点数目与标注所述非异常像素类型的第三非异常像素点数目，得到所述标注像素矩阵的异常像素比例，以将所述异常像素比例作为所述异常比例。
7.如权利要求1-6中任一项所述的异常比例检测方法，其特征在于，所述获取待检测图像的步骤之前，还包括：
收集样本图像数据，并对所述样本图像数据进行像素类别标注，以得到标注数据集；
使用语义分割算法对所述标注数据集进行训练，得到所述语义分割模型。
8.一种异常比例检测装置，其特征在于，所述异常比例检测装置包括：
标注矩阵获取模块，用于获取待检测图像，将所述待检测图像输入预训练的语义分割模型，得到标注有异常像素类型和非异常像素类型的标注像素矩阵；
视角算法确定模块，用于根据所述待检测图像的拍摄视角，确定与所述拍摄视角匹配的异常比例算法；
异常比例获取模块，用于按照所述异常像素类型和非异常像素类型，对所述标注像素矩阵使用所述异常比例算法，得到所述待检测图像对应在实际场景中的异常比例。
9.一种异常比例检测设备，其特征在于，所述异常比例检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的异常比例检测程序，所述异常比例检测程序被所述处理器执行时实现如权利要求1至7中任一项所述的异常比例检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有异常比例检测程序，所述异常比例检测程序被处理器执行时实现如权利要求1至7中任一项所述的异常比例检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110324477.5A CN113096077B (zh) | 2021-03-25 | 2021-03-25 | 异常比例检测方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110324477.5A CN113096077B (zh) | 2021-03-25 | 2021-03-25 | 异常比例检测方法、装置、设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113096077A true CN113096077A (zh) | 2021-07-09 |
| CN113096077B CN113096077B (zh) | 2024-05-03 |
Family
ID=76669802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110324477.5A Active CN113096077B (zh) | 2021-03-25 | 2021-03-25 | 异常比例检测方法、装置、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113096077B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010060509A (ja) * | 2008-09-05 | 2010-03-18 | Olympus Corp | 画像パターンの判定方法、システム、装置、プログラムおよび前記プログラムを記録したコンピュータ読み取り可能な記録媒体 |
| US20140267840A1 (en) * | 2013-03-13 | 2014-09-18 | Seiko Epson Corporation | Camera and image processing method |
| CN108093182A (zh) * | 2018-01-26 | 2018-05-29 | 广东欧珀移动通信有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
| WO2018120460A1 (zh) * | 2016-12-28 | 2018-07-05 | 平安科技（深圳）有限公司 | 图像焦距检测方法、装置、设备及计算机可读存储介质 |
| CN108615230A (zh) * | 2018-03-16 | 2018-10-02 | 北京邮电大学 | 一种轮毂表面异常检测方法和系统 |
| CN109086696A (zh) * | 2018-07-18 | 2018-12-25 | 洛阳语音云创新研究院 | 一种异常行为检测方法、装置、电子设备及存储介质 |
| WO2019061293A1 (zh) * | 2017-09-29 | 2019-04-04 | 深圳市大疆创新科技有限公司 | 对象检测方法、对象检测终端及计算机可读介质 |
| CN109655383A (zh) * | 2017-10-11 | 2019-04-19 | 南京大学 | 一种基于血小板投影成像的检测装置及其方法 |
| CN109948616A (zh) * | 2019-03-26 | 2019-06-28 | 北京迈格威科技有限公司 | 图像检测方法、装置、电子设备及计算机可读存储介质 |
| JP2019212968A (ja) * | 2018-05-31 | 2019-12-12 | キヤノン株式会社 | 撮像装置およびその制御方法 |
| CN111582084A (zh) * | 2020-04-24 | 2020-08-25 | 北京航空航天大学 | 基于弱监督学习的空基视角下的铁轨异物检测方法及系统 |
| CN111767831A (zh) * | 2020-06-28 | 2020-10-13 | 北京百度网讯科技有限公司 | 用于处理图像的方法、装置、设备及存储介质 |
| WO2020248848A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技（深圳）有限公司 | 智能化异常细胞判断方法、装置及计算机可读存储介质 |
| JP2021012141A (ja) * | 2019-07-08 | 2021-02-04 | ソフトバンク株式会社 | 異常点検システム、異常点検装置、異常点検方法および異常点検プログラム |
-
2021
- 2021-03-25 CN CN202110324477.5A patent/CN113096077B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010060509A (ja) * | 2008-09-05 | 2010-03-18 | Olympus Corp | 画像パターンの判定方法、システム、装置、プログラムおよび前記プログラムを記録したコンピュータ読み取り可能な記録媒体 |
| US20140267840A1 (en) * | 2013-03-13 | 2014-09-18 | Seiko Epson Corporation | Camera and image processing method |
| WO2018120460A1 (zh) * | 2016-12-28 | 2018-07-05 | 平安科技（深圳）有限公司 | 图像焦距检测方法、装置、设备及计算机可读存储介质 |
| WO2019061293A1 (zh) * | 2017-09-29 | 2019-04-04 | 深圳市大疆创新科技有限公司 | 对象检测方法、对象检测终端及计算机可读介质 |
| CN109655383A (zh) * | 2017-10-11 | 2019-04-19 | 南京大学 | 一种基于血小板投影成像的检测装置及其方法 |
| CN108093182A (zh) * | 2018-01-26 | 2018-05-29 | 广东欧珀移动通信有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
| CN108615230A (zh) * | 2018-03-16 | 2018-10-02 | 北京邮电大学 | 一种轮毂表面异常检测方法和系统 |
| JP2019212968A (ja) * | 2018-05-31 | 2019-12-12 | キヤノン株式会社 | 撮像装置およびその制御方法 |
| CN109086696A (zh) * | 2018-07-18 | 2018-12-25 | 洛阳语音云创新研究院 | 一种异常行为检测方法、装置、电子设备及存储介质 |
| CN109948616A (zh) * | 2019-03-26 | 2019-06-28 | 北京迈格威科技有限公司 | 图像检测方法、装置、电子设备及计算机可读存储介质 |
| WO2020248848A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技（深圳）有限公司 | 智能化异常细胞判断方法、装置及计算机可读存储介质 |
| JP2021012141A (ja) * | 2019-07-08 | 2021-02-04 | ソフトバンク株式会社 | 異常点検システム、異常点検装置、異常点検方法および異常点検プログラム |
| CN111582084A (zh) * | 2020-04-24 | 2020-08-25 | 北京航空航天大学 | 基于弱监督学习的空基视角下的铁轨异物检测方法及系统 |
| CN111767831A (zh) * | 2020-06-28 | 2020-10-13 | 北京百度网讯科技有限公司 | 用于处理图像的方法、装置、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| M. AFSHIN ET AL.: "Regional Assessment of Cardiac Left Ventricular Myocardial Function via MRI Statistical Features", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
| 尤磊: "基于深度学习的人体异常行为检测技术研究", 《中国博士学位论文全文数据库》 * |
| 廖如天: "基于深度学习的异常目标识别", 《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113096077B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108898047B (zh) | 基于分块遮挡感知的行人检测方法及系统 | |
| CN110705405B (zh) | 目标标注的方法及装置 | |
| US20210124967A1 (en) | Method and apparatus for sample labeling, and method and apparatus for identifying damage classification | |
| CN111709421B (zh) | 鸟类识别方法、装置、计算机设备及存储介质 | |
| CN110458198B (zh) | 多分辨率目标识别方法及装置 | |
| CN111461101B (zh) | 工服标志的识别方法、装置、设备及存储介质 | |
| CN111310826B (zh) | 样本集的标注异常检测方法、装置及电子设备 | |
| US11694331B2 (en) | Capture and storage of magnified images | |
| CN110827269B (zh) | 农作物生长变化状况检测方法、装置、设备及介质 | |
| CN113205507B (zh) | 一种视觉问答方法、系统及服务器 | |
| CN108229494B (zh) | 网络训练方法、处理方法、装置、存储介质和电子设备 | |
| CN110245747A (zh) | 基于全卷积神经网络的图像处理方法及装置 | |
| WO2020259416A1 (zh) | 图像采集控制方法、装置、电子设备及存储介质 | |
| CN113222921A (zh) | 一种图像处理方法及系统 | |
| CN113592839A (zh) | 基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统 | |
| CN116912674A (zh) | 基于改进的YOLOv5s网络模型复杂水环境下目标检测方法及系统 | |
| CN116704324A (zh) | 基于水下图像的目标检测方法、系统、设备以及存储介质 | |
| CN111368698A (zh) | 主体识别方法、装置、电子设备及介质 | |
| CN111553184A (zh) | 一种基于电子围网的小目标检测方法、装置及电子设备 | |
| CN113902740A (zh) | 图像模糊程度评价模型的构建方法 | |
| CN113052019B (zh) | 目标跟踪方法及装置、智能设备和计算机存储介质 | |
| CN110399868B (zh) | 一种滨海湿地鸟类检测方法 | |
| CN109684953A (zh) | 基于目标检测和粒子滤波算法进行猪只跟踪的方法及装置 | |
| CN111127432B (zh) | 一种医学图像检测方法、装置、设备及存储介质 | |
| CN117218633A (zh) | 一种物品检测方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |