CN114820409A - 图像异常检测方法、装置、电子设备及存储介质 - Google Patents
图像异常检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114820409A CN114820409A CN202110037823.1A CN202110037823A CN114820409A CN 114820409 A CN114820409 A CN 114820409A CN 202110037823 A CN202110037823 A CN 202110037823A CN 114820409 A CN114820409 A CN 114820409A
- Authority
- CN
- China
- Prior art keywords
- image
- abnormal
- scores
- preset
- determining
- 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
Links
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
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
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)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及图像检测,本申请提供一种图像异常检测方法、装置、电子设备及存储介质,该方法对获取的待检测图像进行切割,获得多个第一切割图像以及多个第二切割图像,将待检测图像输入至预先训练好的第一异常检测模型中,获得第一异常分数,将多个第一切割图像输入至预先训练好的第二异常检测模型中,获得多个第二异常分数,将多个第二切割图像输入至预先训练好的第三异常检测模型中,获得多个第三异常分数,若待检测图像存在异常,根据预设的异常资料库确定待检测图像的异常类型。本申请能提高异常检测的准确率。
Description
技术领域
本申请涉及图像检测技术领域,尤其涉及一种图像异常检测方法、装置、电子设备及存储介质。
背景技术
目前,对应物体表面瑕疵的检测,可以将待检测图片输入至训练好的神经网络模型中,判断该待检测图像是否为异常图像,但在实践中发现,当瑕疵在图像中很小的时候,难以检测出来,且无法检测出异常类型。
因此,如何提高异常检测的准确率是一个亟需解决的技术问题。
发明内容
鉴于以上内容,有必要提供一种图像异常检测方法、装置、电子设备及存储介质,能够提高异常检测的准确率。
本申请的第一方面提供一种图像异常检测方法,所述图像异常检测方法包括:
获取待检测图像;
对所述待检测图像进行切割,获得多个第一切割图像以及多个第二切割图像;
将所述待检测图像输入至预先训练好的第一异常检测模型中,获得第一异常分数,将所述多个第一切割图像输入至预先训练好的第二异常检测模型中,获得多个第二异常分数,以及将所述多个第二切割图像输入至预先训练好的第三异常检测模型中,获得多个第三异常分数;
根据所述第一异常分数、所述多个第二异常分数、所述多个第三异常分数、预设的第一分数阈值、预设的第二分数阈值以及预设的第三分数阈值,判断所述待检测图像是否存在异常;
若所述待检测图像存在异常,根据预设的异常资料库,确定所述待检测图像对应的异常类型。
在一种可能的实现方式中,所述获取待检测图像之前,所述图像异常检测方法还包括:
利用预设的图像训练集对神经网络进行训练,包括:
获取预设的第一图像训练集、第二图像训练集以及第三图像训练集;
使用所述第一图像训练集对神经网络进行训练,获得所述第一异常检测模型,使用所述第二图像训练集对神经网络进行训练,获得所述第二异常检测模型,以及使用所述第三图像训练集对神经网络进行训练,获得所述第三异常检测模型。
在一种可能的实现方式中,所述利用预设的图像训练集对神经网络进行训练之后,以及所述获取待检测图像之前,所述图像异常检测方法还包括:
获取预设的无异常图片集,其中,所述无异常图片集包括第一尺寸图片集、第二尺寸图片集以及第三尺寸图片集;
将所述第一尺寸图片集输入至所述第一异常检测模型,获得所述第一尺寸图片集对应的多个分数;
将所述第二尺寸图片集输入至所述第二异常检测模型,获得所述第二尺寸图片集对应的多个分数;
将所述第三尺寸图片集输入至所述第三异常检测模型,获得所述第三尺寸图片集对应的多个分数;
根据所述第一尺寸图片集对应的多个分数,确定所述第一分数阈值,根据所述第二尺寸图片集对应的多个分数,确定所述第二分数阈值,以及根据所述第三尺寸图片集对应的多个分数,确定所述第三分数阈值。
在一种可能的实现方式中,所述根据所述第一尺寸图片集对应的多个分数,确定所述第一分数阈值,根据所述第二尺寸图片集对应的多个分数,确定所述第二分数阈值,以及根据所述第三尺寸图片集对应的多个分数,确定所述第三分数阈值包括:
确定所述第一尺寸图片集对应的多个分数的第一平均值,以及确定所述第一尺寸图片集对应的多个分数的第一标准差;
确定所述第二尺寸图片集对应的多个分数的第二平均值,以及确定所述第二尺寸图片集对应的多个分数的第二标准差;
确定所述第三尺寸图片集对应的多个分数的第三平均值,以及确定所述第三尺寸图片集对应的多个分数的第三标准差;
确定所述第一分数阈值为所述第一平均值与所述第一标准差的和,确定所述第二分数阈值为所述第二平均值与所述第二标准差的和,以及确定所述第三分数阈值为所述第三平均值与所述第三标准差的和。
在一种可能的实现方式中,所述根据预设的异常资料库,确定所述待检测图像对应的异常类型包括:
确定所述待检测图像与所述异常资料库中的每个异常图像的相似度;
根据多个所述相似度,从所有所述异常资料库中确定目标图像,其中,所述待检测图像与所述目标图像的相似度最大;
确定所述待检测图像对应的异常类型为所述目标图像对应的异常类型。
在一种可能的实现方式中,所述根据所述第一异常分数、所述多个第二异常分数、所述第三异常分数、预设的第一分数阈值、预设的第二分数阈值以及预设的第三分数阈值,判断所述待检测图像是否存在异常包括:
若所述第一异常分数小于或等于预设的第一分数阈值,判断所述多个第二异常分数中是否存在大于预设的第二分数阈值的第二异常分数;
若所述多个第二异常分数中不存在大于预设的第二分数阈值的第二异常分数,判断所述多个第三异常分数中是否存在大于预设的第三分数阈值的第三异常分数;
若所述多个第三异常分数中不存在大于预设的第三分数阈值的第三异常分数,确定所述待检测图像不存在异常。
在一种可能的实现方式中,所述图像异常检测方法还包括:
若所述第一异常分数大于预设的第一分数阈值,确定所述待检测图像存在异常;或
若所述第一异常分数小于或等于预设的第一分数阈值,且所述多个第二异常分数中存在大于预设的第二分数阈值的第二异常分数,确定所述待检测图像存在异常;或
若所述多个第二异常分数中不存在大于预设的第二分数阈值的第二异常分数,且所述多个第三异常分数中存在大于预设的第三分数阈值的第三异常分数,确定所述待检测图像存在异常。
本申请的第二方面提供一种图像异常检测装置,所述图像异常检测装置包括:
获取模块,用于获取待检测图像;
切割模块,用于对所述待检测图像进行切割,获得多个第一切割图像以及多个第二切割图像;
输入模块,用于将所述待检测图像输入至预先训练好的第一异常检测模型中,获得第一异常分数,将所述多个第一切割图像输入至预先训练好的第二异常检测模型中,获得多个第二异常分数,以及将所述多个第二切割图像输入至预先训练好的第三异常检测模型中,获得多个第三异常分数;
判断模块,用于根据所述第一异常分数、所述多个第二异常分数、所述多个第三异常分数、预设的第一分数阈值、预设的第二分数阈值以及预设的第三分数阈值,判断所述待检测图像是否存在异常;
确定模块,用于若所述待检测图像存在异常,根据预设的异常资料库,确定所述待检测图像对应的异常类型。
本申请的第三方面提供一种电子设备,所述电子设备包括处理器和存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现所述的图像异常检测方法。
本申请的第四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上存储有计算机程序,所述计算机程序被处理器执行时实现所述的图像异常检测方法。
由以上技术方案,本申请中,可以对待检测图像进行切割,获得多个第一切割图像以及多个第二切割图像,对所述待检测图像、多个第一切割图像以及多个第二切割图像进行检测,以实现从多尺寸的方面进行检测异常,提高对细小瑕疵的识别率,最后根据预设的异常资料库确定异常类型,提高了异常检测的准确率。
附图说明
图1是本申请公开的一种图像异常检测方法的较佳实施例的流程图。
图2是本申请公开的一种图像异常检测装置的较佳实施例的功能模块图。
图3是本申请实现图像异常检测方法的较佳实施例的电子设备的结构示意图。
具体实施方式
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做出创造性劳动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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
本申请实施例的图像异常检测方法应用在电子设备中,也可以应用在电子设备和通过网络与所述电子设备进行连接的服务器所构成的硬件环境中,由服务器和电子设备共同执行。网络包括但不限于:广域网、城域网或局域网。
其中,服务器可以是指能对网络中其它设备(如电子设备)提供服务的计算机系统。如果一个个人电脑能够对外提供文件传输协议(File Transfer Protocol,简称FTP)服务,也可以叫服务器。从狭义范围上讲,服务器专指某些高性能计算机,能通过网络,对外提供服务,其相对于普通的个人电脑来说,稳定性、安全性、性能等方面都要求更高,因此在CPU、芯片组、内存、磁盘系统、网络等硬件和普通的个人电脑有所不同。
所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、嵌入式设备等。所述电子设备还可包括网络设备和/或用户设备。其中,所述网络设备包括但不限于单个网络设备、多个网络设备组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络设备构成的云,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。所述用户设备包括但不限于任何一种可与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理PDA等。
请参见图1,图1是本申请公开的一种图像异常检测方法的较佳实施例的流程图。其中,根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。其中,所述图像异常检测方法的执行主体可以是电子设备。
S11、获取待检测图像。
其中,所述待检测图像可以是预设尺寸的物体表面的图像。
作为一种可选的实施方式,所述获取待检测图像之前,所述图像异常检测方法还包括:
利用预设的图像训练集对神经网络进行训练,包括:
获取预设的第一图像训练集、第二图像训练集以及第三图像训练集;
使用所述第一图像训练集对神经网络进行训练,获得所述第一异常检测模型,使用所述第二图像训练集对神经网络进行训练,获得所述第二异常检测模型,以及使用所述第三图像训练集对神经网络进行训练,获得所述第三异常检测模型。
在该可选的实施方式中,所述第一图像训练集的图像对应第一尺寸(比如256x256),所述第二图像训练集的图像对应第二尺寸(比如128x128),所述第三图像训练集的图像对应第三尺寸(比如64x64)。可以使用所述第一图像训练集对神经网络进行训练,获得所述第一异常检测模型,可以使用所述第二图像训练集对神经网络进行训练,获得所述第二异常检测模型,可以使用所述第三图像训练集对神经网络进行训练,获得所述第三异常检测模型。不同的异常检测模型用于检测不同尺寸的图像。
作为一种可选的实施方式,所述利用预设的图像训练集对神经网络进行训练之后,以及所述获取待检测图像之前,所述图像异常检测方法还包括:
获取预设的无异常图片集,其中,所述无异常图片集包括第一尺寸图片集、第二尺寸图片集以及第三尺寸图片集;
将所述第一尺寸图片集输入至所述第一异常检测模型,获得所述第一尺寸图片集对应的多个分数;
将所述第二尺寸图片集输入至所述第二异常检测模型,获得所述第二尺寸图片集对应的多个分数;
将所述第三尺寸图片集输入至所述第三异常检测模型,获得所述第三尺寸图片集对应的多个分数;
根据所述第一尺寸图片集对应的多个分数,确定所述第一分数阈值,根据所述第二尺寸图片集对应的多个分数,确定所述第二分数阈值,以及根据所述第三尺寸图片集对应的多个分数,确定所述第三分数阈值。
在该可选的实施方式中,可以将所述第一尺寸图片集输入至所述第一异常检测模型,获得所述第一尺寸图片集对应的多个分数,这些分数表示了所述第一异常检测模型判定结果为正常图像的分数范围,可以根据所述第一尺寸图片集对应的多个分数,确定所述第一异常检测模型对应的第一分数阈值。可以将所述第二尺寸图片集输入至所述第二异常检测模型,获得所述第二尺寸图片集对应的多个分数,这些分数表示了所述第二异常检测模型判定结果为正常图像的分数范围,可以根据所述第二尺寸图片集对应的多个分数,确定所述第二异常检测模型对应的第二分数阈值。可以将所述第三尺寸图片集输入至所述第三异常检测模型,获得所述第三尺寸图片集对应的多个分数,这些分数表示了所述第三异常检测模型判定结果为正常图像的分数范围,可以根据所述第三尺寸图片集对应的多个分数,确定所述第三异常检测模型对应的第三分数阈值。
具体的,所述根据所述第一尺寸图片集对应的多个分数,确定所述第一分数阈值,根据所述第二尺寸图片集对应的多个分数,确定所述第二分数阈值,以及根据所述第三尺寸图片集对应的多个分数,确定所述第三分数阈值包括:
确定所述第一尺寸图片集对应的多个分数的第一平均值,以及确定所述第一尺寸图片集对应的多个分数的第一标准差;
确定所述第二尺寸图片集对应的多个分数的第二平均值,以及确定所述第二尺寸图片集对应的多个分数的第二标准差;
确定所述第三尺寸图片集对应的多个分数的第三平均值,以及确定所述第三尺寸图片集对应的多个分数的第三标准差;
确定所述第一分数阈值为所述第一平均值与所述第一标准差的和,确定所述第二分数阈值为所述第二平均值与所述第二标准差的和,以及确定所述第三分数阈值为所述第三平均值与所述第三标准差的和。
在该可选的实施方式中,可以确定所述第一尺寸图片集对应的多个分数的第一平均值,以及确定所述第一尺寸图片集对应的多个分数的第一标准差,平均值与标准差的和表示了处于第一尺寸的正常图像在多数第一检测模型中的分数的一般上限,即大于平均值与标准差的和的分数很大概率为异常分数。因此,可以确定所述第一分数阈值为所述第一平均值与所述第一标准差的和;同理,确定所述第二分数阈值为所述第二平均值与所述第二标准差的和,以及确定所述第三分数阈值为所述第三平均值与所述第三标准差的和。
S12、对所述待检测图像进行切割,获得多个第一切割图像以及多个第二切割图像。
其中,所述待检测图像与所述第一切割图像、所述第二切割图像对应不同的图像,比如所述待检测图像的尺寸为258x258,经过切割获得四个尺寸为128x128的所述第二切割图像,再切割获得十六个尺寸为64x64的所述第三切割图像。
S13、将所述待检测图像输入至预先训练好的第一异常检测模型中,获得第一异常分数,将所述多个第一切割图像输入至预先训练好的第二异常检测模型中,获得多个第二异常分数,以及将所述多个第二切割图像输入至预先训练好的第三异常检测模型中,获得多个第三异常分数。
其中,一个图像对应一个异常分数。
S14、根据所述第一异常分数、所述多个第二异常分数、所述多个第三异常分数、预设的第一分数阈值、预设的第二分数阈值以及预设的第三分数阈值,判断所述待检测图像是否存在异常。
具体的,所述根据所述第一异常分数、所述多个第二异常分数、所述第三异常分数、预设的第一分数阈值、预设的第二分数阈值以及预设的第三分数阈值,判断所述待检测图像是否存在异常包括:
若所述第一异常分数小于或等于预设的第一分数阈值,判断所述多个第二异常分数中是否存在大于预设的第二分数阈值的第二异常分数;
若所述多个第二异常分数中不存在大于预设的第二分数阈值的第二异常分数,判断所述多个第三异常分数中是否存在大于预设的第三分数阈值的第三异常分数;
若所述多个第三异常分数中不存在大于预设的第三分数阈值的第三异常分数,确定所述待检测图像不存在异常。
在该可选的实施方式中,先判断所述第一异常分数是否大于预设的第一分数阈值,若所述第一异常分数小于或等于预设的第一分数阈值,判断所述多个第二异常分数中是否存在大于预设的第二分数阈值的第二异常分数;若所述多个第二异常分数中不存在大于预设的第二分数阈值的第二异常分数,判断所述多个第三异常分数中是否存在大于预设的第三分数阈值的第三异常分数;若所述多个第三异常分数中不存在大于预设的第三分数阈值的第三异常分数,确定所述待检测图像不存在异常。
作为一种可选的实施方式,所述图像异常检测方法还包括:
若所述第一异常分数大于预设的第一分数阈值,确定所述待检测图像存在异常;或
若所述第一异常分数小于或等于预设的第一分数阈值,且所述多个第二异常分数中存在大于预设的第二分数阈值的第二异常分数,确定所述待检测图像存在异常;或
若所述多个第二异常分数中不存在大于预设的第二分数阈值的第二异常分数,且所述多个第三异常分数中存在大于预设的第三分数阈值的第三异常分数,确定所述待检测图像存在异常。
在该可选的实施方式中,若所述第一异常分数大于预设的第一分数阈值,确定所述待检测图像存在异常;若所述多个第二异常分数中存在大于预设的第二分数阈值的第二异常分数,确定所述待检测图像存在异常;若所述多个第三异常分数中存在大于预设的第三分数阈值的第三异常分数,确定所述待检测图像存在异常。
S15、若所述待检测图像存在异常,根据预设的异常资料库,确定所述待检测图像对应的异常类型。
具体的,所述根据预设的异常资料库,确定所述待检测图像对应的异常类型包括:
确定所述待检测图像与所述异常资料库中的每个异常图像的相似度;
根据多个所述相似度,从所有所述异常资料库中确定目标图像,其中,所述待检测图像与所述目标图像的相似度最大;
确定所述待检测图像对应的异常类型为所述目标图像对应的异常类型。
在该可选的实施方式中,可以通过计算所述待检测图像(mean-square error,MSE)与所述异常资料库中的每个异常图像的均方误差的差值来确定相似度,差值越小,相似度越高,差值越大,相似度越低。
在图1所描述的方法流程中,可以对待检测图像进行切割,获得多个第一切割图像以及多个第二切割图像,对所述待检测图像、多个第一切割图像以及多个第二切割图像进行检测,以实现从多尺寸的方面进行检测异常,提高对细小瑕疵的识别率,最后根据预设的异常资料库确定异常类型,提高了异常检测的准确率。
图2是本申请公开的一种图像异常检测装置的较佳实施例的功能模块图。
请参见图2,所述图像异常检测装置20可运行于电子设备中。所述图像异常检测装置20可以包括多个由程序代码段所组成的功能模块。所述图像异常检测装置20中的各个程序段的程序代码可以存储于存储器中,并由至少一个处理器所执行,以执行图1所描述的图像异常检测方法中的部分或全部步骤。
本实施例中,所述图像异常检测方法根据其所执行的功能,可以被划分为多个功能模块。所述功能模块可以包括:获取模块201、切割模块202、输入模块203、判断模块204及确定模块205。本申请所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。
获取模块201,用于获取待检测图像。
其中,所述待检测图像可以是预设尺寸的物体表面的图像。
切割模块202,用于对所述待检测图像进行切割,获得多个第一切割图像以及多个第二切割图像。
其中,所述待检测图像与所述第一切割图像、所述第二切割图像对应不同的图像,比如所述待检测图像的尺寸为258x258,经过切割获得四个尺寸为128x128的所述第二切割图像,再切割获得十六个尺寸为64x64的所述第三切割图像。
输入模块203,用于将所述待检测图像输入至预先训练好的第一异常检测模型中,获得第一异常分数,将所述多个第一切割图像输入至预先训练好的第二异常检测模型中,获得多个第二异常分数,以及将所述多个第二切割图像输入至预先训练好的第三异常检测模型中,获得多个第三异常分数。
其中,一个图像对应一个异常分数。
判断模块204,用于根据所述第一异常分数、所述多个第二异常分数、所述多个第三异常分数、预设的第一分数阈值、预设的第二分数阈值以及预设的第三分数阈值,判断所述待检测图像是否存在异常。
确定模块205,用于若所述待检测图像存在异常,根据预设的异常资料库,确定所述待检测图像对应的异常类型。
作为一种可选的实施方式,所述图像异常检测装置20还包括:
训练模块,用于利用预设的图像训练集对神经网络进行训练,包括:
获取待检测图像之前,获取预设的第一图像训练集、第二图像训练集以及第三图像训练集;
使用所述第一图像训练集对神经网络进行训练,获得所述第一异常检测模型,使用所述第二图像训练集对神经网络进行训练,获得所述第二异常检测模型,以及使用所述第三图像训练集对神经网络进行训练,获得所述第三异常检测模型。
在该可选的实施方式中,所述第一图像训练集的图像对应第一尺寸(比如256x256),所述第二图像训练集的图像对应第二尺寸(比如128x128),所述第三图像训练集的图像对应第三尺寸(比如64x64)。可以使用所述第一图像训练集对神经网络进行训练,获得所述第一异常检测模型,可以使用所述第二图像训练集对神经网络进行训练,获得所述第二异常检测模型,可以使用所述第三图像训练集对神经网络进行训练,获得所述第三异常检测模型。不同的异常检测模型用于检测不同尺寸的图像。
作为一种可选的实施方式,所述获取模块201,还用于所述训练模块利用预设的图像训练集对神经网络进行训练之后,以及获取待检测图像之前,获取预设的无异常图片集,其中,所述无异常图片集包括第一尺寸图片集、第二尺寸图片集以及第三尺寸图片集;
所述输入模块203,还用于将所述第一尺寸图片集输入至所述第一异常检测模型,获得所述第一尺寸图片集对应的多个分数;
所述输入模块203,还用于将所述第二尺寸图片集输入至所述第二异常检测模型,获得所述第二尺寸图片集对应的多个分数;
所述输入模块203,还用于将所述第三尺寸图片集输入至所述第三异常检测模型,获得所述第三尺寸图片集对应的多个分数;
所述确定模块205,还用于根据所述第一尺寸图片集对应的多个分数,确定所述第一分数阈值,根据所述第二尺寸图片集对应的多个分数,确定所述第二分数阈值,以及根据所述第三尺寸图片集对应的多个分数,确定所述第三分数阈值。
在该可选的实施方式中,可以将所述第一尺寸图片集输入至所述第一异常检测模型,获得所述第一尺寸图片集对应的多个分数,这些分数表示了所述第一异常检测模型判定结果为正常图像的分数范围,可以根据所述第一尺寸图片集对应的多个分数,确定所述第一异常检测模型对应的第一分数阈值。可以将所述第二尺寸图片集输入至所述第二异常检测模型,获得所述第二尺寸图片集对应的多个分数,这些分数表示了所述第二异常检测模型判定结果为正常图像的分数范围,可以根据所述第二尺寸图片集对应的多个分数,确定所述第二异常检测模型对应的第二分数阈值。可以将所述第三尺寸图片集输入至所述第三异常检测模型,获得所述第三尺寸图片集对应的多个分数,这些分数表示了所述第三异常检测模型判定结果为正常图像的分数范围,可以根据所述第三尺寸图片集对应的多个分数,确定所述第三异常检测模型对应的第三分数阈值。
作为一种可选的实施方式,所述确定模块205根据所述第一尺寸图片集对应的多个分数,确定所述第一分数阈值,根据所述第二尺寸图片集对应的多个分数,确定所述第二分数阈值,以及根据所述第三尺寸图片集对应的多个分数,确定所述第三分数阈值的方式具体为:
确定所述第一尺寸图片集对应的多个分数的第一平均值,以及确定所述第一尺寸图片集对应的多个分数的第一标准差;
确定所述第二尺寸图片集对应的多个分数的第二平均值,以及确定所述第二尺寸图片集对应的多个分数的第二标准差;
确定所述第三尺寸图片集对应的多个分数的第三平均值,以及确定所述第三尺寸图片集对应的多个分数的第三标准差;
确定所述第一分数阈值为所述第一平均值与所述第一标准差的和,确定所述第二分数阈值为所述第二平均值与所述第二标准差的和,以及确定所述第三分数阈值为所述第三平均值与所述第三标准差的和。
在该可选的实施方式中,可以确定所述第一尺寸图片集对应的多个分数的第一平均值,以及确定所述第一尺寸图片集对应的多个分数的第一标准差,平均值与标准差的和表示了处于第一尺寸的正常图像在多数第一检测模型中的分数的一般上限,即大于平均值与标准差的和的分数很大概率为异常分数。因此,可以确定所述第一分数阈值为所述第一平均值与所述第一标准差的和;同理,确定所述第二分数阈值为所述第二平均值与所述第二标准差的和,以及确定所述第三分数阈值为所述第三平均值与所述第三标准差的和。
作为一种可选的实施方式,所述确定模块205根据预设的异常资料库,确定所述待检测图像对应的异常类型的方式具体为:
确定所述待检测图像与所述异常资料库中的每个异常图像的相似度;
根据多个所述相似度,从所有所述异常资料库中确定目标图像,其中,所述待检测图像与所述目标图像的相似度最大;
确定所述待检测图像对应的异常类型为所述目标图像对应的异常类型。
在该可选的实施方式中,可以通过计算所述待检测图像(mean-square error,MSE)与所述异常资料库中的每个异常图像的均方误差的差值来确定相似度,差值越小,相似度越高,差值越大,相似度越低。
作为一种可选的实施方式,所述判断模块204根据所述第一异常分数、所述多个第二异常分数、所述第三异常分数、预设的第一分数阈值、预设的第二分数阈值以及预设的第三分数阈值,判断所述待检测图像是否存在异常的方式具体为:
若所述第一异常分数小于或等于预设的第一分数阈值,判断所述多个第二异常分数中是否存在大于预设的第二分数阈值的第二异常分数;
若所述多个第二异常分数中不存在大于预设的第二分数阈值的第二异常分数,判断所述多个第三异常分数中是否存在大于预设的第三分数阈值的第三异常分数;
若所述多个第三异常分数中不存在大于预设的第三分数阈值的第三异常分数,确定所述待检测图像不存在异常。
在该可选的实施方式中,先判断所述第一异常分数是否大于预设的第一分数阈值,若所述第一异常分数小于或等于预设的第一分数阈值,判断所述多个第二异常分数中是否存在大于预设的第二分数阈值的第二异常分数;若所述多个第二异常分数中不存在大于预设的第二分数阈值的第二异常分数,判断所述多个第三异常分数中是否存在大于预设的第三分数阈值的第三异常分数;若所述多个第三异常分数中不存在大于预设的第三分数阈值的第三异常分数,确定所述待检测图像不存在异常。
作为一种可选的实施方式,所述确定模块205,还用于若所述第一异常分数大于预设的第一分数阈值,确定所述待检测图像存在异常;或
若所述第一异常分数小于或等于预设的第一分数阈值,且所述多个第二异常分数中存在大于预设的第二分数阈值的第二异常分数,确定所述待检测图像存在异常;或
若所述多个第二异常分数中不存在大于预设的第二分数阈值的第二异常分数,且所述多个第三异常分数中存在大于预设的第三分数阈值的第三异常分数,确定所述待检测图像存在异常。
在该可选的实施方式中,若所述第一异常分数大于预设的第一分数阈值,确定所述待检测图像存在异常;若所述多个第二异常分数中存在大于预设的第二分数阈值的第二异常分数,确定所述待检测图像存在异常;若所述多个第三异常分数中存在大于预设的第三分数阈值的第三异常分数,确定所述待检测图像存在异常。
在图2所描述的图像异常检测装置20中,可以对待检测图像进行切割,获得多个第一切割图像以及多个第二切割图像,对所述待检测图像、多个第一切割图像以及多个第二切割图像进行检测,以实现从多尺寸的方面进行检测异常,提高对细小瑕疵的识别率,最后根据预设的异常资料库确定异常类型,提高了异常检测的准确率。
如图3所示,图3是本申请实现图像异常检测方法的较佳实施例的电子设备的结构示意图。所述电子设备3包括存储器31、至少一个处理器32、存储在所述存储器31中并可在所述至少一个处理器32上运行的计算机程序33及至少一条通讯总线34。
本领域技术人员可以理解,图3所示的示意图仅仅是所述电子设备3的示例,并不构成对所述电子设备3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,例如所述电子设备3还可以包括输入输出设备、网络接入设备等。
所述电子设备3还包括但不限于任何一种可与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(InternetProtocol Television,IPTV)、智能式穿戴式设备等。所述电子设备3所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
所述至少一个处理器32可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、分立硬件组件等。该处理器32可以是微处理器或者该处理器32也可以是任何常规的处理器等,所述处理器32是所述电子设备3的控制中心,利用各种接口和线路连接整个电子设备3的各个部分。
所述存储器31可用于存储所述计算机程序33和/或模块/单元,所述处理器32通过运行或执行存储在所述存储器31内的计算机程序和/或模块/单元,以及调用存储在存储器31内的数据,实现所述电子设备3的各种功能。所述存储器31可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备3的使用所创建的数据等。此外,存储器31可以包括易失性和非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件等。
结合图1,所述电子设备3中的所述存储器31存储多个指令以实现一种图像异常检测方法,所述处理器32可执行所述多个指令从而实现:
获取待检测图像;
对所述待检测图像进行切割,获得多个第一切割图像以及多个第二切割图像;
将所述待检测图像输入至预先训练好的第一异常检测模型中,获得第一异常分数,将所述多个第一切割图像输入至预先训练好的第二异常检测模型中,获得多个第二异常分数,以及将所述多个第二切割图像输入至预先训练好的第三异常检测模型中,获得多个第三异常分数;
根据所述第一异常分数、所述多个第二异常分数、所述多个第三异常分数、预设的第一分数阈值、预设的第二分数阈值以及预设的第三分数阈值,判断所述待检测图像是否存在异常;
若所述待检测图像存在异常,根据预设的异常资料库,确定所述待检测图像对应的异常类型。
具体地,所述处理器32对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在图3所描述的电子设备3中,可以对待检测图像进行切割,获得多个第一切割图像以及多个第二切割图像,对所述待检测图像、多个第一切割图像以及多个第二切割图像进行检测,以实现从多尺寸的方面进行检测异常,提高对细小瑕疵的识别率,最后根据预设的异常资料库确定异常类型,提高了异常检测的准确率。
所述电子设备3集成的模块/单元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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存储器(RAM,Random Access Memory)等。
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。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块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模块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。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。本申请中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管参照较佳实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或等同替换,而不脱离本申请技术方案的精神和范围。
Claims (10)
1.一种图像异常检测方法,其特征在于,所述图像异常检测方法包括:
获取待检测图像;
对所述待检测图像进行切割,获得多个第一切割图像以及多个第二切割图像;
将所述待检测图像输入至预先训练好的第一异常检测模型中,获得第一异常分数,将所述多个第一切割图像输入至预先训练好的第二异常检测模型中,获得多个第二异常分数,以及将所述多个第二切割图像输入至预先训练好的第三异常检测模型中,获得多个第三异常分数;
根据所述第一异常分数、所述多个第二异常分数、所述多个第三异常分数、预设的第一分数阈值、预设的第二分数阈值以及预设的第三分数阈值,判断所述待检测图像是否存在异常;
若所述待检测图像存在异常,根据预设的异常资料库,确定所述待检测图像对应的异常类型。
2.根据权利要求1所述的图像异常检测方法,其特征在于,所述获取待检测图像之前,所述图像异常检测方法还包括:
利用预设的图像训练集对神经网络进行训练,包括:
获取预设的第一图像训练集、第二图像训练集以及第三图像训练集;
使用所述第一图像训练集对神经网络进行训练,获得所述第一异常检测模型,使用所述第二图像训练集对神经网络进行训练,获得所述第二异常检测模型,以及使用所述第三图像训练集对神经网络进行训练,获得所述第三异常检测模型。
3.根据权利要求2所述的图像异常检测方法,其特征在于,所述利用预设的图像训练集对神经网络进行训练之后,以及所述获取待检测图像之前,所述图像异常检测方法还包括:
获取预设的无异常图片集,其中,所述无异常图片集包括第一尺寸图片集、第二尺寸图片集以及第三尺寸图片集;
将所述第一尺寸图片集输入至所述第一异常检测模型,获得所述第一尺寸图片集对应的多个分数;
将所述第二尺寸图片集输入至所述第二异常检测模型,获得所述第二尺寸图片集对应的多个分数;
将所述第三尺寸图片集输入至所述第三异常检测模型,获得所述第三尺寸图片集对应的多个分数;
根据所述第一尺寸图片集对应的多个分数,确定所述第一分数阈值,根据所述第二尺寸图片集对应的多个分数,确定所述第二分数阈值,以及根据所述第三尺寸图片集对应的多个分数,确定所述第三分数阈值。
4.根据权利要求3所述的图像异常检测方法,其特征在于,所述根据所述第一尺寸图片集对应的多个分数,确定所述第一分数阈值,根据所述第二尺寸图片集对应的多个分数,确定所述第二分数阈值,以及根据所述第三尺寸图片集对应的多个分数,确定所述第三分数阈值包括:
确定所述第一尺寸图片集对应的多个分数的第一平均值,以及确定所述第一尺寸图片集对应的多个分数的第一标准差;
确定所述第二尺寸图片集对应的多个分数的第二平均值,以及确定所述第二尺寸图片集对应的多个分数的第二标准差;
确定所述第三尺寸图片集对应的多个分数的第三平均值,以及确定所述第三尺寸图片集对应的多个分数的第三标准差;
确定所述第一分数阈值为所述第一平均值与所述第一标准差的和,确定所述第二分数阈值为所述第二平均值与所述第二标准差的和,以及确定所述第三分数阈值为所述第三平均值与所述第三标准差的和。
5.根据权利要求1至4中任一项所述的图像异常检测方法,其特征在于,所述根据预设的异常资料库,确定所述待检测图像对应的异常类型包括:
确定所述待检测图像与所述异常资料库中的每个异常图像的相似度;
根据多个所述相似度,从所述异常资料库中确定目标图像,其中,所述待检测图像与所述目标图像的相似度最大;
确定所述待检测图像对应的异常类型为所述目标图像对应的异常类型。
6.根据权利要求1至4中任一项所述的图像异常检测方法,其特征在于,所述根据所述第一异常分数、所述多个第二异常分数、所述第三异常分数、预设的第一分数阈值、预设的第二分数阈值以及预设的第三分数阈值,判断所述待检测图像是否存在异常包括:
若所述第一异常分数小于或等于预设的第一分数阈值,判断所述多个第二异常分数中是否存在大于预设的第二分数阈值的第二异常分数;
若所述多个第二异常分数中不存在大于预设的第二分数阈值的第二异常分数,判断所述多个第三异常分数中是否存在大于预设的第三分数阈值的第三异常分数;
若所述多个第三异常分数中不存在大于预设的第三分数阈值的第三异常分数,确定所述待检测图像不存在异常。
7.根据权利要求6所述的图像异常检测方法,其特征在于,所述图像异常检测方法还包括:
若所述第一异常分数大于预设的第一分数阈值,确定所述待检测图像存在异常;或
若所述第一异常分数小于或等于预设的第一分数阈值,且所述多个第二异常分数中存在大于预设的第二分数阈值的第二异常分数,确定所述待检测图像存在异常;或
若所述多个第二异常分数中不存在大于预设的第二分数阈值的第二异常分数,且所述多个第三异常分数中存在大于预设的第三分数阈值的第三异常分数,确定所述待检测图像存在异常。
8.一种图像异常检测装置,其特征在于,所述图像异常检测装置包括:
获取模块,用于获取待检测图像;
切割模块,用于对所述待检测图像进行切割,获得多个第一切割图像以及多个第二切割图像;
输入模块,用于将所述待检测图像输入至预先训练好的第一异常检测模型中,获得第一异常分数,将所述多个第一切割图像输入至预先训练好的第二异常检测模型中,获得多个第二异常分数,以及将所述多个第二切割图像输入至预先训练好的第三异常检测模型中,获得多个第三异常分数;
判断模块,用于根据所述第一异常分数、所述多个第二异常分数、所述多个第三异常分数、预设的第一分数阈值、预设的第二分数阈值以及预设的第三分数阈值,判断所述待检测图像是否存在异常;
确定模块,用于若所述待检测图像存在异常,根据预设的异常资料库,确定所述待检测图像对应的异常类型。
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至7中任意一项所述的图像异常检测方法。
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存储有至少一个指令,所述至少一个指令被处理器执行时实现如权利要求1至7中任意一项所述的图像异常检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110037823.1A CN114820409A (zh) | 2021-01-12 | 2021-01-12 | 图像异常检测方法、装置、电子设备及存储介质 |
US17/573,838 US20220222800A1 (en) | 2021-01-12 | 2022-01-12 | Method for detecting image abnormities, electronic device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110037823.1A CN114820409A (zh) | 2021-01-12 | 2021-01-12 | 图像异常检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114820409A true CN114820409A (zh) | 2022-07-29 |
Family
ID=82322035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110037823.1A Pending CN114820409A (zh) | 2021-01-12 | 2021-01-12 | 图像异常检测方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220222800A1 (zh) |
CN (1) | CN114820409A (zh) |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915549A (zh) * | 2019-05-09 | 2020-11-10 | 富泰华工业(深圳)有限公司 | 瑕疵检测方法、电子装置及计算机可读存储介质 |
-
2021
- 2021-01-12 CN CN202110037823.1A patent/CN114820409A/zh active Pending
-
2022
- 2022-01-12 US US17/573,838 patent/US20220222800A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220222800A1 (en) | 2022-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021212752A1 (zh) | 基于设备指标数据的异常检测方法、装置、设备及存储介质 | |
CN110851835A (zh) | 图像模型检测方法、装置、电子设备及存储介质 | |
CN111739016B (zh) | 目标检测模型训练方法、装置、电子设备及存储介质 | |
CN112257578B (zh) | 人脸关键点检测方法、装置、电子设备及存储介质 | |
WO2022227764A1 (zh) | 事件检测的方法、装置、电子设备以及可读存储介质 | |
CN112200081A (zh) | 异常行为识别方法、装置、电子设备及存储介质 | |
US20220189008A1 (en) | Method for detecting data defects and computing device utilizing method | |
JP6987209B2 (ja) | ディープラーニングに基づく文書類似度測定モデルを利用した重複文書探知方法およびシステム | |
CN111597309A (zh) | 相似企业推荐方法、装置、电子设备及介质 | |
CN115170869A (zh) | 重复车损理赔识别方法、装置、设备及存储介质 | |
CN111798047A (zh) | 风控预测方法、装置、电子设备及存储介质 | |
CN111552865A (zh) | 用户兴趣画像方法及相关设备 | |
CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
CN113705468A (zh) | 基于人工智能的数字图像识别方法及相关设备 | |
CN112184059A (zh) | 评分分析方法、装置、电子设备及存储介质 | |
CN114723652A (zh) | 细胞密度确定方法、装置、电子设备及存储介质 | |
CN112819305A (zh) | 业务指标分析方法、装置、设备及存储介质 | |
CN111128233A (zh) | 录音检测方法、装置、电子设备及存储介质 | |
CN114820409A (zh) | 图像异常检测方法、装置、电子设备及存储介质 | |
CN111104844B (zh) | 多发票信息录入方法、装置、电子设备及存储介质 | |
CN114329095A (zh) | 系统逻辑图生成方法、装置、设备及存储介质 | |
CN114218574A (zh) | 一种数据检测方法、装置、电子设备以及存储介质 | |
CN112016889A (zh) | 流程构建方法、装置、电子设备及存储介质 | |
TWI769661B (zh) | 圖像異常檢測方法、裝置、電腦裝置及儲存介質 | |
CN110688371B (zh) | 数据调整方法、装置、电子设备及存储介质 |
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 |