TWI769661B - 圖像異常檢測方法、裝置、電腦裝置及儲存介質 - Google Patents
圖像異常檢測方法、裝置、電腦裝置及儲存介質 Download PDFInfo
- Publication number
- TWI769661B TWI769661B TW110101169A TW110101169A TWI769661B TW I769661 B TWI769661 B TW I769661B TW 110101169 A TW110101169 A TW 110101169A TW 110101169 A TW110101169 A TW 110101169A TW I769661 B TWI769661 B TW I769661B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- abnormal
- score
- preset
- scores
- Prior art date
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申請涉及圖像檢測,本申請提供一種圖像異常檢測方法、裝置、電腦裝置及儲存介質,該方法對獲取的待檢測圖像進行切割,獲得多個第一切割圖像以及多個第二切割圖像,將待檢測圖像輸入至預先訓練好的第一異常檢測模型中,獲得第一異常分數,將多個第一切割圖像輸入至預先訓練好的第二異常檢測模型中,獲得多個第二異常分數,將多個第二切割圖像輸入至預先訓練好的第三異常檢測模型中,獲得多個第三異常分數,若待檢測圖像存在異常,根據預設的異常資料庫確定待檢測圖像的異常類型。本申請能提高異常檢測的準確率。
Description
本申請涉及圖像檢測技術領域,尤其涉及一種圖像異常檢測方法、裝置、電腦裝置及儲存介質。
目前,對應物體表面瑕疵的檢測,可以將待檢測圖片輸入至訓練好的神經網路模型中,判斷該待檢測圖像是否為異常圖像,但在實踐中發現,當瑕疵在圖像中很小的時候,難以檢測出來,且無法檢測出異常類型。
因此,如何提高異常檢測的準確率是一個亟需解決的技術問題。
鑒於以上內容,有必要提供一種圖像異常檢測方法、裝置、電腦裝置及儲存介質,能夠提高異常檢測的準確率。
本申請的第一方面提供一種圖像異常檢測方法,所述圖像異常檢測方法包括:
獲取待檢測圖像;
對所述待檢測圖像進行切割,獲得多個第一切割圖像以及多個第二切割圖像;
將所述待檢測圖像輸入至預先訓練好的第一異常檢測模型中,獲得第一異常分數,將所述多個第一切割圖像輸入至預先訓練好的第二異常檢測模型中,獲得多個第二異常分數,以及將所述多個第二切割圖像輸入至預先訓練好的第三異常檢測模型中,獲得多個第三異常分數;
根據所述第一異常分數、所述多個第二異常分數、所述多個第三異常分數、預設的第一分數閾值、預設的第二分數閾值以及預設的第三分數閾值,判斷所述待檢測圖像是否存在異常;
若所述待檢測圖像存在異常,根據預設的異常資料庫,確定所述待檢測圖像對應的異常類型。
在一種可能的實現方式中,所述獲取待檢測圖像之前,所述圖像異常檢測方法還包括:
利用預設的圖像訓練集對神經網路進行訓練,包括:
獲取預設的第一圖像訓練集、第二圖像訓練集以及第三圖像訓練集;
使用所述第一圖像訓練集對神經網路進行訓練,獲得所述第一異常檢測模型,使用所述第二圖像訓練集對神經網路進行訓練,獲得所述第二異常檢測模型,以及使用所述第三圖像訓練集對神經網路進行訓練,獲得所述第三異常檢測模型。
在一種可能的實現方式中,所述利用預設的圖像訓練集對神經網路進行訓練之後,以及所述獲取待檢測圖像之前,所述圖像異常檢測方法還包括:
獲取預設的無異常圖片集,其中,所述無異常圖片集包括第一尺寸圖片集、第二尺寸圖片集以及第三尺寸圖片集;
將所述第一尺寸圖片集輸入至所述第一異常檢測模型,獲得所述第一尺寸圖片集對應的多個分數;
將所述第二尺寸圖片集輸入至所述第二異常檢測模型,獲得所述第二尺寸圖片集對應的多個分數;
將所述第三尺寸圖片集輸入至所述第三異常檢測模型,獲得所述第三尺寸圖片集對應的多個分數;
根據所述第一尺寸圖片集對應的多個分數,確定所述第一分數閾值,根據所述第二尺寸圖片集對應的多個分數,確定所述第二分數閾值,以及根據所述第三尺寸圖片集對應的多個分數,確定所述第三分數閾值。
在一種可能的實現方式中,所述根據所述第一尺寸圖片集對應的多個分數,確定所述第一分數閾值,根據所述第二尺寸圖片集對應的多個分數,確定所述第二分數閾值,以及根據所述第三尺寸圖片集對應的多個分數,確定所述第三分數閾值包括:
確定所述第一尺寸圖片集對應的多個分數的第一平均值,以及確定所述第一尺寸圖片集對應的多個分數的第一標準差;
確定所述第二尺寸圖片集對應的多個分數的第二平均值,以及確定所述第二尺寸圖片集對應的多個分數的第二標準差;
確定所述第三尺寸圖片集對應的多個分數的第三平均值,以及確定所述第三尺寸圖片集對應的多個分數的第三標準差;
確定所述第一分數閾值為所述第一平均值與所述第一標準差的和,確定所述第二分數閾值為所述第二平均值與所述第二標準差的和,以及確定所述第三分數閾值為所述第三平均值與所述第三標準差的和。
在一種可能的實現方式中,所述根據預設的異常資料庫,確定所述待檢測圖像對應的異常類型包括:
確定所述待檢測圖像與所述異常資料庫中的每個異常圖像的相似度;
根據多個所述相似度,從所有所述異常資料庫中確定靶心圖表像,其中,所述待檢測圖像與所述靶心圖表像的相似度最大;
確定所述待檢測圖像對應的異常類型為所述靶心圖表像對應的異常類型。
在一種可能的實現方式中,所述根據所述第一異常分數、所述多個第二異常分數、所述第三異常分數、預設的第一分數閾值、預設的第二分數閾值以及預設的第三分數閾值,判斷所述待檢測圖像是否存在異常包括:
若所述第一異常分數小於或等於預設的第一分數閾值,判斷所述多個第二異常分數中是否存在大於預設的第二分數閾值的第二異常分數;
若所述多個第二異常分數中不存在大於預設的第二分數閾值的第二異常分數,判斷所述多個第三異常分數中是否存在大於預設的第三分數閾值的第三異常分數;
若所述多個第三異常分數中不存在大於預設的第三分數閾值的第三異常分數,確定所述待檢測圖像不存在異常。
在一種可能的實現方式中,所述圖像異常檢測方法還包括:
若所述第一異常分數大於預設的第一分數閾值,確定所述待檢測圖像存在異常;或
若所述第一異常分數小於或等於預設的第一分數閾值,且所述多個第二異常分數中存在大於預設的第二分數閾值的第二異常分數,確定所述待檢測圖像存在異常;或
若所述多個第二異常分數中不存在大於預設的第二分數閾值的第二異常分數,且所述多個第三異常分數中存在大於預設的第三分數閾值的第三異常分數,確定所述待檢測圖像存在異常。
本申請的第二方面提供一種圖像異常檢測裝置,所述圖像異常檢測裝置包括:
獲取模組,用於獲取待檢測圖像;
切割模組,用於對所述待檢測圖像進行切割,獲得多個第一切割圖像以及多個第二切割圖像;
輸入模組,用於將所述待檢測圖像輸入至預先訓練好的第一異常檢測模型中,獲得第一異常分數,將所述多個第一切割圖像輸入至預先訓練好的第二異常檢測模型中,獲得多個第二異常分數,以及將所述多個第二切割圖像輸入至預先訓練好的第三異常檢測模型中,獲得多個第三異常分數;
判斷模組,用於根據所述第一異常分數、所述多個第二異常分數、所述多個第三異常分數、預設的第一分數閾值、預設的第二分數閾值以及預設的第三分數閾值,判斷所述待檢測圖像是否存在異常;
確定模組,用於若所述待檢測圖像存在異常,根據預設的異常資料庫,確定所述待檢測圖像對應的異常類型。
本申請的第三方面提供一種電腦裝置,所述電腦裝置包括處理器和儲存器,所述處理器用於執行所述儲存器中儲存的電腦程式時實現所述的圖像異常檢測方法。
本申請的第四方面提供一種電腦可讀儲存介質,所述電腦可讀儲存介質上儲存有電腦程式,所述電腦程式被處理器執行時實現所述的圖像異常檢測方法。
由以上技術方案,本申請中,可以對待檢測圖像進行切割,獲得多個第一切割圖像以及多個第二切割圖像,對所述待檢測圖像、多個第一切割圖像以及多個第二切割圖像進行檢測,以實現從多尺寸的方面進行檢測異常,提高對細小瑕疵的識別率,最後根據預設的異常資料庫確定異常類型,提高了異常檢測的準確率。
下面將結合本申請實施例中的附圖,對本申請實施例中的技術方案進行清楚、完整地描述,顯然,所描述的實施例僅僅是本申請一部分實施例,而不是全部的實施例。基於本申請中的實施例,本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例,都屬於本申請保護的範圍。
除非另有定義,本文所使用的所有的技術和科學術語與屬於本申請的技術領域的技術人員通常理解的含義相同。本文中在本申請的說明書中所使用的術語只是為了描述具體的實施例的目的,不是旨在於限制本申請。
本申請實施例的圖像異常檢測方法應用在電腦裝置中,也可以應用在電腦裝置和透過網路與所述電腦裝置進行連接的伺服器所構成的硬體環境中,由伺服器和電腦裝置共同執行。網路包括但不限於:廣域網路、都會區網路或局域網。
其中,伺服器可以是指能對網路中其它設備(如電腦裝置)提供服務的電腦系統。如果一個個人電腦能夠對外提供檔案傳輸通訊協定(File Transfer Protocol,簡稱FTP)服務,也可以叫伺服器。從狹義範圍上講,伺服器專指某些高性能電腦,能透過網路,對外提供服務,其相對於普通的個人電腦來說,穩定性、安全性、性能等方面都要求更高,因此在CPU、晶片組、儲存器、磁片系統、網路等硬體和普通的個人電腦有所不同。
所述電腦裝置是一種能夠按照事先設定或儲存的指令,自動進行數值計算和/或資訊處理的設備,其硬體包括但不限於微處理器、專用積體電路(ASIC)、現場可程式設計閘陣列(FPGA)、數位訊號處理器(DSP)、嵌入式設備等。所述電腦裝置還可包括網路設備和/或使用者設備。其中,所述網路設備包括但不限於單個網路設備、多個網路設備組成的伺服器組或基於雲計算(Cloud Computing)的由大量主機或網路設備構成的雲,其中,雲計算是分散式運算的一種,由一群鬆散耦合的電腦集組成的一個超級虛擬電腦。所述使用者設備包括但不限於任何一種可與使用者透過鍵盤、滑鼠、遙控器、觸控板或聲控設備等方式進行人機交互的電子產品,例如,個人電腦、平板電腦、智慧手機、個人數位助理PDA等。
請參見圖1,圖1是本申請公開的一種圖像異常檢測方法的較佳實施例的流程圖。其中,根據不同的需求,該流程圖中步驟的順序可以改變,某些步驟可以省略。其中,所述圖像異常檢測方法的執行主體可以是電腦裝置。
步驟S11、獲取待檢測圖像。
其中,所述待檢測圖像可以是預設尺寸的物體表面的圖像。
作為一種可選的實施方式,所述獲取待檢測圖像之前,所述圖像異常檢測方法還包括:
利用預設的圖像訓練集對神經網路進行訓練,包括:
獲取預設的第一圖像訓練集、第二圖像訓練集以及第三圖像訓練集;
使用所述第一圖像訓練集對神經網路進行訓練,獲得所述第一異常檢測模型,使用所述第二圖像訓練集對神經網路進行訓練,獲得所述第二異常檢測模型,以及使用所述第三圖像訓練集對神經網路進行訓練,獲得所述第三異常檢測模型。
在該可選的實施方式中,所述第一圖像訓練集的圖像對應第一尺寸(比如256x256),所述第二圖像訓練集的圖像對應第二尺寸(比如128x128),所述第三圖像訓練集的圖像對應第三尺寸(比如64x64)。可以使用所述第一圖像訓練集對神經網路進行訓練,獲得所述第一異常檢測模型,可以使用所述第二圖像訓練集對神經網路進行訓練,獲得所述第二異常檢測模型,可以使用所述第三圖像訓練集對神經網路進行訓練,獲得所述第三異常檢測模型。不同的異常檢測模型用於檢測不同尺寸的圖像。
作為一種可選的實施方式,所述利用預設的圖像訓練集對神經網路進行訓練之後,以及所述獲取待檢測圖像之前,所述圖像異常檢測方法還包括:
獲取預設的無異常圖片集,其中,所述無異常圖片集包括第一尺寸圖片集、第二尺寸圖片集以及第三尺寸圖片集;
將所述第一尺寸圖片集輸入至所述第一異常檢測模型,獲得所述第一尺寸圖片集對應的多個分數;
將所述第二尺寸圖片集輸入至所述第二異常檢測模型,獲得所述第二尺寸圖片集對應的多個分數;
將所述第三尺寸圖片集輸入至所述第三異常檢測模型,獲得所述第三尺寸圖片集對應的多個分數;
根據所述第一尺寸圖片集對應的多個分數,確定所述第一分數閾值,根據所述第二尺寸圖片集對應的多個分數,確定所述第二分數閾值,以及根據所述第三尺寸圖片集對應的多個分數,確定所述第三分數閾值。
在該可選的實施方式中,可以將所述第一尺寸圖片集輸入至所述第一異常檢測模型,獲得所述第一尺寸圖片集對應的多個分數,這些分數表示了所述第一異常檢測模型判定結果為正常圖像的分數範圍,可以根據所述第一尺寸圖片集對應的多個分數,確定所述第一異常檢測模型對應的第一分數閾值。可以將所述第二尺寸圖片集輸入至所述第二異常檢測模型,獲得所述第二尺寸圖片集對應的多個分數,這些分數表示了所述第二異常檢測模型判定結果為正常圖像的分數範圍,可以根據所述第二尺寸圖片集對應的多個分數,確定所述第二異常檢測模型對應的第二分數閾值。可以將所述第三尺寸圖片集輸入至所述第三異常檢測模型,獲得所述第三尺寸圖片集對應的多個分數,這些分數表示了所述第三異常檢測模型判定結果為正常圖像的分數範圍,可以根據所述第三尺寸圖片集對應的多個分數,確定所述第三異常檢測模型對應的第三分數閾值。
具體的,所述根據所述第一尺寸圖片集對應的多個分數,確定所述第一分數閾值,根據所述第二尺寸圖片集對應的多個分數,確定所述第二分數閾值,以及根據所述第三尺寸圖片集對應的多個分數,確定所述第三分數閾值包括:
確定所述第一尺寸圖片集對應的多個分數的第一平均值,以及確定所述第一尺寸圖片集對應的多個分數的第一標準差;
確定所述第二尺寸圖片集對應的多個分數的第二平均值,以及確定所述第二尺寸圖片集對應的多個分數的第二標準差;
確定所述第三尺寸圖片集對應的多個分數的第三平均值,以及確定所述第三尺寸圖片集對應的多個分數的第三標準差;
確定所述第一分數閾值為所述第一平均值與所述第一標準差的和,確定所述第二分數閾值為所述第二平均值與所述第二標準差的和,以及確定所述第三分數閾值為所述第三平均值與所述第三標準差的和。
在該可選的實施方式中,可以確定所述第一尺寸圖片集對應的多個分數的第一平均值,以及確定所述第一尺寸圖片集對應的多個分數的第一標準差,平均值與標準差的和表示了處於第一尺寸的正常圖像在多數第一檢測模型中的分數的一般上限,即大於平均值與標準差的和的分數很大概率為異常分數。因此,可以確定所述第一分數閾值為所述第一平均值與所述第一標準差的和;同理,確定所述第二分數閾值為所述第二平均值與所述第二標準差的和,以及確定所述第三分數閾值為所述第三平均值與所述第三標準差的和。
步驟S12、對所述待檢測圖像進行切割,獲得多個第一切割圖像以及多個第二切割圖像。
其中,所述待檢測圖像與所述第一切割圖像、所述第二切割圖像對應不同的圖像,比如所述待檢測圖像的尺寸為258x258,經過切割獲得四個尺寸為128x128的所述第二切割圖像,再切割獲得十六個尺寸為64x64的所述第三切割圖像。
步驟S13、將所述待檢測圖像輸入至預先訓練好的第一異常檢測模型中,獲得第一異常分數,將所述多個第一切割圖像輸入至預先訓練好的第二異常檢測模型中,獲得多個第二異常分數,以及將所述多個第二切割圖像輸入至預先訓練好的第三異常檢測模型中,獲得多個第三異常分數。
其中,一個圖像對應一個異常分數。
步驟S14、根據所述第一異常分數、所述多個第二異常分數、所述多個第三異常分數、預設的第一分數閾值、預設的第二分數閾值以及預設的第三分數閾值,判斷所述待檢測圖像是否存在異常。
具體的,所述根據所述第一異常分數、所述多個第二異常分數、所述第三異常分數、預設的第一分數閾值、預設的第二分數閾值以及預設的第三分數閾值,判斷所述待檢測圖像是否存在異常包括:
若所述第一異常分數小於或等於預設的第一分數閾值,判斷所述多個第二異常分數中是否存在大於預設的第二分數閾值的第二異常分數;
若所述多個第二異常分數中不存在大於預設的第二分數閾值的第二異常分數,判斷所述多個第三異常分數中是否存在大於預設的第三分數閾值的第三異常分數;
若所述多個第三異常分數中不存在大於預設的第三分數閾值的第三異常分數,確定所述待檢測圖像不存在異常。
在該可選的實施方式中,先判斷所述第一異常分數是否大於預設的第一分數閾值,若所述第一異常分數小於或等於預設的第一分數閾值,判斷所述多個第二異常分數中是否存在大於預設的第二分數閾值的第二異常分數;若所述多個第二異常分數中不存在大於預設的第二分數閾值的第二異常分數,判斷所述多個第三異常分數中是否存在大於預設的第三分數閾值的第三異常分數;若所述多個第三異常分數中不存在大於預設的第三分數閾值的第三異常分數,確定所述待檢測圖像不存在異常。
作為一種可選的實施方式,所述圖像異常檢測方法還包括:
若所述第一異常分數大於預設的第一分數閾值,確定所述待檢測圖像存在異常;或
若所述第一異常分數小於或等於預設的第一分數閾值,且所述多個第二異常分數中存在大於預設的第二分數閾值的第二異常分數,確定所述待檢測圖像存在異常;或
若所述多個第二異常分數中不存在大於預設的第二分數閾值的第二異常分數,且所述多個第三異常分數中存在大於預設的第三分數閾值的第三異常分數,確定所述待檢測圖像存在異常。
在該可選的實施方式中,若所述第一異常分數大於預設的第一分數閾值,確定所述待檢測圖像存在異常;若所述多個第二異常分數中存在大於預設的第二分數閾值的第二異常分數,確定所述待檢測圖像存在異常;若所述多個第三異常分數中存在大於預設的第三分數閾值的第三異常分數,確定所述待檢測圖像存在異常。
步驟S15、若所述待檢測圖像存在異常,根據預設的異常資料庫,確定所述待檢測圖像對應的異常類型。
具體的,所述根據預設的異常資料庫,確定所述待檢測圖像對應的異常類型包括:
確定所述待檢測圖像與所述異常資料庫中的每個異常圖像的相似度;
根據多個所述相似度,從所有所述異常資料庫中確定靶心圖表像,其中,所述待檢測圖像與所述靶心圖表像的相似度最大;
確定所述待檢測圖像對應的異常類型為所述靶心圖表像對應的異常類型。
在該可選的實施方式中,可以透過計算所述待檢測圖像(mean-square error, MSE)與所述異常資料庫中的每個異常圖像的均方誤差的差值來確定相似度,差值越小,相似度越高,差值越大,相似度越低。
在圖1所描述的方法流程中,可以對待檢測圖像進行切割,獲得多個第一切割圖像以及多個第二切割圖像,對所述待檢測圖像、多個第一切割圖像以及多個第二切割圖像進行檢測,以實現從多尺寸的方面進行檢測異常,提高對細小瑕疵的識別率,最後根據預設的異常資料庫確定異常類型,提高了異常檢測的準確率。
圖2是本申請公開的一種圖像異常檢測裝置的較佳實施例的功能模組圖。
請參見圖2,所述圖像異常檢測裝置20可運行於電腦裝置中。所述圖像異常檢測裝置20可以包括多個由程式碼段所組成的功能模組。所述圖像異常檢測裝置20中的各個程式段的程式碼可以儲存於儲存器中,並由至少一個處理器所執行,以執行圖1所描述的圖像異常檢測方法中的部分或全部步驟。
本實施例中,所述圖像異常檢測方法根據其所執行的功能,可以被劃分為多個功能模組。所述功能模組可以包括:獲取模組201、切割模組202、輸入模組203、判斷模組204及確定模組205。本申請所稱的模組是指一種能夠被至少一個處理器所執行並且能夠完成固定功能的一系列電腦程式段,其儲存在儲存器中。
獲取模組201,用於獲取待檢測圖像。
其中,所述待檢測圖像可以是預設尺寸的物體表面的圖像。
切割模組202,用於對所述待檢測圖像進行切割,獲得多個第一切割圖像以及多個第二切割圖像。
其中,所述待檢測圖像與所述第一切割圖像、所述第二切割圖像對應不同的圖像,比如所述待檢測圖像的尺寸為258x258,經過切割獲得四個尺寸為128x128的所述第二切割圖像,再切割獲得十六個尺寸為64x64的所述第三切割圖像。
輸入模組203,用於將所述待檢測圖像輸入至預先訓練好的第一異常檢測模型中,獲得第一異常分數,將所述多個第一切割圖像輸入至預先訓練好的第二異常檢測模型中,獲得多個第二異常分數,以及將所述多個第二切割圖像輸入至預先訓練好的第三異常檢測模型中,獲得多個第三異常分數。
其中,一個圖像對應一個異常分數。
判斷模組204,用於根據所述第一異常分數、所述多個第二異常分數、所述多個第三異常分數、預設的第一分數閾值、預設的第二分數閾值以及預設的第三分數閾值,判斷所述待檢測圖像是否存在異常。
確定模組205,用於若所述待檢測圖像存在異常,根據預設的異常資料庫,確定所述待檢測圖像對應的異常類型。
作為一種可選的實施方式,所述圖像異常檢測裝置20還包括:
訓練模組,用於利用預設的圖像訓練集對神經網路進行訓練,包括:
獲取待檢測圖像之前,獲取預設的第一圖像訓練集、第二圖像訓練集以及第三圖像訓練集;
使用所述第一圖像訓練集對神經網路進行訓練,獲得所述第一異常檢測模型,使用所述第二圖像訓練集對神經網路進行訓練,獲得所述第二異常檢測模型,以及使用所述第三圖像訓練集對神經網路進行訓練,獲得所述第三異常檢測模型。
在該可選的實施方式中,所述第一圖像訓練集的圖像對應第一尺寸(比如256x256),所述第二圖像訓練集的圖像對應第二尺寸(比如128x128),所述第三圖像訓練集的圖像對應第三尺寸(比如64x64)。可以使用所述第一圖像訓練集對神經網路進行訓練,獲得所述第一異常檢測模型,可以使用所述第二圖像訓練集對神經網路進行訓練,獲得所述第二異常檢測模型,可以使用所述第三圖像訓練集對神經網路進行訓練,獲得所述第三異常檢測模型。不同的異常檢測模型用於檢測不同尺寸的圖像。
作為一種可選的實施方式,所述獲取模組201,還用於所述訓練模組利用預設的圖像訓練集對神經網路進行訓練之後,以及獲取待檢測圖像之前,獲取預設的無異常圖片集,其中,所述無異常圖片集包括第一尺寸圖片集、第二尺寸圖片集以及第三尺寸圖片集;
所述輸入模組203,還用於將所述第一尺寸圖片集輸入至所述第一異常檢測模型,獲得所述第一尺寸圖片集對應的多個分數;
所述輸入模組203,還用於將所述第二尺寸圖片集輸入至所述第二異常檢測模型,獲得所述第二尺寸圖片集對應的多個分數;
所述輸入模組203,還用於將所述第三尺寸圖片集輸入至所述第三異常檢測模型,獲得所述第三尺寸圖片集對應的多個分數;
所述確定模組205,還用於根據所述第一尺寸圖片集對應的多個分數,確定所述第一分數閾值,根據所述第二尺寸圖片集對應的多個分數,確定所述第二分數閾值,以及根據所述第三尺寸圖片集對應的多個分數,確定所述第三分數閾值。
在該可選的實施方式中,可以將所述第一尺寸圖片集輸入至所述第一異常檢測模型,獲得所述第一尺寸圖片集對應的多個分數,這些分數表示了所述第一異常檢測模型判定結果為正常圖像的分數範圍,可以根據所述第一尺寸圖片集對應的多個分數,確定所述第一異常檢測模型對應的第一分數閾值。可以將所述第二尺寸圖片集輸入至所述第二異常檢測模型,獲得所述第二尺寸圖片集對應的多個分數,這些分數表示了所述第二異常檢測模型判定結果為正常圖像的分數範圍,可以根據所述第二尺寸圖片集對應的多個分數,確定所述第二異常檢測模型對應的第二分數閾值。可以將所述第三尺寸圖片集輸入至所述第三異常檢測模型,獲得所述第三尺寸圖片集對應的多個分數,這些分數表示了所述第三異常檢測模型判定結果為正常圖像的分數範圍,可以根據所述第三尺寸圖片集對應的多個分數,確定所述第三異常檢測模型對應的第三分數閾值。
作為一種可選的實施方式,所述確定模組205根據所述第一尺寸圖片集對應的多個分數,確定所述第一分數閾值,根據所述第二尺寸圖片集對應的多個分數,確定所述第二分數閾值,以及根據所述第三尺寸圖片集對應的多個分數,確定所述第三分數閾值的方式具體為:
確定所述第一尺寸圖片集對應的多個分數的第一平均值,以及確定所述第一尺寸圖片集對應的多個分數的第一標準差;
確定所述第二尺寸圖片集對應的多個分數的第二平均值,以及確定所述第二尺寸圖片集對應的多個分數的第二標準差;
確定所述第三尺寸圖片集對應的多個分數的第三平均值,以及確定所述第三尺寸圖片集對應的多個分數的第三標準差;
確定所述第一分數閾值為所述第一平均值與所述第一標準差的和,確定所述第二分數閾值為所述第二平均值與所述第二標準差的和,以及確定所述第三分數閾值為所述第三平均值與所述第三標準差的和。
在該可選的實施方式中,可以確定所述第一尺寸圖片集對應的多個分數的第一平均值,以及確定所述第一尺寸圖片集對應的多個分數的第一標準差,平均值與標準差的和表示了處於第一尺寸的正常圖像在多數第一檢測模型中的分數的一般上限,即大於平均值與標準差的和的分數很大概率為異常分數。因此,可以確定所述第一分數閾值為所述第一平均值與所述第一標準差的和;同理,確定所述第二分數閾值為所述第二平均值與所述第二標準差的和,以及確定所述第三分數閾值為所述第三平均值與所述第三標準差的和。
作為一種可選的實施方式,所述確定模組205根據預設的異常資料庫,確定所述待檢測圖像對應的異常類型的方式具體為:
確定所述待檢測圖像與所述異常資料庫中的每個異常圖像的相似度;
根據多個所述相似度,從所有所述異常資料庫中確定靶心圖表像,其中,所述待檢測圖像與所述靶心圖表像的相似度最大;
確定所述待檢測圖像對應的異常類型為所述靶心圖表像對應的異常類型。
在該可選的實施方式中,可以透過計算所述待檢測圖像(mean-square error, MSE)與所述異常資料庫中的每個異常圖像的均方誤差的差值來確定相似度,差值越小,相似度越高,差值越大,相似度越低。
作為一種可選的實施方式,所述判斷模組204根據所述第一異常分數、所述多個第二異常分數、所述第三異常分數、預設的第一分數閾值、預設的第二分數閾值以及預設的第三分數閾值,判斷所述待檢測圖像是否存在異常的方式具體為:
若所述第一異常分數小於或等於預設的第一分數閾值,判斷所述多個第二異常分數中是否存在大於預設的第二分數閾值的第二異常分數;
若所述多個第二異常分數中不存在大於預設的第二分數閾值的第二異常分數,判斷所述多個第三異常分數中是否存在大於預設的第三分數閾值的第三異常分數;
若所述多個第三異常分數中不存在大於預設的第三分數閾值的第三異常分數,確定所述待檢測圖像不存在異常。
在該可選的實施方式中,先判斷所述第一異常分數是否大於預設的第一分數閾值,若所述第一異常分數小於或等於預設的第一分數閾值,判斷所述多個第二異常分數中是否存在大於預設的第二分數閾值的第二異常分數;若所述多個第二異常分數中不存在大於預設的第二分數閾值的第二異常分數,判斷所述多個第三異常分數中是否存在大於預設的第三分數閾值的第三異常分數;若所述多個第三異常分數中不存在大於預設的第三分數閾值的第三異常分數,確定所述待檢測圖像不存在異常。
作為一種可選的實施方式, 所述確定模組205,還用於若所述第一異常分數大於預設的第一分數閾值,確定所述待檢測圖像存在異常;或
若所述第一異常分數小於或等於預設的第一分數閾值,且所述多個第二異常分數中存在大於預設的第二分數閾值的第二異常分數,確定所述待檢測圖像存在異常;或
若所述多個第二異常分數中不存在大於預設的第二分數閾值的第二異常分數,且所述多個第三異常分數中存在大於預設的第三分數閾值的第三異常分數,確定所述待檢測圖像存在異常。
在該可選的實施方式中,若所述第一異常分數大於預設的第一分數閾值,確定所述待檢測圖像存在異常;若所述多個第二異常分數中存在大於預設的第二分數閾值的第二異常分數,確定所述待檢測圖像存在異常;若所述多個第三異常分數中存在大於預設的第三分數閾值的第三異常分數,確定所述待檢測圖像存在異常。
在圖2所描述的圖像異常檢測裝置20中,可以對待檢測圖像進行切割,獲得多個第一切割圖像以及多個第二切割圖像,對所述待檢測圖像、多個第一切割圖像以及多個第二切割圖像進行檢測,以實現從多尺寸的方面進行檢測異常,提高對細小瑕疵的識別率,最後根據預設的異常資料庫確定異常類型,提高了異常檢測的準確率。
如圖3所示,圖3是本申請實現圖像異常檢測方法的較佳實施例的電腦裝置的結構示意圖。所述電腦裝置3包括儲存器31、至少一個處理器32、儲存在所述儲存器31中並可在所述至少一個處理器32上運行的電腦程式33及至少一條通訊匯流排34。
本領域技術人員可以理解,圖3所示的示意圖僅僅是所述電腦裝置3的示例,並不構成對所述電腦裝置3的限定,可以包括比圖示更多或更少的部件,或者組合某些部件,或者不同的部件,例如所述電腦裝置3還可以包括輸入輸出設備、網路接入設備等。
所述電腦裝置3還包括但不限於任何一種可與使用者透過鍵盤、滑鼠、遙控器、觸控板或聲控設備等方式進行人機交互的電子產品,例如,個人電腦、平板電腦、智慧手機、個人數位助理(Personal Digital Assistant,PDA)、遊戲機、互動式網路電視(Internet Protocol Television,IPTV)、智慧式穿戴式設備等。所述電腦裝置3所處的網路包括但不限於網際網路、廣域網路、都會區網路、局域網、虛擬私人網路(Virtual Private Network,VPN)等。
所述至少一個處理器32可以是中央處理單元(Central Processing Unit,CPU),還可以是其他通用處理器、數位訊號處理器(Digital Signal Processor,DSP)、專用積體電路(Application Specific Integrated Circuit,ASIC)、現場可程式設計閘陣列(Field-Programmable Gate Array,FPGA)或者其他可程式設計邏輯器件、電晶體邏輯器件、分立硬體元件等。該處理器32可以是微處理器或者該處理器32也可以是任何常規的處理器等,所述處理器32是所述電腦裝置3的控制中心,利用各種介面和線路連接整個電腦裝置3的各個部分。
所述儲存器31可用於儲存所述電腦程式33和/或模組/單元,所述處理器32透過運行或執行儲存在所述儲存器31內的電腦程式和/或模組/單元,以及調用儲存在儲存器31內的資料,實現所述電腦裝置3的各種功能。所述儲存器31可主要包括儲存程式區和儲存資料區,其中,儲存程式區可儲存作業系統、至少一個功能所需的應用程式(比如聲音播放功能、圖像播放功能等)等;儲存資料區可儲存根據電腦裝置3的使用所創建的資料等。此外,儲存器31可以包括易失性和非易失性儲存器,例如硬碟、儲存器、插接式硬碟,智慧儲存卡(Smart Media Card,SMC),安全數位(Secure Digital,SD)卡,快閃儲存器卡(Flash Card)、至少一個磁碟儲存器件、快閃儲存器器件等。
結合圖1,所述電腦裝置3中的所述儲存器31儲存多個指令以實現一種圖像異常檢測方法,所述處理器32可執行所述多個指令從而實現:
獲取待檢測圖像;
對所述待檢測圖像進行切割,獲得多個第一切割圖像以及多個第二切割圖像;
將所述待檢測圖像輸入至預先訓練好的第一異常檢測模型中,獲得第一異常分數,將所述多個第一切割圖像輸入至預先訓練好的第二異常檢測模型中,獲得多個第二異常分數,以及將所述多個第二切割圖像輸入至預先訓練好的第三異常檢測模型中,獲得多個第三異常分數;
根據所述第一異常分數、所述多個第二異常分數、所述多個第三異常分數、預設的第一分數閾值、預設的第二分數閾值以及預設的第三分數閾值,判斷所述待檢測圖像是否存在異常;
若所述待檢測圖像存在異常,根據預設的異常資料庫,確定所述待檢測圖像對應的異常類型。
具體地,所述處理器32對上述指令的具體實現方法可參考圖1對應實施例中相關步驟的描述,在此不贅述。
在圖3所描述的電腦裝置3中,可以對待檢測圖像進行切割,獲得多個第一切割圖像以及多個第二切割圖像,對所述待檢測圖像、多個第一切割圖像以及多個第二切割圖像進行檢測,以實現從多尺寸的方面進行檢測異常,提高對細小瑕疵的識別率,最後根據預設的異常資料庫確定異常類型,提高了異常檢測的準確率。
所述電腦裝置3集成的模組/單元如果以軟體功能單元的形式實現並作為獨立的產品銷售或使用時,可以儲存在一個電腦可讀取儲存介質中。基於這樣的理解,本申請實現上述實施例方法中的全部或部分流程,也可以透過電腦程式來指令相關的硬體來完成,所述的電腦程式可儲存於一電腦可讀儲存介質中,該電腦程式在被處理器執行時,可實現上述各個方法實施例的步驟。其中,所述電腦程式代碼可以為原始程式碼形式、物件代碼形式、可執行檔或某些中間形式等。所述電腦可讀介質可以包括:能夠攜帶所述電腦程式代碼的任何實體或裝置、記錄介質、隨身碟、移動硬碟、磁碟、光碟、電腦儲存器、唯讀儲存器(ROM,Read-Only Memory)、隨機儲存器(RAM,Random Access Memory)等。
在本申請所提供的幾個實施例中,應該理解到,所揭露的系統,裝置和方法,可以透過其它的方式實現。例如,以上所描述的裝置實施例僅僅是示意性的,例如,所述模組的劃分,僅僅為一種邏輯功能劃分,實際實現時可以有另外的劃分方式。
所述作為分離部件說明的模組可以是或者也可以不是物理上分開的,作為模組顯示的部件可以是或者也可以不是物理單元,即可以位於一個地方,或者也可以分佈到多個網路單元上。可以根據實際的需要選擇其中的部分或者全部模組來實現本實施例方案的目的。
另外,在本申請各個實施例中的各功能模組可以集成在一個處理單元中,也可以是各個單元單獨物理存在,也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以採用硬體的形式實現,也可以採用硬體加軟體功能模組的形式實現。
對於本領域技術人員而言,顯然本申請不限於上述示範性實施例的細節,而且在不背離本申請的精神或基本特徵的情況下,能夠以其他的具體形式實現本申請。因此,無論從哪一點來看,均應將實施例看作是示範性的,而且是非限制性的,本申請的範圍由所附請求項而不是上述說明限定,因此旨在將落在請求項的等同要件的含義和範圍內的所有變化涵括在本申請內。不應將請求項中的任何附關聯圖標記視為限制所涉及的請求項。此外,顯然“包括”一詞不排除其他單元或步驟,單數不排除複數。本申請中陳述的多個單元或裝置也可以由一個單元或裝置透過軟體或者硬體來實現。第一、第二等詞語用來表示名稱,而並不表示任何特定的順序。
最後應說明的是,以上實施例僅用以說明本申請的技術方案而非限制,儘管參照較佳實施例對本申請進行了詳細說明,本領域的普通技術人員應當理解,可以對本申請的技術方案進行修改或等同替換,而不脫離本申請技術方案的精神和範圍 。
S11~S15:步驟
20:圖像異常檢測裝置
201:獲取模組
202:切割模組
203:輸入模組
204:判斷模組
205:確定模組
3:電腦裝置
31:儲存器
32:處理器
33:電腦程式
34:通訊匯流排
圖1是本申請公開的一種圖像異常檢測方法的較佳實施例的流程圖。
圖2是本申請公開的一種圖像異常檢測裝置的較佳實施例的功能模組圖。
圖3是本申請實現圖像異常檢測方法的較佳實施例的電腦裝置的結構示意圖。
無。
S11~S15:步驟
Claims (10)
- 一種圖像異常檢測方法,其中,所述圖像異常檢測方法包括: 獲取待檢測圖像; 對所述待檢測圖像進行切割,獲得多個第一切割圖像以及多個第二切割圖像; 將所述待檢測圖像輸入至預先訓練好的第一異常檢測模型中,獲得第一異常分數,將所述多個第一切割圖像輸入至預先訓練好的第二異常檢測模型中,獲得多個第二異常分數,以及將所述多個第二切割圖像輸入至預先訓練好的第三異常檢測模型中,獲得多個第三異常分數; 根據所述第一異常分數、所述多個第二異常分數、所述多個第三異常分數、預設的第一分數閾值、預設的第二分數閾值以及預設的第三分數閾值,判斷所述待檢測圖像是否存在異常; 若所述待檢測圖像存在異常,根據預設的異常資料庫,確定所述待檢測圖像對應的異常類型。
- 如請求項1所述的圖像異常檢測方法,其中,所述獲取待檢測圖像之前,所述圖像異常檢測方法還包括: 利用預設的圖像訓練集對神經網路進行訓練,包括: 獲取預設的第一圖像訓練集、第二圖像訓練集以及第三圖像訓練集; 使用所述第一圖像訓練集對神經網路進行訓練,獲得所述第一異常檢測模型,使用所述第二圖像訓練集對神經網路進行訓練,獲得所述第二異常檢測模型,以及使用所述第三圖像訓練集對神經網路進行訓練,獲得所述第三異常檢測模型。
- 如請求項2所述的圖像異常檢測方法,其中,所述利用預設的圖像訓練集對神經網路進行訓練之後,以及所述獲取待檢測圖像之前,所述圖像異常檢測方法還包括: 獲取預設的無異常圖片集,其中,所述無異常圖片集包括第一尺寸圖片集、第二尺寸圖片集以及第三尺寸圖片集; 將所述第一尺寸圖片集輸入至所述第一異常檢測模型,獲得所述第一尺寸圖片集對應的多個分數; 將所述第二尺寸圖片集輸入至所述第二異常檢測模型,獲得所述第二尺寸圖片集對應的多個分數; 將所述第三尺寸圖片集輸入至所述第三異常檢測模型,獲得所述第三尺寸圖片集對應的多個分數; 根據所述第一尺寸圖片集對應的多個分數,確定所述第一分數閾值,根據所述第二尺寸圖片集對應的多個分數,確定所述第二分數閾值,以及根據所述第三尺寸圖片集對應的多個分數,確定所述第三分數閾值。
- 如請求項3所述的圖像異常檢測方法,其中,所述根據所述第一尺寸圖片集對應的多個分數,確定所述第一分數閾值,根據所述第二尺寸圖片集對應的多個分數,確定所述第二分數閾值,以及根據所述第三尺寸圖片集對應的多個分數,確定所述第三分數閾值包括: 確定所述第一尺寸圖片集對應的多個分數的第一平均值,以及確定所述第一尺寸圖片集對應的多個分數的第一標準差; 確定所述第二尺寸圖片集對應的多個分數的第二平均值,以及確定所述第二尺寸圖片集對應的多個分數的第二標準差; 確定所述第三尺寸圖片集對應的多個分數的第三平均值,以及確定所述第三尺寸圖片集對應的多個分數的第三標準差; 確定所述第一分數閾值為所述第一平均值與所述第一標準差的和,確定所述第二分數閾值為所述第二平均值與所述第二標準差的和,以及確定所述第三分數閾值為所述第三平均值與所述第三標準差的和。
- 如請求項1至4中任一項所述的圖像異常檢測方法,其中,所述根據預設的異常資料庫,確定所述待檢測圖像對應的異常類型包括: 確定所述待檢測圖像與所述異常資料庫中的每個異常圖像的相似度; 根據多個所述相似度,從所述異常資料庫中確定靶心圖表像,其中,所述待檢測圖像與所述靶心圖表像的相似度最大; 確定所述待檢測圖像對應的異常類型為所述靶心圖表像對應的異常類型。
- 如請求項1至4中任一項所述的圖像異常檢測方法,其中,所述根據所述第一異常分數、所述多個第二異常分數、所述第三異常分數、預設的第一分數閾值、預設的第二分數閾值以及預設的第三分數閾值,判斷所述待檢測圖像是否存在異常包括: 若所述第一異常分數小於或等於預設的第一分數閾值,判斷所述多個第二異常分數中是否存在大於預設的第二分數閾值的第二異常分數; 若所述多個第二異常分數中不存在大於預設的第二分數閾值的第二異常分數,判斷所述多個第三異常分數中是否存在大於預設的第三分數閾值的第三異常分數; 若所述多個第三異常分數中不存在大於預設的第三分數閾值的第三異常分數,確定所述待檢測圖像不存在異常。
- 如請求項6所述的圖像異常檢測方法,其中,所述圖像異常檢測方法還包括: 若所述第一異常分數大於預設的第一分數閾值,確定所述待檢測圖像存在異常;或 若所述第一異常分數小於或等於預設的第一分數閾值,且所述多個第二異常分數中存在大於預設的第二分數閾值的第二異常分數,確定所述待檢測圖像存在異常;或 若所述多個第二異常分數中不存在大於預設的第二分數閾值的第二異常分數,且所述多個第三異常分數中存在大於預設的第三分數閾值的第三異常分數,確定所述待檢測圖像存在異常。
- 一種圖像異常檢測裝置,其中,所述圖像異常檢測裝置包括: 獲取模組,用於獲取待檢測圖像; 切割模組,用於對所述待檢測圖像進行切割,獲得多個第一切割圖像以及多個第二切割圖像; 輸入模組,用於將所述待檢測圖像輸入至預先訓練好的第一異常檢測模型中,獲得第一異常分數,將所述多個第一切割圖像輸入至預先訓練好的第二異常檢測模型中,獲得多個第二異常分數,以及將所述多個第二切割圖像輸入至預先訓練好的第三異常檢測模型中,獲得多個第三異常分數; 判斷模組,用於根據所述第一異常分數、所述多個第二異常分數、所述多個第三異常分數、預設的第一分數閾值、預設的第二分數閾值以及預設的第三分數閾值,判斷所述待檢測圖像是否存在異常; 確定模組,用於若所述待檢測圖像存在異常,根據預設的異常資料庫,確定所述待檢測圖像對應的異常類型。
- 一種電腦裝置,其中,所述電腦裝置包括: 儲存器,儲存至少一個指令;及 處理器,獲取所述儲存器中儲存的指令以實現如請求項1至7中任意一項所述的圖像異常檢測方法。
- 一種電腦可讀儲存介質,其中:所述電腦可讀儲存介質中儲存有至少一個指令,所述至少一個指令被電腦裝置中的處理器獲取以實現如請求項1至7中任意一項所述的圖像異常檢測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110101169A TWI769661B (zh) | 2021-01-12 | 2021-01-12 | 圖像異常檢測方法、裝置、電腦裝置及儲存介質 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110101169A TWI769661B (zh) | 2021-01-12 | 2021-01-12 | 圖像異常檢測方法、裝置、電腦裝置及儲存介質 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI769661B true TWI769661B (zh) | 2022-07-01 |
TW202228020A TW202228020A (zh) | 2022-07-16 |
Family
ID=83437152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110101169A TWI769661B (zh) | 2021-01-12 | 2021-01-12 | 圖像異常檢測方法、裝置、電腦裝置及儲存介質 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI769661B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190340499A1 (en) * | 2018-05-04 | 2019-11-07 | Microsoft Technology Licensing, Llc | Quantization for dnn accelerators |
TW202001804A (zh) * | 2018-04-20 | 2020-01-01 | 成真股份有限公司 | 用精細解析進行資料管理和機器學習的方法 |
CN111835681A (zh) * | 2019-04-19 | 2020-10-27 | 北京京东尚科信息技术有限公司 | 一种大规模流量异常主机检测方法和装置 |
CN112016403A (zh) * | 2020-08-05 | 2020-12-01 | 中山大学 | 一种视频异常事件检测方法 |
-
2021
- 2021-01-12 TW TW110101169A patent/TWI769661B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW202001804A (zh) * | 2018-04-20 | 2020-01-01 | 成真股份有限公司 | 用精細解析進行資料管理和機器學習的方法 |
US20190340499A1 (en) * | 2018-05-04 | 2019-11-07 | Microsoft Technology Licensing, Llc | Quantization for dnn accelerators |
CN111835681A (zh) * | 2019-04-19 | 2020-10-27 | 北京京东尚科信息技术有限公司 | 一种大规模流量异常主机检测方法和装置 |
CN112016403A (zh) * | 2020-08-05 | 2020-12-01 | 中山大学 | 一种视频异常事件检测方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202228020A (zh) | 2022-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021184727A1 (zh) | 数据异常检测方法、装置、电子设备及存储介质 | |
WO2021082697A1 (zh) | 基于批量告警事件的定位方法、装置、电子设备及介质 | |
WO2020207190A1 (zh) | 一种三维信息确定方法、三维信息确定装置及终端设备 | |
US9208608B2 (en) | Systems and methods for feature tracking | |
WO2020125500A1 (zh) | 机器人避障控制方法、装置及终端设备 | |
WO2022227764A1 (zh) | 事件检测的方法、装置、电子设备以及可读存储介质 | |
WO2020143186A1 (zh) | 推荐系统训练方法、装置、计算机设备及存储介质 | |
CN111739016B (zh) | 目标检测模型训练方法、装置、电子设备及存储介质 | |
WO2019119396A1 (zh) | 人脸表情识别方法及装置 | |
JP2014095967A (ja) | 情報処理装置、情報処理方法およびプログラム | |
US9524475B1 (en) | Presenting discriminant change history records on topology graphs | |
WO2024098699A1 (zh) | 实体对象的威胁检测方法、装置、设备及存储介质 | |
JP2021096858A (ja) | ベクトル量子化を利用した重複文書探知方法およびシステム | |
CN113379469A (zh) | 一种异常流量检测方法、装置、设备及存储介质 | |
US20190370105A1 (en) | Automatically solving computer system error states via a comparative historical analysis of error states, logs, profile configurations, and operator responses | |
TWI769661B (zh) | 圖像異常檢測方法、裝置、電腦裝置及儲存介質 | |
WO2021212753A1 (zh) | 计算机性能数据确定方法、装置、计算机设备及存储介质 | |
CN114723652A (zh) | 细胞密度确定方法、装置、电子设备及存储介质 | |
TWI777319B (zh) | 幹細胞密度確定方法、裝置、電腦裝置及儲存介質 | |
CN111429085A (zh) | 合同数据生成方法、装置、电子设备及存储介质 | |
WO2020234977A1 (ja) | 情報処理装置、作成方法および作成プログラム | |
WO2022194049A1 (zh) | 一种对象处理方法及装置 | |
US20210073580A1 (en) | Method and apparatus for obtaining product training images, and non-transitory computer-readable storage medium | |
CN113688785A (zh) | 基于多监督的人脸识别方法、装置、计算机设备及存储介质 | |
CN112016889A (zh) | 流程构建方法、装置、电子设备及存储介质 |