图像检测方法、装置、电子设备及计算机可读取存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115830385A(43)申请公布日2023.03.21(21)申请号202211609230.9(22)申请日2022.12.14(71)申请人青岛创新奇智科技集团股份有限公司地址266000山东省青岛市即墨区经济开发区振武路939号海尔国际广场A座501室(72)发明人高浩(74)专利代理机构北京超凡宏宇专利代理事务所(特殊普通合伙)11463专利代理师钟扬飞(51)Int.Cl.G06V10/764(2022.01)G06V10/774(2022.01)G06N5/04(2023.01)权利要求书2页说明书12页附图5页(54)发明名称图像检测方法、装置、电子设备及计算机可读取存储介质(57)摘要本申请提供一种图像检测方法、装置、电子设备及计算机可读取存储介质，涉及工业视觉的图像处理技术领域。该方法包括：对待测产品对应的初始图像进行分类，得到待测图像；基于待测图像进行预处理，得到数据集；基于数据集对构建的测试模型进行训练，得到检测结果；其中，测试模型为结合极简结构和通道注意力机制的轻量级网络模型。本申请对待检测的产品的图像进行分类和预处理，以得到能够进行检测且无关信息较少的数据集，并通过将极简结构、通道注意力机制等算法策略与轻量级网络模型进行结合，能够构建推理速度较快、检测准确性较高的测试模型对数据集进行检测，从而提高对待测产品进行检测时的准确性和效率，优化产品瑕疵检测时的检测效果。CN115830385ACN115830385A权利要求书1/2页1.一种图像检测方法，其特征在于，所述方法包括：对待测产品对应的初始图像进行分类，得到待测图像；基于所述待测图像进行预处理，得到数据集；基于所述数据集对构建的测试模型进行训练，得到检测结果；其中，所述测试模型为结合极简结构和通道注意力机制的轻量级网络模型。2.根据权利要求1所述的方法，其特征在于，其中，所述测试模型包括：卷积块、轻量级网络块、机制块和输出块；所述基于所述数据集对构建的测试模型进行训练，得到检测结果，包括：基于所述卷积块和所述轻量级网络块对所述数据集进行卷积处理，得到第一数据；基于所述机制块对所述第一数据进行通道注意力卷积，得到第二数据；基于所述输出块对所述第二数据进行处理，得到所述检测结果。3.根据权利要求2所述的方法，其特征在于，所述基于所述卷积块和所述轻量级网络块对所述数据集进行卷积处理，得到第一数据，包括：基于所述卷积块对所述数据集进行卷积处理，得到初始卷积数据；基于所述轻量级网络块，根据所述轻量级网络块的目标步长对所述初始卷积数据进行交替处理，得到所述第一数据。4.根据权利要求2所述的方法，其特征在于，其中，所述机制块中包括第一全连接层和第二全连接层；所述基于所述机制块对所述第一数据进行通道注意力卷积，得到第二数据，包括：基于所述机制块对所述第一数据进行全局池化，以将所述第一数据压缩到特征通道中；通过所述第一全连接层对所述特征通道进行降维处理，得到降维数据；通过所述第二全连接层对所述降维数据进行升维处理，得到升维数据；根据通道权重信息对所述升维数据进行处理，得到所述第二数据。5.根据权利要求1所述的方法，其特征在于，所述对待测产品对应的初始图像进行分类，得到待测图像，包括：确定所述待测产品的分类需求；基于所述分类需求对所述初始图像进行筛选，得到满足所述分类需求的所述待测图像。6.根据权利要求1所述的方法，其特征在于，其中，所述数据集中包括训练集、验证集和测试集；所述基于所述待测图像进行预处理，得到数据集，包括：对所述待测图像进行轮廓检测，得到产品轮廓；基于所述产品轮廓对所述待测图像进行切割处理，得到有效图像；根据预设比例对多个有效图像进行划分，得到所述训练集、所述验证集和所述测试集。7.根据权利要求1所述的方法，其特征在于，所述方法还包括：基于所述极简结构与所述轻量级网络模型进行融合，得到初始模型，以使所述初始模型进行多分支训练和单分支推理；在所述初始模型中插入所述通道注意力机制，得到所述测试模型。2CN115830385A权利要求书2/2页8.一种图像检测装置，其特征在于，所述装置包括：分类模块、预处理模块和训练模块；所述分类模块用于对待测产品对应的初始图像进行分类，得到待测图像；所述预处理模块用于基于所述待测图像进行预处理，得到数据集；所述训练模块用于基于所述数据集对构建的测试模型进行训练，得到检测结果；其中，所述测试模型为结合极简结构和通道注意力机制的轻量级网络模型。9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器中存储有程序指令，所述处理器运行所述程序指令时，执行权利要求1‑7中任一项所述方法中的步骤。10.一种计算机可读取存储介质，其特征在于，所述可读取存