CN116433936A - 图像检测方法、装置、电子设备及存储介质 - Google Patents
图像检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116433936A CN116433936A CN202310261523.0A CN202310261523A CN116433936A CN 116433936 A CN116433936 A CN 116433936A CN 202310261523 A CN202310261523 A CN 202310261523A CN 116433936 A CN116433936 A CN 116433936A
- Authority
- CN
- China
- Prior art keywords
- image
- label
- features
- commodity
- quality
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 238000000605 extraction Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 11
- 238000003384 imaging method Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 abstract description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种图像检测方法、装置、电子设备及存储介质，涉及计算机技术领域，该方法包括：获取待检测图像和标签特征集，标签特征集包括商品类标签特征和质量类标签特征；基于特征提取模型获取待检测图像的待测图像特征；后将待测图像特征分别与商品类标签特征和质量类标签特征进行相似性比对，获得待检测图像的检测结果。本实施例提供的方案，将特征提取模型部署在边缘端，在边缘端对待检测图像进行处理，以通过将待测图像特征分别与商品类标签特征和质量类标签特征进行相似性比对的方式，获得待测图像的检测结果，取到了提升响应速度，降低云服务端资源成本的有益效果。
Description
技术领域
本发明实施例涉及计算机技术，尤其涉及一种图像检测方法、装置、电子设备及存储介质。
背景技术
在电商平台售卖商品前，需要将待售商品的商品图像上传至电商平台进行外型展示，以引导用户购买商品。在展示商品图像之前，需对商品图像进行检测，以防止将不合格的图像上传至平台，影响用户体验。
现有对图像进行检测的方案为，将商品图像上传至云服务端，在云服务端使用多个检测模型对输入的商品图像从多个维度进行检测，以在每个维度获得对应质量评分；进一步将获得的多个质量评分进行融合，获得商品图像的总质量评分；最后根据总质量评分确定商品图像的检测结果。
上述对图像质量检测时，因模型数量过多存在响应时间较长的问题；且将商品图像传输至云服务端进行分析的方式，存在数据传输链路长，响应时间易受传输带宽和网络延迟等因素的影响。
发明内容
本发明实施例提供一种图像检测方法、装置、电子设备及存储介质，能够改善现有的对图像进行检测的方案，以提高检测效率。
第一方面，本发明实施例提供一种图像检测方法，包括：
获取待检测图像和标签特征集，所述标签特征集包括商品类标签特征和质量类标签特征；
基于特征提取模型获取所述待检测图像的待测图像特征，所述特征提取模型是通过对所述商品类标签特征、所述商品类标签特征对应的第一图像特征、所述质量类标签特征和所述质量类标签特征对应的第二图像特征进行训练获得的；
将所述待测图像特征分别与所述商品类标签特征和所述质量类标签特征进行相似性比对，获得所述待检测图像的检测结果。
第二方面，本发明实施例提供一种图像检测装置，所述装置包括：
第一获取模块，用于获取待检测图像和标签特征集，所述标签特征集包括商品类标签特征和质量类标签特征；
第二获取模块，用于基于特征提取模型获取所述待检测图像的待测图像特征，所述特征提取模型是通过对所述商品类标签特征、所述商品类标签特征对应的第一图像特征、所述质量类标签特征和所述质量类标签特征对应的第二图像特征进行训练获得的；
比对模块，用于将所述待测图像特征分别与所述商品类标签特征和所述质量类标签特征进行相似性比对，获得所述待检测图像的检测结果。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的图像检测方法。
第四方面，本发明实施例还提供了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，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的图像检测方法。
本发明实施例提供的图像检测方案，首先获取待检测图像和标签特征集，标签特征集包括商品类标签特征和质量类标签特征；然后基于特征提取模型获取待检测图像的待测图像特征；最后将待测图像特征分别与商品类标签特征和质量类标签特征进行相似性比对，获得待检测图像的检测结果。本实施例提供的方案，将特征提取模型部署在边缘端，在边缘端对待检测图像进行处理，以通过将待测图像特征分别与商品类标签特征和质量类标签特征进行相似性比对的方式，获得待测图像的检测结果。解决了传统方案中，模型数量较多以及将分析模型部署在云端存在的数据传输链路长的问题，取到了提升响应速度，降低云服务端资源成本的有益效果。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明实施例的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例的技术方案，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发明的某些实施例，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是本发明实施例提供的图像检测方法的一个流程示意图；
图2是本发明实施例提供的图像检测方法的另一流程示意图；
图3是本发明实施例提供的图像检测装置的一个结构示意图；
图4是本发明实施例提供的电子设备的一个结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明实施例提供的图像检测方法的一个流程示意图，本实施例可适用于在边缘端对拍摄图像进行检测的情况，该方法可以由图像检测装置来执行，该装置可以采用硬件和/或软件的形式实现，该装置可配置于具备拍摄功能的边缘端设备中。
参考图1，该方法具体可以包括如下步骤：
S110、获取待检测图像和标签特征集。
在电商领域，卖家用户需要通过应用程序将拍摄的商品图像进行上传，以使得买家用户对商品图像进行浏览，从而实现商品的售卖与展示。不同卖家用户拍摄商品图像时，由于拍摄设备以及拍摄环境等因素的影响，存在上传的商品图像不符合规范的情况。因此，为确保卖家用户拍摄的图像为符合规范的清晰且完整的图像，在卖家用户将拍摄的商品图像上传至电商平台之前，需要对商品图像进行质量检测。则待检测图像为用户通过边缘设备拍摄的，需要上传至电商平台的图像。
本发明实施例提供的质量检测方案部署在边缘端设备上，这样做的好处在于，在卖家用户使用设备采集到商品图像后，可直接调用本地边缘端设备的计算功能，对于当前拍摄的商品图像进行质量检测，进而判断当前拍摄的商品图像是否满足平台需求，高效利用边缘端计算资源的同时，在图像采集的过程中可直接过滤掉不符合需求的图像，降低传输图像数据的带宽成本和云端服务器成本，提升响应速度。
其中，边缘端设备为集成有相机采集功能的设备，示例性地，可以为工业相机、智能手机以及智能平板等，具体边缘端设备的类型在此不做限制。
上述标签特征集包括商品类标签特征和质量类标签特征。
商品类标签特征为关于电商平台中所售卖的所有商品类的名称特征。示例性地，当前商品类的名称可以包括：鞋子、衣服、手表、饰品以及包袋等；商品类标签为对每个商品类名称确定的相应标签。当前标签可以用数字、字母，和/或符号相结合的方式进行表示；当前标签也可以直接对商品类的名称使用自然语言模型进行文字编码后获得的标签；具体设置每个商品类标签的方式在此不做限制。进一步对商品类标签进行特征提取，以获得商品类标签特征。
质量类标签特征为对拍摄的商品图像在拍摄质量角度确定的质量类型对应的名称特征。示例性地，当前质量类型名称可以包括：图像合格和/或图像不合格等；质量类标签为对每个质量类型名称确定的相应标签。确定质量类标签以及质量类标签特征的方式与上述确定商品类标签和商品类标签特征的方式相同，在此不再赘述。
对于每个电商平台而言，在业务领域或商品类型不变的基础上，其对应的标签特征集是不变的，因此，可将确定的标签特征集预存在边缘端设备的存储单元中，以便于后续步骤进行直接使用。
S120、基于特征提取模型获取待检测图像的待测图像特征。
上述特征提取模型是通过对商品类标签特征、商品类标签特征对应的第一图像特征、质量类标签特征和质量类标签特征对应的第二图像特征进行训练获得的。
在进行具体说明时，可将商品类标签特征和质量类标签特征理解为商品图像中文字信息的标签特征，当前文字信息可以为关于文字名称的语言文字、文字结构等信息；第一图像特征和第二图像特征可以理解为关于商品图像中图像数据的特征，当前图像数据可以为从商品图像中提取到的轮廓、阴影、明暗等数据。
本实施例提供的特征提取模型，基于多模态(整合或融合两种及两种以上识别技术)的方式，同时分别对于输入的文字信息和图像数据进行特征提取，通过关联学习训练文本中文字信息和图像数据对的匹配关系训练特征提取模型。从而在模型应用过程中，向特征提取模型中输入待检测图像，特征提取模型能够输出待测图像特征，进一步在后续步骤中边缘端设备可根据待测图像特征从商品类标签特征和质量类标签特征中匹配出相应的标签。
本实施例通过对商品类标签特征和第一图像特征训练特征提取模型，在应用阶段，边缘端设备能够根据待测图像特征确定出待检测图像所属的目标商品类型(例如，目标商品类型为鞋子还是衣服等)；同时，通过对质量类标签特征和第二图像特征训练特征提取模型，在应用阶段，边缘端设备能够根据待测图像特征确定出待检测图像所属的质量类型(例如，图像质量合格或图像质量不合格等)。
S130、将待测图像特征分别与商品类标签特征和质量类标签特征进行相似性比对，获得待检测图像的检测结果。
上述商品类标签特征可包括多个，例如，包含电商平台售卖的所有商品类对应的商品类标签特征；质量类标签特征可包括至少一个，例如，可以为图像质量合格，和/或，图像质量不合格等。
在将待测图像特征与商品类标签特征和质量类标签特征进行相似性比对的过程中，可先基于待测图像特征与商品类标签特征进行相似性比对，再基于待测图像特征与质量类标签特征进行相似性比对；还可先基于待测图像特征与质量类标签特征进行相似性比对，再基于待测图像特征与商品类标签特征进行相似性比对；也可同时执行待测图像特征与商品类标签特征和质量类标签特征进行相似性比对的操作。具体进行相似性比对的先后顺序在此不做限制。
在进行相似性比对的过程中，可通过待测图像特征与多个商品类标签特征进行依次比对，从而可将相似性比对结果中数值最高的商品类标签特征对应的商品类标签作为待测图像特征所属的目标商品标签。
在质量类标签特征为一个时，待测图像特征质量类标签特征进行相似性比对时，以质量类标签特征为图像合格特征为例，若待测图像特征符合“图像合格”特征，则相似度比对结果为1，否则为0；在质量类标签特征为多个时，则通过待测图像特征与多个质量类标签特征进行依次比对，从而可将相似性比对结果数值最高的质量类标签特征对应的质量类标签作为待测图像特征所属的目标质量标签。具体基于待测图像特征与质量类标签特征进行相似性比对的方式在此不做限制。
在进行相似性比对时，可以使用式皮尔逊相似度算法、向量空间余弦相似度算法或者或者欧几里得距离算法等实现，具体相似度比对算法的选取在此不做限制。
在待测图像特征分别与商品类标签特征和质量类标签特征进行相似性比对之后，可根据相似度比对结果确定待检测图像的检测结果，当前检测结果的输出形式为xx商品是否合格等。通过本实施例提供的图像检测方案，可以对待检测图像实现在商品类型和图像质量类型两个维度的同时输出，简化方案实现流程。
本发明实施例提供的图像检测方法，首先获取待检测图像和标签特征集，标签特征集包括商品类标签特征和质量类标签特征；然后基于特征提取模型获取待检测图像的待测图像特征；最后将待测图像特征分别与商品类标签特征和质量类标签特征进行相似性比对，获得待检测图像的检测结果。本实施例提供的方案，将特征提取模型部署在边缘端，在边缘端对待检测图像进行处理，以通过将待测图像特征分别与商品类标签特征和质量类标签特征进行相似性比对的方式，获得待测图像的检测结果。解决了传统方案中，模型数量较多以及将分析模型部署在云端存在的数据传输链路长的问题，取到了提升响应速度，降低云服务端资源成本的有益效果。
图2是本发明实施例提供的图像检测方法的另一流程示意图，本实施例与上述实施例之间的关系对上述实施例相应特征的进一步细化。如图2所示，该方法可以包括如下步骤：
S210、获取待检测图像。
S220、获取商品类型对应的商品类标签以及获取图像质量类型对应的质量类标签。
商品类标签可以为关于电商平台售卖的所有商品类型名称的标签，例如可以为与鞋子、衣服、手表、饰品以及包袋等相关的标签；质量类标签可以为关于拍摄的图像是否符合平台需求的标签；例如可以为：图像质量合格和/或图像质量不合格等相关的标签。
图像质量合格的要求可为，图片成像质量清晰合格，能完整展示商品主要外观。但不能保证每次拍摄都符合要求，所以在后续步骤需要对商品图像进行检测。
可选地，在质量类标签包括图像质量不合格时，可进一步包括成像不合格(如图像过暗、过曝、模糊等)和内容不合格(如目标遮挡和形状变化等)。
S221、基于预设语言算法分别对商品类标签以及质量类标签进行特征提取，获得商品类标签特征和质量类标签特征。
在当前步骤中，将商品类标签以及质量类标签输入至预设语言算法中，预设语言算法可输出关于得商品类标签特征和质量类标签特征。其中，为便于后续过程进行相似性比对，提取的商品类标签特征和质量类标签特征的特征长度应保持一致。在电商领域包含有N个商品类时，则对应可提取到N个商品类标签特征。
在质量类标签包含有三个，如图像质量合格、成像不合格和内容不合格时，则对应可提取到3个质量类标签特征。具体质量类标签特征的数量以开发人员对图像质量的分类为准。
上述预设语言算法可以为双向编码表征算法(Bidirectional EncoderRepresentations from Transformers，简称BERT)、嵌入式语言算法(Embeddings fromLanguage Models，ELMO)或者长短期记忆网络(Long Short-Term Memory，简称LSTM)等，具体预设语言算法的选取在此不做限制。
S230、基于特征提取模型获取待检测图像的待测图像特征。
特征提取模型是通过对商品类标签特征、商品类标签特征对应的第一图像特征、质量类标签特征和质量类标签特征对应的第二图像特征进行训练获得的。
一种实现方式，可通过如下方式训练特征提取模型：根据商品类标签特征和质量类标签特征确定目标函数；基于第一图像特征和第二图像特征对预设模型的模型参数进行训练，在目标函数达到收敛条件时，模型参数训练完成，获得特征提取模型。
首先针对电商平台包含的商品类型，收集每个商品类标签对应的商品类图集(如包含不限于鞋子，衣服，手表等)；再面向电商平台的所有商品类型，分别收集每个质量类标签对应的质量类图集，如分别符合质量合格，成像不合格以及内容不合格等三种质量类图集；进一步地，获取上述商品类图集和质量类图集中每个图像对应的图像数据，以基于商品类图集提取出第一图像特征，质量类图集提取出第二图像特征；并将商品类标签与第一图像特征和质量类标签对应的第二图像特征进行关联训练，在训练过程中，对于参与训练的所有商品图像，能够确定到符合当前商品图像对应的商品类和质量类，且损失优化训练到最小时，可认为当前预设模型优化完毕，获得特征提取模型。
其中，考虑边缘端设备算力有限的情况上述预设模型可以由轻量型网络模型实现。
其中，上述第一图像特征包括每个商品类图集对应的图像特征，相应地，第一图像特征可通过如下方式获得：对于收集每个商品类标签对应的商品类图集，分别对每个商品类对应的商品类图集进行特征提取，以获得由每个商品类对应的图像特征组成的第一图像特征。
上述第二图像特征包括每个质量类图集对应的图像特征，相应地，第二图像特征可通过如下方式获得：获取每个质量类标签对应的商品图像集，商品图像集包括每个商品类标签特征对应的商品图像；对每个质量类标签中的商品图像进行特征学习，获得第二图像特征。
对于每个质量类标签分别对应有商品图像集，每个商品图像集中包含有每个商品类标签特征对应的商品图像；例如，图像质量合格标签分别包括拍摄的衣服、鞋子、帽子等属于质量合格的照片；图像质量不合格标签分别包括拍摄的衣服、鞋子、帽子等属于质量不合格的照片；进一步通过对每个类标签中的商品图像进行特征学习，获得关于每个质量类图集对应的第二图像特征。
需要说明的是，本实施例中所提及的待测图像特征、第一图像特征以及第二图像特征可以理解为对应的特征向量，即待测图像特征向量、第一图像特征向量以及第二图像特征向量，提取特征向量的过程，可基于卷积神经网络进行实现，卷积神经网络可将每张图像缩放到固定图像尺度，最后经过多层的卷积网络计算，输出对应的特定长度的特征向量。
本发明实施例提供的特征提取模型的训练方法，基于多模态的训练方式，同时针对多个商品类和质量类进行学习，通过端到端的方式实现对多个商品类图像进行质量检测；使用单个模型便可实现现有的多模型或者多头模型进行图像图像检测的方案，避免了多类模型同时训练的数据耦合难点，多模型推理时间长等缺点。针对边缘端的算力推理特性，选择轻量化的主干网络，取到了降低计算消耗的效果。
S240、基于预设比对算法将待测图像特征分别与至少一个商品类标签特征和至少两种质量类标签特征进行相似性比对，获得商品类标签比对数值和质量类标签比对数值。
商品类标签特征包括至少一个；质量类标签特征包括至少两种。
通过待测图像特征与多个商品类标签特征进行依次比对，基于相似性比对算法可获得多个关于商品类标签比对数值；通过待测图像特征与至少两种质量类标签特征进行一次比对，基于相似性比对算法可获得至少两个关于质量类标签比对数值。其中，在相似度越高时，相应商品类标签比对数值或质量类标签比对数值的数值越高。
上述预设比对算法可以为皮尔逊相似度算法、向量空间余弦相似度算法或者或者欧几里得距离算法等，具体预设比对算法的选取在此不做限制。
S241、将商品类标签比对数值和质量类标签比对数值中满足预设条件的数值，分别确定为待检测图像对应的目标商品类标签和目标质量类标签。
在获得的多个关于商品类标签比对数值和至少两个关于质量类标签比对数值的两种数值类型中，按照商品类标签和质量类标签对比对数值进行分别排序，确定出的数值最高的，为满足预设条件。将商品类标签比对数值最高数值对应的商品类标签确定为待检测图像的目标商品类标签；将质量类标签比对数值最高数值对应的质量类标签确定为待检测图像的目标质量类标签。
S242、根据目标商品类标签和目标质量类标签获得待检测图像的检测结果。
根据目标商品类标签和目标质量类标签获得待检测图像的检测结果为xx商品是否合格，通过本实施例提供的图像检测方案，可以对待检测图像实现在商品类型和图像质量类型两个维度的同时输出，简化方案实现流程。
S250、判断目标质量类标签是否为图像合格标签。
目标质量类标签可以为图像合格标签或图像不合格标签，在目标质量类标签是为图像合格标签时，执行S260；若不是，则执行S270～S271。
S260、将待检测图像的图像数据发送至云服务端，以使得云服务端对图像数据进行分布式存储。
在边缘端设备确定待检测图像的图像质量符合需求时，可将检测图像的图像数据发送至云服务端，云服务端可通过图像数据确定出当前待检测图像所属的商品类型，从而根据商品类型进行分布式存储，用于下一步在电商平台上进行商品展示。
S270、确定待检测图像对应的目标子标签。
目标子标签包括成像不合格标签，和/或，内容不合格标签。
S271、根据目标子标签向用户设备反馈对应的提示信息。
若目标子标签为成像不合格标签，则反馈至用户设备的提示信息可以为：图像成像不合格(过暗、过曝或模糊等)，请商品移动至光线明亮/光线较暗处重新进行拍摄。若目标子标签为内容不合格标签，则反馈至用户设备的提示信息可以为：图像内容不合格标签(目标遮挡，形状变化等)，请将商品移动至背景或前景干净处，重新进行拍摄。具体对应提示信息的内容在此不做限制。
本实施例提供的图像检测方法，可在边缘端设备上，对于商品图像进行快速低成本的检测，降低不合格图像对于后续商品展示的影响，也减小了无效数据的传输成本和云端服务器的推理成本；相比于现有方案的需要多个模型各自提取特征的方式，本方案只使用了一个模型，模型数量少，响应速度更快。
图3是本发明实施例提供的图像检测装置的一个结构示意图，该装置适用于执行本发明实施例提供的图像检测方法。如图3所示，该装置具体可以包括：第一获取模块310、第二获取模块320和比对模块330，其中：
第一获取模块310，用于获取待检测图像和标签特征集，所述标签特征集包括商品类标签特征和质量类标签特征；
第二获取模块320，用于基于特征提取模型获取所述待检测图像的待测图像特征，所述特征提取模型是通过对所述商品类标签特征、所述商品类标签特征对应的第一图像特征、所述质量类标签特征和所述质量类标签特征对应的第二图像特征进行训练获得的；
比对模块330，用于将所述待测图像特征分别与所述商品类标签特征和所述质量类标签特征进行相似性比对，获得所述待检测图像的检测结果。
本发明实施例提供的图像检测装置，首先获取待检测图像和标签特征集，标签特征集包括商品类标签特征和质量类标签特征；然后基于特征提取模型获取待检测图像的待测图像特征；最后将待测图像特征分别与商品类标签特征和质量类标签特征进行相似性比对，获得待检测图像的检测结果。本实施例提供的方案，将特征提取模型部署在边缘端，在边缘端对待检测图像进行处理，以通过将待测图像特征分别与商品类标签特征和质量类标签特征进行相似性比对的方式，获得待测图像的检测结果。解决了传统方案中，模型数量较多以及将分析模型部署在云端存在的数据传输链路长的问题，取到了提升响应速度，降低云服务端资源成本的有益效果。
一实施例中，第一获取模块包括标签获取单元和标签特征获得单元，其中：
标签获取单元，用于获取商品类型对应的商品类标签以及获取图像质量类型对应的质量类标签；
标签特征获得单元，用于基于预设语言算法分别对所述商品类标签以及所述质量类标签进行特征提取，获得所述商品类标签特征和所述质量类标签特征。
一实施例中，所述装置还包括：训练模块；
训练模块，用于根据所述商品类标签特征和所述质量类标签特征确定目标函数；基于所述第一图像特征和所述第二图像特征对预设模型的模型参数进行训练，在所述目标函数达到收敛条件时，所述模型参数训练完成，获得所述特征提取模型。
一实施例中，第二获取模块320，还用于获取每个质量类标签对应的商品图像集，所述商品图像集包括每个所述商品类标签特征对应的商品图像；对每个所述质量类标签中的商品图像进行特征学习，获得所述第二图像特征。
一实施例中，所述商品类标签特征包括至少一个；所述质量类标签特征包括至少两种；比对模块330包括：相似性比对单元、目标标签确定单元和检测结果获得单元，其中：
相似性比对单元，用于基于预设比对算法将所述待测图像特征分别与至少一个所述商品类标签特征和至少两种所述质量类标签特征进行相似性比对，获得商品类标签比对数值和质量类标签比对数值；
目标标签确定单元，用于将所述商品类标签比对数值和所述质量类标签比对数值中满足预设条件的数值，分别确定为所述待检测图像对应的目标商品类标签和目标质量类标签；
检测结果获得单元，用于根据所述目标商品类标签和目标质量类标签获得所述待检测图像的检测结果。
一实施例中，在所述目标质量类标签为图像合格标签时，所述装置还包括发送模块，其中：
发送模块，用于将所述待检测图像的图像数据发送至云服务端，以使得所述云服务端对所述图像数据进行分布式存储。
一是实施例中，在所述目标质量类标签为图像不合格标签时，所述装置还包括：子标签确定模块和信息反馈模块，其中：
子标签确定模块，用于确定所述待检测图像对应的目标子标签；所述目标子标签包括成像不合格标签，和/或，内容不合格标签；
信息反馈模块，用于根据所述目标子标签向用户设备反馈对应的提示信息。
本领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述功能模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明实施例还提供了一种电子设备，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的图像检测方法。
本发明实施例还提供了一种计算机可读介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的图像检测方法。
下面参考图4，其示出了适于用来实现本发明实施例的电子设备的计算机系统500的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块和/或单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块和/或单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一获取模块、第二获取模块和比对模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取待检测图像和标签特征集，所述标签特征集包括商品类标签特征和质量类标签特征；基于特征提取模型获取所述待检测图像的待测图像特征，所述特征提取模型是通过对所述商品类标签特征、所述商品类标签特征对应的第一图像特征、所述质量类标签特征和所述质量类标签特征对应的第二图像特征进行训练获得的；将所述待测图像特征分别与所述商品类标签特征和所述质量类标签特征进行相似性比对，获得所述待检测图像的检测结果。
根据本发明实施例的技术方案，将特征提取模型部署在边缘端，在边缘端对待检测图像进行处理，以通过将待测图像特征分别与商品类标签特征和质量类标签特征进行相似性比对的方式，获得待测图像的检测结果。解决了传统方案中，模型数量较多以及将分析模型部署在云端存在的数据传输链路长的问题，取到了提升响应速度，降低云服务端资源成本的有益效果。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种图像检测方法，其特征在于，包括：
获取待检测图像和标签特征集，所述标签特征集包括商品类标签特征和质量类标签特征；
基于特征提取模型获取所述待检测图像的待测图像特征，所述特征提取模型是通过对所述商品类标签特征、所述商品类标签特征对应的第一图像特征、所述质量类标签特征和所述质量类标签特征对应的第二图像特征进行训练获得的；
将所述待测图像特征分别与所述商品类标签特征和所述质量类标签特征进行相似性比对，获得所述待检测图像的检测结果。
2.根据权利要求1所述的方法，其特征在于，获取所述商品类标签特征和所述质量类标签特征，包括：
获取商品类型对应的商品类标签以及获取图像质量类型对应的质量类标签；
基于预设语言算法分别对所述商品类标签以及所述质量类标签进行特征提取，获得所述商品类标签特征和所述质量类标签特征。
3.根据权利要求1所述的方法，其特征在于，对所述商品类标签特征、所述商品类标签特征对应的第一图像特征、所述质量类标签特征和所述质量类标签特征对应的第二图像特征进行训练，获得所述特征提取模型，包括：
根据所述商品类标签特征和所述质量类标签特征确定目标函数；
基于所述第一图像特征和所述第二图像特征对预设模型的模型参数进行训练，在所述目标函数达到收敛条件时，所述模型参数训练完成，获得所述特征提取模型。
4.根据权利要求3所述的方法，其特征在于，所述第二图像特征通过如下方式获得：
获取每个质量类标签对应的商品图像集，所述商品图像集包括每个所述商品类标签特征对应的商品图像；
对每个所述质量类标签中的商品图像进行特征学习，获得所述第二图像特征。
5.根据权利要求1所述的方法，其特征在于，所述商品类标签特征包括至少一个；所述质量类标签特征包括至少两种；
所述将所述待测图像特征分别与所述商品类标签特征和所述质量类标签特征进行相似性比对，获得所述待检测图像的检测结果，包括：
基于预设比对算法将所述待测图像特征分别与至少一个所述商品类标签特征和至少两种所述质量类标签特征进行相似性比对，获得商品类标签比对数值和质量类标签比对数值；
将所述商品类标签比对数值和所述质量类标签比对数值中满足预设条件的数值，分别确定所述待检测图像对应的目标商品类标签和目标质量类标签；
根据所述目标商品类标签和目标质量类标签获得所述待检测图像的检测结果。
6.根据权利要求5所述的方法，其特征在于，在所述目标质量类标签为图像合格标签时，所述方法还包括：
将所述待检测图像的图像数据发送至云服务端，以使得所述云服务端对所述图像数据进行分布式存储。
7.根据权利要求5所述的方法，其特征在于，在所述目标质量类标签为图像不合格标签时，所述方法还包括：
确定所述待检测图像对应的目标子标签；所述目标子标签包括成像不合格标签，和/或，内容不合格标签；
根据所述目标子标签向用户设备反馈对应的提示信息。
8.一种图像检测装置，其特征在于，包括：
第一获取模块，用于获取待检测图像和标签特征集，所述标签特征集包括商品类标签特征和质量类标签特征；
第二获取模块，用于基于特征提取模型获取所述待检测图像的待测图像特征，所述特征提取模型是通过对所述商品类标签特征、所述商品类标签特征对应的第一图像特征、所述质量类标签特征和所述质量类标签特征对应的第二图像特征进行训练获得的；
比对模块，用于将所述待测图像特征分别与所述商品类标签特征和所述质量类标签特征进行相似性比对，获得所述待检测图像的检测结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的图像检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的图像检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310261523.0A CN116433936A (zh) | 2023-03-17 | 2023-03-17 | 图像检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310261523.0A CN116433936A (zh) | 2023-03-17 | 2023-03-17 | 图像检测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116433936A true CN116433936A (zh) | 2023-07-14 |
Family
ID=87082429
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310261523.0A Pending CN116433936A (zh) | 2023-03-17 | 2023-03-17 | 图像检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116433936A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116842479A (zh) * | 2023-08-29 | 2023-10-03 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
-
2023
- 2023-03-17 CN CN202310261523.0A patent/CN116433936A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116842479A (zh) * | 2023-08-29 | 2023-10-03 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
| CN116842479B (zh) * | 2023-08-29 | 2023-12-12 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109117777B (zh) | 生成信息的方法和装置 | |
| CN108830235B (zh) | 用于生成信息的方法和装置 | |
| KR102385463B1 (ko) | 얼굴 특징 추출 모델 학습 방법, 얼굴 특징 추출 방법, 장치, 디바이스 및 저장 매체 | |
| US11270099B2 (en) | Method and apparatus for generating facial feature | |
| US20210174493A1 (en) | Damage identification result optimization method and apparatus | |
| CN112559800B (zh) | 用于处理视频的方法、装置、电子设备、介质和产品 | |
| CN109034069B (zh) | 用于生成信息的方法和装置 | |
| CN111126514A (zh) | 图像多标签分类方法、装置、设备及介质 | |
| CN112381104B (zh) | 一种图像识别方法、装置、计算机设备及存储介质 | |
| CN114463586A (zh) | 图像识别模型的训练与图像识别方法、装置、设备和介质 | |
| CN116049397B (zh) | 基于多模态融合的敏感信息发现并自动分类分级方法 | |
| CN111598164A (zh) | 识别目标对象的属性的方法、装置、电子设备和存储介质 | |
| CN112418327B (zh) | 图像分类模型的训练方法、装置、电子设备以及存储介质 | |
| CN112487242A (zh) | 用于识别视频的方法、装置、电子设备及可读存储介质 | |
| CN114092759A (zh) | 图像识别模型的训练方法、装置、电子设备及存储介质 | |
| EP4113376A1 (en) | Image classification model training method and apparatus, computer device, and storage medium | |
| CN111753746A (zh) | 属性识别模型训练方法、识别方法、电子设备、存储介质 | |
| CN113989476A (zh) | 对象识别方法及电子设备 | |
| CN109977875A (zh) | 基于深度学习的手势识别方法及设备 | |
| CN116433936A (zh) | 图像检测方法、装置、电子设备及存储介质 | |
| CN112766284A (zh) | 图像识别方法和装置、存储介质和电子设备 | |
| CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
| CN114549904B (zh) | 视觉处理及模型训练方法、设备、存储介质及程序产品 | |
| CN111782850A (zh) | 一种基于手绘图的物品搜索方法和装置 | |
| CN112215221A (zh) | 一种车架号自动识别方法 |
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 |