CN117333478A - 一种图像模糊检测方法、装置、计算机设备及存储介质 - Google Patents

一种图像模糊检测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN117333478A
CN117333478A CN202311401615.0A CN202311401615A CN117333478A CN 117333478 A CN117333478 A CN 117333478A CN 202311401615 A CN202311401615 A CN 202311401615A CN 117333478 A CN117333478 A CN 117333478A
Authority
CN
China
Prior art keywords
image
image sequence
sequence
blurred
data set
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
CN202311401615.0A
Other languages
English (en)
Inventor
邓嘉
陶民泽
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.)
Ping An Health Insurance Company of China Ltd
Original Assignee
Ping An Health Insurance Company of China 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 Ping An Health Insurance Company of China Ltd filed Critical Ping An Health Insurance Company of China Ltd
Priority to CN202311401615.0A priority Critical patent/CN117333478A/zh
Publication of CN117333478A publication Critical patent/CN117333478A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/18—Extraction of features or characteristics of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19173—Classification techniques
    • 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]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Finance (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Accounting & Taxation (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例属于人工智能和金融科技领域，涉及一种图像模糊检测方法，包括获取待检测图像序列；对所述待检测图像序列进行像素分类处理，得到目标图像序列，所述目标图像序列包括第一图像序列以及第二图像序列；对所述第一图像序列进行图像卷积分析处理，得到第一模糊图像序列；将所述第二图像序列输入图像模糊检测模型，生成第二模糊图像序列；将所述第一模糊图像序列与所述第二模糊图像序列进行组合，得到目标模糊图像序列。本申请还提供一种图像模糊检测装置、计算机设备及存储介质。本申请有效结解决了对于大小不同的模糊图片判定的准确度不高，无法快速处理模糊图片的问题，减少了公司人工干预，提高了上传图片的质量，优化了理赔的时效。

Description

一种图像模糊检测方法、装置、计算机设备及存储介质
技术领域
本申请涉及人工智能和金融科技技术领域，尤其涉及一种图像模糊检测方法、装置、计算机设备及存储介质。
背景技术
保险理赔服务中，保险公司需要通过对客户上传的材料图片进行分析后才能及时为客户进行相应合理的服务，若客户上传的图片中存在一部分质量不高的图片，例如图片模糊，重要文字信息无法识别，会导致公司在人工审核过程中无法准确获得客户相关信息，致使客户无法及时的获得相应的理赔服务。
目前对于图像模糊检测方法大多是基于传统算子来进行判断，通常是利用图像的局部特征和统计信息来评估图像的清晰度。
然而传统图像模糊检测方法对于模糊图片判定的准确度不高,容易受到图片大小等因素的影响，模糊检测模型的误判易给客户带来困扰，导致客户投诉，影响公司形象。
发明内容
本申请实施例的目的在于提出一种图像模糊检测方法、装置、计算机设备及存储介质，以解决对于大小不同的模糊图片判定的准确度不高，无法快速处理模糊图片的问题。
为了解决上述技术问题，本申请实施例提供一种图像模糊检测方法，采用了如下所述的技术方案：
获取待检测图像序列；
对所述待检测图像序列进行文件大小分类处理，得到目标图像序列，所述目标图像序列包括第一图像序列以及第二图像序列；
对所述第一图像序列进行图像卷积分析处理，得到第一模糊图像序列；
将所述第二图像序列输入图像模糊检测模型，生成第二模糊图像序列；
将所述第一模糊图像序列与所述第二模糊图像序列进行组合，得到目标模糊图像序列。
进一步的，所述对所述第一图像序列进行图像卷积分析处理，得到第一模糊图像序列的步骤，具体包括：
对所述第一图像序列进行图片大小归一化处理，得到第一处理图像序列；
对所述第一处理图像序列进行灰度处理，得到第二处理图像序列；
对所述第二处理图像序列进行卷积核计算，得到图像序列响应图；
计算所述图像序列响应图的方差，并比较所述方差与预设的模糊阈值，得到方差比对结果；
基于所述方差比对结果，确定所述第一模糊图像序列。
进一步的，在所述将所述第二图像序列输入图像模糊检测模型，生成第二模糊图像序列的步骤之前，还包括：
获取第一图像训练数据集；
对所述第一图像训练数据集进行模糊筛选处理，得到模糊图像训练数据集；
将所述第一图像训练数据集通过光学字符识别模型进行处理，得到清晰图像训练数据集；
将所述模糊图像训练数据集和所述清晰图像训练数据集导入到通用模型中进行预训练，得到预训练的图像模糊检测模型；
进一步的，通过所述预训练还得到预测错误图像集，在将所述模糊图像训练数据集和所述清晰图像训练数据集导入到通用模型中进行训练，得到预训练的图像模糊检测模型的步骤之后，还包括：
获取第二图像训练数据集，所述第二图像训练数据集包括所述预测错误图像集以及新增模糊图像训练数据集；
将所述第二图像训练数据集导入到所述预训练的图像模糊检测模型中，输出预测结果；
基于所述预测结果与预设标准结果，使用反向传播算法进行拟合，获取预测误差；
若所述预测误差大于所述预设阈值，则对所述预设的图像模糊检测模型进行迭代更新，直到所述预测误差小于或等于所述预设阈值为止，获取所述图像模糊检测模型。
进一步的，所述图像模糊检测模型包括输入层、处理层和输出层，所述将所述第二图像序列输入图像模糊检测模型，生成第二模糊图像序列的步骤，具体包括：
通过所述输入层提取所述第二图像序列中的图像数据；
将所述图像数据通过所述处理层进行特征提取处理，得到所述第二图像序列的模糊特征；
根据所述模糊特征确定所述第二模糊图像序列；
通过所述输出层输出所述第二模糊图像序列。
进一步的，所述对所述第一图像训练数据集进行模糊筛选处理，得到模糊图像训练数据集的步骤，具体包括：
通过拉普拉斯算子对所述第一图像训练数据集进行评分处理，得到图像评分数据；
将所述图像评分数据与预设的图像筛选阈值进行比对，并根据阈值比对结果对所述第一图像训练数据集进行筛选，得到所述模糊图像训练数据集。
进一步的，所述将所述第一图像训练数据集通过光学字符识别模型进行处理，得到清晰图像训练数据集的步骤，具体包括：
对所述第一图像训练数据集进行分类抽取处理，得到第一样式数据；
将所述第一样式数据输入所述光学字符识别模型进行均衡抽样，得到第二样式数据；
对所述第二样式数据进行复核处理，得到所述清晰图像训练数据集。
为了解决上述技术问题，本申请实施例还提供一种一种图像模糊检测装置，采用了如下所述的技术方案：
获取模块，用于获取待检测图像序列；
分类模块，用于对所述待检测图像序列进行文件大小分类处理，得到目标图像序列，所述目标图像序列包括第一图像序列以及第二图像序列；
处理模块，用于对所述第一图像序列进行图像评估处理，得到第一模糊图像序列；
输入模块，用于将所述第二图像序列输入图像模糊检测模型，生成第二模糊图像序列；
组合模块，用于将所述第一模糊图像序列与第二模糊图像序列进行组合，得到目标模糊图像序列。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现所述的图像模糊检测方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
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计算机可读指令，所述计算机可读指令被处理器执行时实现所述的图像模糊检测方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例通过对待检测图像序列按照文件大小进行分类处理，得到第一图像序列以及第二图像序列并分别进行处理，第一图像序列文件存储空间小于第二图像序列，对第一图像序列进行图像卷积分析处理，得到第一模糊图像序列，将第二图像序列输入图像模糊检测模型，生成第二模糊图像序列，将第一模糊图像序列与所述第二模糊图像序列进行组合，得到目标模糊图像序列，可以有效结解决对于大小不同的模糊图片判定的准确度不高，无法快速处理模糊图片的问题，减少了公司人工干预，提高了上传图片的质量，优化了理赔的时效。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的一种图像模糊检测方法的一个实施例的流程图；
图3是根据本申请的一种图像模糊检测装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
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；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的一种图像模糊检测方法一般由服务器/终端设备执行，相应地，图像模糊检测装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的一种图像模糊检测的方法的一个实施例的流程图。所述的一种图像模糊检测方法，包括以下步骤：
步骤S201，获取待检测图像序列。
在本实施例中，一种图像模糊检测方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式接收上述图像模糊检测方法的请求。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
在本实施例中，上述待检测图像序列可以是多张待检测图像的图像集合。具体的，一个待检测图像序列内可以包含多张待检测图像，上述待检测图像可以是照片、视频帧或其他图像形式等数字图像。
在一种可能的实施例中，在金融应用场景中，上述待检测图像具体可以是客户签单、发票证件以及保险合同等保险材料的电子扫描复印图片以及实拍图片，上述待检测图像序列可以是上述保险材料的实拍图片按照一定的时间顺序或编号顺序进行组织排列的集合。举例来说，可以通过将扫描相机固定在固定机位，对客户签订的纸质保险合同进行拍摄，得到保险合同图片，并通过拍摄时间为顺序，将上述保险合同图片进行整合，得到保险合同图片序列，上述保险合同图片序列即可以作为上述待检测图像序列。
步骤S202，对待检测图像序列进行文件大小分类处理，得到目标图像序列。
在本实施例中，上述文件大小分类处理可以是对上述待检测图像序列中每一张待检测图像的文件存储空间进行分析检测，并按照预设存储空间阈值对每张上述待检测图像进行分类处理，生成上述目标图像序列，上述目标图像序列可以包括第一图像序列以及第二图像序列，上述第一图像序列文件存储空间小于上述第二图像序列的文件存储空间大小。
在一种可能的实施例中，在金融应用场景中，业务人员在获取客户上传的发票证件图像，将上述发票证件的图像集合作为上述待检测图像序列，将上述检测图像序列输入到保险业务系统中的预先安装好的WinDirStat软件，得到上述待检测图像序列的文件列表，上述列表列出了上述待检测图像序列中所有发票证件图像及其文件存储空间，并按上述文件存储空间的大小进行排序，业务人员按照第一预设存储空间阈值对上述检测图像序列进行分类。具体的，上述预设存储空间阈值可以是600KB，将文件存储空间小于或等于600KB的发票证件图像分类到上述第一图像序列文件，将文件存储空间大于600KB的发票证件图像进行二次检测，业务人员按照第二预设存储空间阈值对上述文件存储空间大于600KB的发票证件图像进行再检测，上述第二预设存储空间阈值可以是5000KB，将文件存储空间大于600KB且小于5000KB的发票证件图像分类到上述第二图像序列文件，将大于5000KB的发票证件确定为清晰图像，并存入清晰图片序列。
步骤S203，对第一图像序列进行图像卷积分析处理，得到第一模糊图像序列。
在本实施例中，上述图像卷积分析处理可以是获取上述第一图像序列中的模糊图像，并上述模糊图像分类到上述第一模糊图像序列。举例来说，在金融应用场景中，上述模糊图像可以是有污点的保险单图片、分辨率低的发票图片以及字迹不清晰的签单图片等图像数据，业务人员可以将上述第一图像序列输入到拉普拉斯评估模型进行图像判定，得到上述模糊图像，将上述模糊图像的集合作为第一模糊图像序列。上述拉普拉斯评估模型可以是用于对文件存储空间小于或等于600KB的图片进行模糊图像检测。
步骤S204，将第二图像序列输入图像模糊检测模型，生成第二模糊图像序列。
在本实施例中，图像模糊检测模型可以是用于对文件存储空间大于600KB且小于5000KB的图片进行模糊图像检测。举例来说，在金融领域中，上述图像模糊检测模型可以是保单图像模糊检测模型、发票图像模糊检测模型、签单模糊图像检测模型以及客户证件模糊检测模型等神经网络模型。
在本实施例中，可以通过数据集对通用模型进行训练，得到上述图像模糊检测模型，数据集可以被划分为第一训练集和第二训练集。具体的，通过第一训练集对上述通用模型进行预训练得到预训练的图像模糊检测模型，在通过第二训练集对上述预训练的图像模糊检测模型进行二次训练，得到上述图像模糊检测模型。需要说明的是，上述数据集中的训练样本可以包括清晰图像集和模糊图像集。举例来说，在金融领域中，上述清晰图像集可以是字迹清晰的保单图片，上述模糊图像集可以是字迹模糊的保单图片。
步骤S205，将第一模糊图像序列与第二模糊图像序列进行组合，得到目标模糊图像序列。
在本实施例中，将上述第一模糊图像序列与上述第二模糊图像序列按照时间顺序进行合并处理后再进行图片编号处理，得到目标模糊图像序列。具体的，在金融领域中，上述目标模糊图像序列可以是客户上传的质量不高的清单明细图片的模糊图片集合，上述图片编号处理可以是根据上述客户的身份信息进行编号，上述身份信息可以上述客户的身份证信息、客户账号以及客户序列号等数字信息。在业务人员得到上述模糊图片集合后，需要根据上述图片编号返还给指定上述客户，并通知上述客户进行重新上传处理。
本申请实施例通过对待检测图像序列按照文件大小进行分类处理，得到第一图像序列以及第二图像序列并分别进行处理，第一图像序列文件存储空间小于第二图像序列，对第一图像序列进行图像卷积分析处理，得到第一模糊图像序列，将第二图像序列输入图像模糊检测模型，生成第二模糊图像序列，将第一模糊图像序列与所述第二模糊图像序列进行组合，得到目标模糊图像序列，可以有效结解决对于大小不同的模糊图片判定的准确度不高，无法快速处理模糊图片的问题，减少了公司人工干预，提高了上传图片的质量，优化了理赔的时效。
在一些可选的实现方式中，上述步骤S203包括以下步骤：
对第一图像序列进行图片大小归一化处理，得到第一处理图像序列；
对第一处理图像序列进行灰度处理，得到第二处理图像序列；
对第二处理图像序列进行卷积核计算，得到图像序列响应图；
计算图像序列响应图的方差，并比较方差与预设的模糊阈值，得到方差比对结果；
基于方差比对结果，确定第一模糊图像序列。
在本实施例中，上述图片大小归一化处理可以是对上述第一图像序列内每一帧图像进行图像缩放处理得到上述第一处理图像序列，上述第一处理图像序列内的所有图像具有相同的尺寸；上述灰度处理可以是将上述第一处理图像序列内每一帧图像的彩色信息转换为单通道的灰度值信息，得到灰度图像，上述第二处理图像序列内所有图像都是灰度图像；上述图像序列响应图可以是响应序列，可以通过对上述第二处理图像序列进行拉普拉斯滤波计算、小波变换以及高斯滤波等卷积处理操作得到上述响应序列；可以通过预设的响应序列公式得到上述图像序列响应图中每一帧响应图的方差，上述预设的响应序列公式如下式子所示：
Variance＝(∑(xi-μ)2)/N
其中上述Variance代表上述每一帧响应图的方差，上述xi表示响应序列中的每个响应值，上述μ表示响应序列的平均值，上述N表示响应序列中的总响应值数量；上述方差比对结果可以是上述图像序列响应图中每一帧响应图的方差与上述预设的模糊阈值的比较结果，若上述图像序列响应图中每一帧响应图的方差大于上述预设的模糊阈值，则将上述响应图分类到上述第一模糊图像序列，若上述图像序列响应图中每一帧响应图的方差小于或等于上述预设的模糊阈值，则继续对相邻帧响应图的方差与上述预设的模糊阈值进行比较。
在一种可能的实施例中，在金融领域中，上述第一图像序列可以是客户上传的票单回执图像集合，业务人员可以基于拉普拉斯模型的评估,先将上述票单回执图像集合进行图片大小归一化，统一所有票单回执图像的打分尺度，再将票单回执图像转为灰度图像，将上述灰度图像与拉普拉斯卷积核计算后得到响应图，，再计算该响应图的方差，最后通过上述预设的模糊阈值来与上述方差进行比较来判定图像是否模糊，可以将上述预设的模糊阈值设在8.5，达到准确率能够满足保险业务99.9％要求。
本申请通过对第一图像序列进行图片大小归一化处理，得到第一处理图像序列；对第一处理图像序列进行灰度处理，得到第二处理图像序列；对第二处理图像序列进行卷积核计算，得到图像序列响应图；计算图像序列响应图的方差，并比较方差与预设的模糊阈值，可以有效提高对文件存储空间较小图像的模糊检测效率，减少业务人员的繁琐操作时间。
在一些可选的实现方式中，在上述步骤S204之前，还包括以下步骤：
获取第一图像训练数据集；
对第一图像训练数据集进行模糊筛选处理，得到模糊图像训练数据集；
将第一图像训练数据集通过光学字符识别模型进行处理，得到清晰图像训练数据集；
将模糊图像训练数据集和清晰图像训练数据集导入到通用模型中进行预训练，得到预训练的图像模糊检测模型。
在本实施例中，在金融领域中，上述第一图像训练数据集可以是用于训练上述预处理的图像模糊检测模型的一组图像数据，可以从业务图像数据库中获取。上述模糊筛选处理可以是用于获取上述第一图像训练数据集中的模糊图像，将上述第一图像训练数据集中的模糊图像分类为上述模糊图像训练数据集。上述光学字符识别(Optical CharacterRecognition，OCR)模型可以是一种用于自动识别和提取上述第一图像训练数据集中清晰图像的计算机视觉模型，将上述第一图像训练数据集中的清晰图像分类为上述清晰图像训练数据集。上述通用图像可以是用于图像识别检测的机器学习或深度学习模型，例如VGG(Visual Geometry Group)模型、MobileNet模型、PyTorch模型以及TensorFlow模型。
在一种可能的实施例中，在金融领域中，上述第一图像训练数据集可以是存储在保险业务数据库中的客户签单、发票证件以及保险合同等保险材料，对上述保险材料进行上述模糊筛选处理，上述模糊筛选处理可以是根据上述保险材料的字迹模糊程度，图片颜色污染程度以及污点覆盖程度进行筛选处理，得到上述模糊图像训练数据集，将上述保险材料通过上述光学字符识别模型进行处理，上述清晰图像训练数据集，将上述模糊图像训练数据集和上述清晰图像训练数据集导入到用于检测保单图片模糊程度的通用模型中进行预训练，得到预训练的图像模糊检测模型，上述预训练的图像模糊检测模型可以是用于检测客户的保单签单图片数据。
本申请通过获取第一图像训练数据集，根据第一图像训练集得到得到模糊图像训练数据集以及清晰图像训练数据集，将模糊图像训练数据集和清晰图像训练数据集导入到通用模型中进行预训练，得到预训练的图像模糊检测模型，可以有选择性地对图像进行后续处理或筛选，以提高图像质量，从而提高工作效率。
在一些可选的实现方式中，在上述步骤“将模糊图像训练数据集和所述清晰图像训练数据集导入到通用模型中进行预训练，得到预训练的图像模糊检测模型”之后，包括以下步骤：
获取第二图像训练数据集，第二图像训练数据集包括预测错误图像集以及新增模糊图像训练数据集；
将第二图像训练数据集导入到预训练的图像模糊检测模型中，输出预测结果；
基于预测结果与预设标准结果，使用反向传播算法进行拟合，获取预测误差；
若预测误差大于所述预设阈值，则对预设的图像模糊检测模型进行迭代更新，直到预测误差小于或等于预设阈值为止，获取图像模糊检测模型。
在本实施例中，上述预测错误图像集可以是上述预训练的图像模糊检测模型在训练过程中产生的模型认为模糊但却是清晰的图片，上述新增模糊图像训练数据集可以是之前没有的模糊图片。上述反向传播算法，即误差反向传播算法(Backpropagationalgorithm，BP算法)适合于多层神经元网络的一种学习算法，它建立在梯度下降法的基础上，用于深度学习网络的误差计算。BP网络的输入、输出关系实质上是一种映射关系：一个n输入m输出的BP神经网络所完成的功能是从n维欧氏空间向m维欧氏空间中一有限域的连续映射，这一映射具有高度非线性。BP算法的学习过程由正向传播过程和反向传播过程组成。在正向传播过程中，输入信息通过输入层经隐含层，逐层处理并传向输出层，并转入反向传播，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，以作为修改权值的依据。
具体的，将上述第二图像训练数据集输入到预训练的图像模糊检测模型，得到预测结果，通过反向传播算法对预测结果与预设标准结果进行拟合，获取预测误差，将预测误差与预设的标准阈值进行比较，若预测误差大于标准阈值，则对上述预训练的图像模糊检测模型进行迭代更新，若预测误差小于或等于标准阈值为止，输出上述图像模糊检测模型。通过获取预测误差以及对图像模糊检测模型进行迭代更新，可以提高图像模糊检测模型识别准确度。
本申请通过预测错误图像集以及新增模糊图像训练数据集对预训练的图像模糊检测模型进行二次训练，可以更快地迭代模型，进行实验和调整超参数，以达到更好的性能，减少过拟合的风险。
在一些可选的实现方式中，在上述步骤“对第一图像训练数据集进行模糊筛选处理，得到模糊图像训练数据集”中，包括以下步骤：
通过拉普拉斯算子对第一图像训练数据集进行评分处理，得到图像评分数据；
将图像评分数据与预设的图像筛选阈值进行比对，并根据阈值比对结果对第一图像训练数据集进行筛选，得到模糊图像训练数据集。
在本实施例中，上述评分处理可以是通过上述拉普拉斯算子对上述第一图像训练数据集中每一帧训练用图像进行边缘检测，根据上述训练用图像的边界信息得到边界方差，将上述方差的大小来作为图像评分数据。具体的，清晰图像中边界清晰，经拉普拉斯计算后方差较大，模糊图像边界信息少，经拉普拉斯计算后方差较大。
在一种可能的实施例中，在金融领域，上述第一图像训练数据集可以是存储在保险业务数据库中的客户签单、发票证件以及保险合同等保险材料，上述通过拉普拉斯算子进行评分处理可以是漏斗模型中的功能，上述漏斗模型可以是用于快速筛选上述保险材料的模糊图片的筛选模型，业务员通过将上述保险材料输入上述漏斗模型进行评分处理，得到上述保险材料的图像评分数据，通过预设的图像筛选阈值进行比对，上述预设的图像筛选阈值可以是采用高阀值高召回的方式进行初筛，后续通过人工核验得到上述保险材料的模糊图像训练数据集。
本申请通过拉普拉斯算子对第一图像训练数据集进行评分处理，得到图像评分数据，将图像评分数据与预设的图像筛选阈值进行高阀值高召回的方式进行初筛，后续通过人工核验得到模糊图像训练数据集进行筛选，有效提高了模糊图像训练数据集的筛选效率，减少业务人员的工作量。
在一些可选的实现方式中，在上述步骤“将第一图像训练数据集通过光学字符识别模型进行处理，得到清晰图像训练数据集”中，包括以下步骤：
对第一图像训练数据集进行分类抽取处理，得到第一样式数据；
将第一样式数据输入光学字符识别模型进行均衡抽样，得到第二样式数据；
对第二样式数据进行复核处理，得到清晰图像训练数据集。
在本实施例中，上述分类抽取处理可以是按照上述第一图像训练数据集的图像数据类型、图像数据属性以及图像数据大小进行分类处理，并对每个类别进行等量的抽样，得到抽样数据作为上述第一样式数据。上述光学字符识别模型进行均衡抽样可以是通过ocr(psnet+ctc)模型进行对上述第一样式数据的进行标题提取，得到标题映射材料，依据上述提取的标题映射材料的样式进行均衡抽样，得到第二样式数据，最后通过对上述第二样式数据进行人工复核检验，得到上述清晰图像训练数据集。
在一种可能的实施例中，在金融行业中，可以将客户上传的发票证件作为第一图像训练数据集，上述分类抽取处理可以是将上述发票证件分为以下11个类别：普通发票门诊原件含明细、普通发票住院原件、电子发票门诊含费用明细、普通发票门诊原件不含明细、电子发票门诊不含费用明细、增值税发票复印件、电子发票住院件、增值税发票原件、普通发票住院复印件、普通发票门诊复印件含明细以及普通发票门诊复印件不含明细等发票类别，对上述11个发票类别进行分别等量的抽样，得到11种类别的发票材料，在通过使用发票业务系统中内置的ocr(psnet+ctc)模型进行发票材料图片标题的提取，然后依据上述提取的发票材料图片标题所映射的发票材料的样式进行均衡抽样处理得到上述发票证件的初步清晰图像，上述均衡采样处理可以通过SMOTE(Synthetic Minority Over-samplingTechnique)以及ADASYN(Adaptive Synthetic Sampling)等过采样算法实现，最后通过对上述初步清晰图像进行人工复核检验，得到上述上述发票材料的清晰图像训练数据集。
本申请通过对第一图像训练数据集进行分类抽取处理后，再进行均衡抽取处理，最后通过复核处理得到清晰图像训练数据集，提高了图像训练数据的多样性、减少不均衡数据。
在一些可选的实现方式中，上述步骤S204中，包括以下步骤：
通过输入层提取第二图像序列中的图像数据；
将图像数据通过处理层进行特征提取处理，得到第二图像序列的模糊特征；
根据模糊特征确定第二模糊图像序列；
通过输出层输出第二模糊图像序列。
在本实施例中，上述图像模糊检测模型包括输入层、处理层和输出层。举例来说，在金融领域，上述图像模糊检测模型可以是保单图像模糊检测模型，上述输入层可以对客户上传的保单图像序列进行图片提取处理得到保单图像帧，即上述图像数据，将上述保单图像帧输入到上述处理层中进行特征提取处理，上述特征提取处理可以是对上述保单图像中的保单字迹、保单图像模糊度以及保单颜色污染度等特征进行提取处理，得到上述保单图像序列的模糊特征，根据上述模糊特征的严重程度与预设的模糊阈值进行比对，若超出上述预设的模糊阈值范围，则确定出上述保单图像帧为模糊图像，并分类到第二模糊图像序列，通过上述输出层输出第二模糊图像序列，若未超出上述预设的模糊阈值范围，则继续对相邻保单图像帧的模糊特征进行比对，直到上述保单图像序列内的全部保单图像帧比对完成。
本申请通过图像模糊检测模型进行模糊图像分类处理，提高了图像数据处理的速度，减少不必要的工作量，提升用户体验，以及节省资源和成本。
需要强调的是，为进一步保证上述待检测图像序列的私密和安全性，上述待检测图像序列还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种图像模糊检测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例所述的图像模糊检测装置300包括：获取模块301、分类模块302、处理模块303、输入模块304以及组合模块305，其中：
获取模块301，用于用于获取待检测图像序列；
分类模块302，用于对所述待检测图像序列进行文件大小分类处理，得到目标图像序列，所述目标图像序列包括第一图像序列以及第二图像序列；
处理模块303，用于对所述第一图像序列进行图像评估处理，得到第一模糊图像序列；
输入模块304，用于将所述第二图像序列输入图像模糊检测模型，生成第二模糊图像序列；
组合模块305，用于将所述第一模糊图像序列与第二模糊图像序列进行组合，得到目标模糊图像序列。
本申请实施例通过对待检测图像序列按照文件大小进行分类处理，得到第一图像序列以及第二图像序列并分别进行处理，第一图像序列文件存储空间小于第二图像序列，对第一图像序列进行图像卷积分析处理，得到第一模糊图像序列，将第二图像序列输入图像模糊检测模型，生成第二模糊图像序列，将第一模糊图像序列与所述第二模糊图像序列进行组合，得到目标模糊图像序列，可以有效结解决对于大小不同的模糊图片判定的准确度不高，无法快速处理模糊图片的问题，减少了公司人工干预，提高了上传图片的质量，优化了理赔的时效。
在本实施例的一些可选的实现方式中，上述处理模块303包括第一处理子模块、第二处理子模块、卷积计算子模块、比对子模块以及第一确定子模块，其中：。
第一处理子模块，用于对所述第一图像序列进行图片大小归一化处理，得到第一处理图像序列；
第二处理子模块，用于对所述第一处理图像序列进行灰度处理，得到第二处理图像序列；
卷积计算子模块，用于对所述第二处理图像序列进行卷积核计算，得到图像序列响应图；
比对子模块，用于计算所述图像序列响应图的方差，并比较所述方差与预设的模糊阈值，得到方差比对结果；
第一确定子模块，用于基于所述方差比对结果，确定所述第一模糊图像序列。
本申请通过对第一图像序列进行图片大小归一化处理，得到第一处理图像序列；对第一处理图像序列进行灰度处理，得到第二处理图像序列；对第二处理图像序列进行卷积核计算，得到图像序列响应图；计算图像序列响应图的方差，并比较方差与预设的模糊阈值，可以有效提高对文件存储空间较小图像的模糊检测效率，减少业务人员的繁琐操作时间。
在本实施例的一些可选的实现方式中，在上述输入模块304之前还包括第一获取模块、筛选模块、第一处理模块以及训练模块，其中：
第一获取模块，用于获取第一图像训练数据集；
筛选模块，用于对所述第一图像训练数据集进行模糊筛选处理，得到模糊图像训练数据集；
第一处理模块，用于将所述第一图像训练数据集通过光学字符识别模型进行处理，得到清晰图像训练数据集；
训练模块，用于将所述模糊图像训练数据集和所述清晰图像训练数据集导入到通用模型中进行预训练，得到预训练的图像模糊检测模型；
本申请通过获取第一图像训练数据集，根据第一图像训练集得到得到模糊图像训练数据集以及清晰图像训练数据集，将模糊图像训练数据集和清晰图像训练数据集导入到通用模型中进行预训练，得到预训练的图像模糊检测模型，可以有选择性地对图像进行后续处理或筛选，以提高图像质量，从而提高工作效率。
在本实施例的一些可选的实现方式中，在上述训练模块之后还包括第二获取模块、导入模块、拟合模块以及更新模块，其中：
第二获取模块，用于获取第二图像训练数据集，所述第二图像训练数据集包括所述预测错误图像集以及新增模糊图像训练数据集；
导入模块，用于将所述第二图像训练数据集导入到所述预训练的图像模糊检测模型中，输出预测结果；
拟合模块，用于基于所述预测结果与预设标准结果，使用反向传播算法进行拟合，获取预测误差；
更新模块，用于若所述预测误差大于所述预设阈值，则对所述预设的图像模糊检测模型进行迭代更新，直到所述预测误差小于或等于所述预设阈值为止，获取所述图像模糊检测模型。
本申请通过预测错误图像集以及新增模糊图像训练数据集对预训练的图像模糊检测模型进行二次训练，可以更快地迭代模型，进行实验和调整超参数，以达到更好的性能，减少过拟合的风险。
在本实施例的一些可选的实现方式中，在上述输入模块304包括第三处理子模块、第四处理子模块、第二确定子模块以及输出子模块，其中：
第三处理子模块，用于通过所述输入层提取所述第二图像序列中的图像数据；
第四处理子模块，用于将所述图像数据通过所述处理层进行特征提取处理，得到所述第二图像序列的模糊特征；
第二确定子模块，用于根据所述模糊特征确定所述第二模糊图像序列；
输出子模块，通过所述输出层输出所述第二模糊图像序列。
本申请通过图像模糊检测模型进行模糊图像分类处理，提高了图像数据处理的速度，减少不必要的工作量，提升用户体验，以及节省资源和成本。
在本实施例的一些可选的实现方式中，在上述筛选模块包括评分子模块以及筛选子模块，其中：
评分子模块，用于通过拉普拉斯算子对所述第一图像训练数据集进行评分处理，得到图像评分数据；
筛选子模块，用于将所述图像评分数据与预设的图像筛选阈值进行比对，并根据阈值比对结果对所述第一图像训练数据集进行筛选，得到所述模糊图像训练数据集。
本申请通过拉普拉斯算子对第一图像训练数据集进行评分处理，得到图像评分数据，将图像评分数据与预设的图像筛选阈值进行高阀值高召回的方式进行初筛，后续通过人工核验得到模糊图像训练数据集进行筛选，有效提高了模糊图像训练数据集的筛选效率，减少业务人员的工作量。
在本实施例的一些可选的实现方式中，在上述第一处理模块包括抽取子模块、抽样子模块以及复核子模块，其中：
抽取子模块，用于对所述第一图像训练数据集进行分类抽取处理，得到第一样式数据；
抽样子模块，将所述第一样式数据输入所述光学字符识别模型进行均衡抽样，得到第二样式数据；
复核子模块，对所述第二样式数据进行复核处理，得到所述清晰图像训练数据集。
本申请通过对第一图像训练数据集进行分类抽取处理后，再进行均衡抽取处理，最后通过复核处理得到清晰图像训练数据集，提高了图像训练数据的多样性、减少不均衡数据。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机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(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如图像模糊检测方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述图像模糊检测方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请公开了一种计算机设备，通过对待检测图像序列按照文件大小进行分类处理，得到第一图像序列以及第二图像序列并分别进行处理，第一图像序列文件存储空间小于第二图像序列，对第一图像序列进行图像卷积分析处理，得到第一模糊图像序列，将第二图像序列输入图像模糊检测模型，生成第二模糊图像序列，将第一模糊图像序列与所述第二模糊图像序列进行组合，得到目标模糊图像序列，可以有效结解决对于大小不同的模糊图片判定的准确度不高，无法快速处理模糊图片的问题，减少了公司人工干预，提高了上传图片的质量，优化了理赔的时效。
本申请还提供了另一种实施方式，即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可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的图像模糊检测方法的步骤。
本申请公开了一种计算机可读存储介质，通过对待检测图像序列按照文件大小进行分类处理，得到第一图像序列以及第二图像序列并分别进行处理，第一图像序列文件存储空间小于第二图像序列，对第一图像序列进行图像卷积分析处理，得到第一模糊图像序列，将第二图像序列输入图像模糊检测模型，生成第二模糊图像序列，将第一模糊图像序列与所述第二模糊图像序列进行组合，得到目标模糊图像序列，可以有效结解决对于大小不同的模糊图片判定的准确度不高，无法快速处理模糊图片的问题，减少了公司人工干预，提高了上传图片的质量，优化了理赔的时效。
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(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)执行本申请各个实施例所述的方法。
显然，以上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，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种图像模糊检测方法，其特征在于，包括下述步骤：
获取待检测图像序列；
对所述待检测图像序列进行文件大小分类处理，得到目标图像序列，所述目标图像序列包括第一图像序列以及第二图像序列；
对所述第一图像序列进行图像卷积分析处理，得到第一模糊图像序列；
将所述第二图像序列输入图像模糊检测模型，生成第二模糊图像序列；
将所述第一模糊图像序列与所述第二模糊图像序列进行组合，得到目标模糊图像序列。
2.根据权利要求1所述的图像模糊检测方法，其特征在于，所述对所述第一图像序列进行图像卷积分析处理，得到第一模糊图像序列的步骤，具体包括：
对所述第一图像序列进行图片大小归一化处理，得到第一处理图像序列；
对所述第一处理图像序列进行灰度处理，得到第二处理图像序列；
对所述第二处理图像序列进行卷积核计算，得到图像序列响应图；
计算所述图像序列响应图的方差，并比较所述方差与预设的模糊阈值，得到方差比对结果；
基于所述方差比对结果，确定所述第一模糊图像序列。
3.根据权利要求1所述的图像模糊检测方法，其特征在于，在所述将所述第二图像序列输入图像模糊检测模型，生成第二模糊图像序列的步骤之前，还包括：
获取第一图像训练数据集；
对所述第一图像训练数据集进行模糊筛选处理，得到模糊图像训练数据集；
将所述第一图像训练数据集通过光学字符识别模型进行处理，得到清晰图像训练数据集；
将所述模糊图像训练数据集和所述清晰图像训练数据集导入到通用模型中进行预训练，得到预训练的图像模糊检测模型。
4.根据权利要求3所述的图像模糊检测方法，其特征在于，通过所述预训练还得到预测错误图像集，在将所述模糊图像训练数据集和所述清晰图像训练数据集导入到通用模型中进行训练，得到预训练的图像模糊检测模型的步骤之后，还包括：
获取第二图像训练数据集，所述第二图像训练数据集包括所述预测错误图像集以及新增模糊图像训练数据集；
将所述第二图像训练数据集导入到所述预训练的图像模糊检测模型中，输出预测结果；
基于所述预测结果与预设标准结果，使用反向传播算法进行拟合，获取预测误差；
若所述预测误差大于所述预设阈值，则对所述预设的图像模糊检测模型进行迭代更新，直到所述预测误差小于或等于所述预设阈值为止，获取所述图像模糊检测模型。
5.根据权利要求1中所述的图像模糊检测方法，其特征在于，所述图像模糊检测模型包括输入层、处理层和输出层，所述将所述第二图像序列输入图像模糊检测模型，生成第二模糊图像序列的步骤，具体包括：
通过所述输入层提取所述第二图像序列中的图像数据；
将所述图像数据通过所述处理层进行特征提取处理，得到所述第二图像序列的模糊特征；
根据所述模糊特征确定所述第二模糊图像序列；
通过所述输出层输出所述第二模糊图像序列。
6.根据权利要求3所述的图像模糊检测方法，其特征在于，所述对所述第一图像训练数据集进行模糊筛选处理，得到模糊图像训练数据集的步骤，具体包括：
通过拉普拉斯算子对所述第一图像训练数据集进行评分处理，得到图像评分数据；
将所述图像评分数据与预设的图像筛选阈值进行比对，并根据阈值比对结果对所述第一图像训练数据集进行筛选，得到所述模糊图像训练数据集。
7.根据权利要求3所述的图像模糊检测方法，其特征在于，所述将所述第一图像训练数据集通过光学字符识别模型进行处理，得到清晰图像训练数据集的步骤，具体包括：
对所述第一图像训练数据集进行分类抽取处理，得到第一样式数据；
将所述第一样式数据输入所述光学字符识别模型进行均衡抽样，得到第二样式数据；
对所述第二样式数据进行复核处理，得到所述清晰图像训练数据集。
8.一种图像模糊检测装置，其特征在于，包括：
获取模块，用于获取待检测图像序列；
分类模块，用于对所述待检测图像序列进行文件大小分类处理，得到目标图像序列，所述目标图像序列包括第一图像序列以及第二图像序列；
处理模块，用于对所述第一图像序列进行图像评估处理，得到第一模糊图像序列；
输入模块，用于将所述第二图像序列输入图像模糊检测模型，生成第二模糊图像序列；
组合模块，用于将所述第一模糊图像序列与第二模糊图像序列进行组合，得到目标模糊图像序列。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的图像模糊检测方法的步骤。
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计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的图像模糊检测方法的步骤。
CN202311401615.0A 2023-10-25 2023-10-25 一种图像模糊检测方法、装置、计算机设备及存储介质 Pending CN117333478A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311401615.0A CN117333478A (zh) 2023-10-25 2023-10-25 一种图像模糊检测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311401615.0A CN117333478A (zh) 2023-10-25 2023-10-25 一种图像模糊检测方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN117333478A true CN117333478A (zh) 2024-01-02

Family

ID=89277195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311401615.0A Pending CN117333478A (zh) 2023-10-25 2023-10-25 一种图像模糊检测方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN117333478A (zh)

Similar Documents

Publication Publication Date Title
WO2021143267A1 (zh) 基于图像检测的细粒度分类模型处理方法、及其相关设备
CN111107048B (zh) 一种钓鱼网站检测方法、装置和存储介质
WO2018166116A1 (zh) 车损识别方法、电子装置及计算机可读存储介质
US20200004815A1 (en) Text entity detection and recognition from images
CN106127248A (zh) 基于深度学习的车牌分类方法及系统
CN108491866B (zh) 色情图片鉴定方法、电子装置及可读存储介质
CN112995414B (zh) 基于语音通话的行为质检方法、装置、设备及存储介质
CN113239807B (zh) 训练票据识别模型和票据识别的方法和装置
CN114169381A (zh) 图像标注方法、装置、终端设备及存储介质
CN113221918A (zh) 目标检测方法、目标检测模型的训练方法及装置
CN114663871A (zh) 图像识别方法、训练方法、装置、系统及存储介质
CN111582314A (zh) 目标用户确定方法、装置及电子设备
CN114550051A (zh) 一种车损检测方法、装置、计算机设备及存储介质
CN114140649A (zh) 票据分类方法、票据分类装置、电子设备和存储介质
CN112766284A (zh) 图像识别方法和装置、存储介质和电子设备
CN114241411B (zh) 基于目标检测的计数模型处理方法、装置及计算机设备
CN114282258A (zh) 截屏数据脱敏方法、装置、计算机设备及存储介质
CN113538413A (zh) 图像检测方法及装置、电子设备和存储介质
CN113420295A (zh) 恶意软件的检测方法及装置
CN114359928B (zh) 一种电子发票识别方法、装置、计算机设备及存储介质
CN113723093B (zh) 人员管理策略推荐方法、装置、计算机设备及存储介质
Huang et al. Enhancing computer image recognition with improved image algorithms
CN117333478A (zh) 一种图像模糊检测方法、装置、计算机设备及存储介质
CN111797922B (zh) 文本图像分类方法及装置
Banerjee et al. Quote examiner: verifying quoted images using web-based text similarity

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