一种图像检测方法、装置、设备及存储介质与流程

1.本技术涉及图像处理技术领域，尤其涉及一种图像检测方法、装置、设备及存储介质。


背景技术：

2.随着图像检测技术的发展，图像检测技术被积极地应用在各个领域中。但是目前采用的通用领域的图像检测方法来对特定场景的图像进行异物检测时，异物检测准确率较低，检测效果较差，无法满足特定场景的图像异物检测需求。


技术实现要素：

3.为了解决上述问题，本技术提出一种图像检测方法、装置、设备及存储介质，能够显著提升异物检测的准确率。
4.根据本技术实施例的第一方面，提供了一种图像检测方法，包括：
5.获取特定场景下的待检测图像；
6.基于预设的图像检测模型对所述待检测图像进行检测，得到所述待检测图像中的异物；其中，所述异物用于表示与所述待检测图像中的目标物体所不同的物体；所述图像检测模型是由在所述特定场景下基于不同种类的异物所生成的合成图像训练数据进行图像异物检测训练得到的根据本技术实施例的第二方面，提供了一种图像检测装置，包括：
7.获取模块，用于获取特定场景下的待检测图像；
8.检测模块，用于基于预设的图像检测模型对所述待检测图像进行检测，得到所述待检测图像中的异物；其中，所述异物用于表示与所述待检测图像中的目标物体所不同的物体；所述图像检测模型是由在所述特定场景下基于不同种类的异物所生成的合成图像训练数据进行图像异物检测训练得到的本技术第三方面提供了一种电子设备，包括：
9.存储器和处理器；
10.所述存储器与所述处理器连接，用于存储程序；
11.所述处理器，通过运行所述存储器中的程序，实现上述的图像检测方法。
12.本技术第四方面提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时，实现上述的图像检测方法。
13.上述申请中的一个实施例具有如下优点或有益效果：
14.由于预设的图像检测模型采用的训练数据是特定场景下基于不同种类的异物所生成的合成图像训练数据，极大地丰富了各种场景下的训练数据，因此预设的图像检测模型可以准确地识别待检测图像中的各种异物，从而提升异物检测的准确率，进而满足特定领域的图像检测需求。
附图说明
15.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现
有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，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，还可以根据提供的附图获得其他的附图。
16.图1为本技术实施例提供的一种图像检测方法的流程示意图；
17.图2为本技术实施例提供的图像检测模型训练的示意图；
18.图3为本技术实施例提供的生成对抗网络训练的示意图；
19.图4(a)为本技术实施例提供的教育场景下含有异物的图像的示意图；
20.图4(b)为本技术实施例提供的教育场景下的文档的图像的示意图；
21.图4(c)为本技术实施例提供的异物的示意图；
22.图4(d)为本技术实施例提供的教育场景下含有异物的样本图像的示意图；
23.图5为本技术实施例提供的异物检测的具体流程示意图；
24.图6为本技术实施例提供的预训练模型训练的示意图；
25.图7为本技术实施例提供的另一种图像检测方法的流程示意图；
26.图8为本技术实施例提供的一种图像检测装置的结构示意图；
27.图9为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
28.本技术实施例技术方案适用于应用在各种图像检测的场景中，例如，教育场景、医疗场景等。采用本技术实施例技术方案，能够提升异物检测的准确率。
29.本技术实施例技术方案可示例性地应用于处理器、电子设备、服务器(包括云服务器)等硬件设备，或包装成软件程序被运行，当硬件设备执行本技术实施例技术方案的处理过程，或上述软件程序被运行时，可以实现提升异物检测的准确率的目的。本技术实施例只对本技术技术方案的具体处理过程进行示例性介绍，并不对本技术技术方案的具体实现形式进行限定，任意的可以执行本技术技术方案处理过程的技术实现形式，都可以被本技术实施例所采用。
30.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
31.示例性方法
32.图1是根据本技术一实施例的图像检测方法的流程图。在一示例性实施例中，提供了一种图像检测方法，包括：
33.s110、获取特定场景下的待检测图像；
34.s120、基于预设的图像检测模型对所述待检测图像进行检测，得到所述待检测图像中的异物；其中，所述异物用于表示与所述待检测图像中的目标物体所不同的物体；所述图像检测模型是由在所述特定场景下基于不同种类的异物所生成的合成图像训练数据进行图像异物检测训练得到的。
35.在步骤s110中，示例性地，特定场景表示指定的场景，可选地，特定场景包括：教育场景、医疗场景、生物场景等。待检测图像可以是直接或间接通过任意含有摄像头的设备采
集到的图像，其中，含有摄像头的设备可以包括：手机、平板等设备。待检测图像还可以是在网页上直接下载或截取的图像。例如，教育文档图片等。
36.在步骤s120中，示例性地，目标物体用于表示属于特定场景的物体。例如，教育场景下的含有习题的图像，则图像中的目标物体为习题文本，异物指的是图像中除去习题外的物体。异物的种类可以预先选出的，还可以是根据特定场景中异物出现的频率所选出的。例如，在含有习题的图像中，橡皮、尺子、笔等做题工具出现的频率较高，因此，可以将橡皮、尺子、笔等做题工具确定为所需的异物种类。合成图像训练数据可以是利用泊松融合对不同种类的异物与特定场景的图像合成得到的。合成图像训练数据还可以是通过神经网络对不同种类的异物与特定场景的图像合成得到的。
37.具体地，在现有技术进行模型训练时，其采用的现有的训练数据中的异物种类单一，因此，训练好的模型对异物的识别效果较差。为了解决上述问题，预先确定出特定场景下不同种类的异物，然后将不同种类的异物与教育场景下的图像融合生成合成图像训练数据，如此利用合成图像训练数据对神经网络进行训练，以使训练好的模型能够检测更多种类的异物，从而提升特定场景下异物检测的准确性。
38.在本技术的技术方案中，由于预设的图像检测模型采用的训练数据是特定场景下基于不同种类的异物所生成的合成图像训练数据，极大地丰富了各种场景下的训练数据，因此预设的图像检测模型可以准确地识别待检测图像中的各种异物，从而提升异物检测的准确率，进而满足特定领域的图像检测需求。
39.在一种实施方式中，如图2所示，其中，所述图像检测模型是由在所述特定场景下基于不同种类的异物所生成的合成图像训练数据进行图像检测训练得到的，包括：
40.s210、获取所述特定场景下的含有异物的图像训练数据；
41.s220、基于不同种类的异物生成合成图像训练数据；
42.s230、基于所述含有异物的图像训练数据和所述合成图像训练数据对预设的神经网络进行图像异物检测训练，得到所述图像检测模型。
43.示例性地，特定场景下的含有异物的图像训练数据可以是直接或间接通过任意含有摄像头的设备通过采集得到的，还可以是在网页上下载得到的，在此不作限定。即，含有异物的图像训练数据属于真实的图像数据。
44.具体地，预设的神经网络可以是faster-rcnn模型(faster region convolutional neural networks)，还可以是其他模型，在此不作限定。将含有异物的图像训练数据和合成图像训练数据对预设的神经网络进行图像异物检测训练，这样，将真实的图像数据和合成的图像数据一起对神经网络进行训练，保证了训练数据的多样性，同时也维持了训练数据的真实性，从而可以得到更准确的图像检测模型。
45.在一种实施方式中，所述基于不同种类的异物生成合成图像训练数据，包括：
46.利用目标种类的异物对噪声图像进行优化，生成所述特定场景下包含所述目标种类的异物的合成图像训练数据。
47.示例性地，目标种类的异物用于表示指定的种类的异物。噪声图像可以是随机噪声，也可以是特定场景下的噪声图像，在此不作限定。利用目标种类的异物对噪声图像进行去噪，使得去噪后的图像是包含目标种类异物的特定场景下的合成图像训练数据，如此，使得生成的合成图像训练数据能够包含目标的种类异物，可以生成较为逼真的合成图像训练
数据。
48.优选地，所述利用目标种类的异物对噪声图像进行优化，生成所述特定场景下包含所述目标种类的异物的合成图像训练数据，包括：
49.将所述目标种类的异物和所述噪声图像输入至预设的生成器，生成所述合成图像训练数据；其中，所述生成器是利用对所述生成器生成的合成图像数据的真伪判别结果来进行图像合成训练得到的。
50.示例性地，可以根据生成对抗网络(generative adversarial network，gan)中的生成器生成合成图像训练数据。可选地，gan网络包括生成器(generative model g)和判别器(discriminative model d)，生成器用于生成图像数据，判别器用于判别生成器生成的图像数据的真伪。
51.具体地，如图3所示，以特定场景为教育场景为例，在gan网络进行训练时，生成器接收随机噪声和不同种类的异物，对不同种类的异物进行编码(如one-hot方式)，然后生成含有不同种类异物的教育文档图像(即合成图像训练数据)。通过判别器对确定含有不同种类异物的教育文档图像的真伪判别结果，来对生成器进行优化。在模型训练完成后，弃用判别器，只使用生成器来进行图像的合成。如此，可以使用生成器生成指定种类异物的合成图像训练数据，通过上述指定种类异物的合成图像训练数据训练好的图像检测模型，可以在图像中检测出指定种类异物，使得异物检测更全面。
52.在一种实施方式中，所述生成器是利用预设的判别器对所述生成器生成的合成图像数据的判别结果来进行图像合成训练得到的，包括：
53.根据所述生成器生成的合成图像数据和所述特定场景下的含有异物的图像训练数据，得到混合图像数据；
54.所述判别器利用所述异物的种类确定所述混合图像数据的真伪情况；
55.根据所述真伪情况确定的函数损失对生成器进行训练，得到训练好的生成器。
56.具体地，在gan网络进行训练时，为了使得判别器可以更准确地判断生成器生成的图像的真伪情况，因此将生成器生成的合成图像数据和特定场景下的含有异物的图像训练数据(即真实数据)进行混合，得到混合图像数据。让判别器根据接收到的异物的种类判断混合图像数据的真伪，例如，准备三类数据，第一类：如图4(a)所示，教育场景下含有异物的图像(需要标注异物的位置)，第二类：如图4(b)所示，教育场景下的文档的图像；第三类：如图4(c)所示，任意种类的异物图像，例如，橡皮。可以对第二类数据和第三类数据进行泊松融合，合成的含有异物的样本图像(如图4(d)所示)。判别器可以根据含有异物的样本图像和异物的种类对混合图像数据的真伪进行判断，从而确定真伪情况。通过真伪情况确定函数损失，再根据函数损失对生成器进行训练，如此可以实现对生成器的训练，使得训练好的生成器合成的图像更加真实。
57.在一种实施方式中，如图5所示，所述基于预设的图像检测模型对所述待检测图像进行检测，得到所述待检测图像中的异物，包括：
58.s510、利用预设的预训练模型对所述待检测图像进行特征提取处理，得到所述待检测图像对应的图像特征；
59.s520、基于所述图像特征确定所述待检测图像中的异物；其中，所述预训练模型是通过对所述合成图像训练数据和特定场景下的不含有异物的图像训练数据进行有异物图
像和无异物图像分类训练得到的。
60.示例性地，为了使得待检测图像中异物的提取更加准确，因此在图像检测模型中设置预训练模型，以使预训练模型对待检测图像中的特征提取。例如，图像检测模型为faster-rcnn模型，将其中的特征提取层改为预训练模型。可选地，预训练模型是根据含有不同种类异物的合成图像训练数据和特定场景下的不含有异物的图像训练数据对神经网络进行分类训练得到的。其中，神经网络可以是卷积神经网络(convolutional neural networks，cnn)。
61.具体地，如图6所示，可以是将m个含有不同种类异物的合成图像训练数据和n个特定场景下的不含有异物的图像训练数据输入至卷积神经网络提取特征，然后使用损失函数(例如，三元组损失函数，triplet loss)对其进行分类训练，让相同类别的特征趋近，不同类别的特征趋远，其中，m小于n或者n小于m。如此，通过对比学习含有异物的图像和不含有异物的图像，能够较好的区分图像中的文本和异物，从而提升特征提取的准确度。进一步地，在得到预训练模型后，基于faster-rcnn模型进行训练，得到图像检测模型。这样，将待检测图像输入至预训练模型中，能够准确地输出待检测图像中的图像特征，从而能够根据图像特征更准确地确定待检测图像中的异物。
62.在一种实施方式中，如图7所示，在所述基于预设的图像检测模型对所述待检测图像进行检测，得到所述待检测图像中的异物之后，所述方法还包括：
63.s130、确定所述待检测图像中的文本行区域；
64.s140、在所述异物与所述文本行区域存在交集的情况下，触发报警信息。
65.示例性地，文本行区域用于表示待检测图像中含有文字、数字或字母区域。可选地，文本行区域可以是根据预先训练好的文本行检测模型对待检测图像进行检测得到的，其中，预先训练好的文本行检测模型可以是根据标记出文本行的图像训练数据对神经网络进行训练得到的。异物与文本行区域存在交集用于表示异物与文本行区域的重叠区域。
66.具体地，将待检测图像输入预设的图像检测模型中，输出待检测图像中的异物，再将待检测图像输入预先训练好的文本行检测模型中，输出待检测图像中文本行区域。判断异物是否覆盖文本行区域，若是，则可以通过短信或邮件等方式向用户发送预警信息，以使用户重新拍照。若否，则不进行预警。其中，可以通过异物的坐标和文本行区域的坐标确定异物是否覆盖文本行区域，还可以通过其他方式进行确定异物是否覆盖文本行区域，在此不作限定。
67.示例性装置
68.相应的，图8是根据本技术一实施例的图像检测装置的结构示意图。在一示例性实施例中，提供了一种图像检测装置，包括：
69.获取模块810，用于获取特定场景下的待检测图像；
70.检测模块820，用于基于预设的图像检测模型对所述待检测图像进行检测，得到所述待检测图像中的异物；其中，所述异物用于表示与所述待检测图像中的目标物体所不同的物体；所述图像检测模型是由在所述特定场景下基于不同种类的异物所生成的合成图像训练数据进行图像异物检测训练得到的。
71.在一种实施方式中，其中，所述图像检测模型是由在所述特定场景下基于不同种类的异物所生成的合成图像训练数据进行图像检测训练得到的，包括：
72.获取所述特定场景下的含有异物的图像训练数据；
73.基于不同种类的异物生成合成图像训练数据；
74.基于所述含有异物的图像训练数据和所述合成图像训练数据对预设的神经网络进行图像异物检测训练，得到所述图像检测模型。
75.在一种实施方式中，所述基于不同种类的异物生成合成图像训练数据，包括：
76.利用目标种类的异物对噪声图像进行优化，生成所述特定场景下包含所述目标种类的异物的合成图像训练数据。
77.在一种实施方式中，所述利用目标种类的异物对噪声图像进行优化，生成所述特定场景下包含所述目标种类的异物的合成图像训练数据，包括：
78.将所述目标种类的异物和所述噪声图像输入至预设的生成器，生成所述合成图像训练数据；其中，所述生成器是利用对所述生成器生成的合成图像数据的真伪判别结果来进行图像合成训练得到的。
79.在一种实施方式中，所述生成器是利用预设的判别器对所述生成器生成的合成图像数据的判别结果来进行图像合成训练得到的，包括：
80.根据所述生成器生成的合成图像数据和所述特定场景下的含有异物的图像训练数据，得到混合图像数据；
81.所述判别器利用所述异物的种类确定所述混合图像数据的真伪情况；
82.根据所述真伪情况确定的函数损失对生成器进行训练，得到训练好的生成器。
83.在一种实施方式中，所述基于预设的图像检测模型对所述待检测图像进行检测，得到所述待检测图像中的异物，包括：
84.利用预设的预训练模型对所述待检测图像进行特征提取处理，得到所述待检测图像对应的图像特征；
85.基于所述图像特征确定所述待检测图像中的异物；
86.其中，所述预训练模型是通过对所述合成图像训练数据和特定场景下的不含有异物的图像训练数据进行有异物图像和无异物图像分类训练得到的。
87.在一种实施方式中，所述装置还包括：
88.确定模块，用于确定所述待检测图像中的文本行区域；
89.预警模块，用于在所述异物与所述文本行区域存在交集的情况下，触发报警信息。
90.本实施例提供的图像检测装置，与本技术上述实施例所提供的图像检测方法属于同一申请构思，可执行本技术上述任意实施例所提供的图像检测方法，具备执行图像检测方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本技术上述实施例提供的图像检测方法的具体处理内容，此处不再加以赘述。
91.示例性电子设备
92.本技术另一实施例还提出一种电子设备，参见图9所示，该设备包括：
93.存储器900和处理器910；
94.其中，所述存储器900与所述处理器910连接，用于存储程序；
95.所述处理器910，用于通过运行所述存储器900中存储的程序，实现上述任一实施例公开的图像检测方法。
96.具体的，上述电子设备还可以包括：总线、通信接口920、输入设备930和输出设备
940。
97.处理器910、存储器900、通信接口920、输入设备930和输出设备940通过总线相互连接。其中：
98.总线可包括一通路，在计算机系统各个部件之间传送信息。
99.处理器910可以是通用处理器，例如通用中央处理器(cpu)、微处理器等，也可以是特定应用集成电路(application-specific integrated circuit，asic)，或一个或多个用于控制本发明方案程序执行的集成电路。还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
100.处理器910可包括主处理器，还可包括基带芯片、调制解调器等。
101.存储器900中保存有执行本发明技术方案的程序，还可以保存有操作系统和其他关键业务。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。更具体的，存储器900可以包括只读存储器(read-only memory，rom)、可存储静态信息和指令的其他类型的静态存储设备、随机存取存储器(random access memory，ram)、可存储信息和指令的其他类型的动态存储设备、磁盘存储器、flash等等。
102.输入设备930可包括接收用户输入的数据和信息的装置，例如键盘、鼠标、摄像头、扫描仪、光笔、语音输入装置、触摸屏、计步器或重力感应器等。
103.输出设备940可包括允许输出信息给用户的装置，例如显示屏、打印机、扬声器等。
104.通信接口920可包括使用任何收发器一类的装置，以便与其他设备或通信网络通信，如以太网，无线接入网(ran)，无线局域网(wlan)等。
105.处理器910执行存储器900中所存放的程序，以及调用其他设备，可用于实现本技术上述实施例所提供的任意一种图像检测方法的各个步骤。
106.示例性计算机程序产品和存储介质
107.除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的图像检测方法中的步骤。
108.所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
109.此外，本技术的实施例还可以是存储介质，其上存储有计算机程序，计算机程序被处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的图像检测方法中的步骤。
110.上述的电子设备的具体工作内容，以及上述的计算机程序产品和存储介质上的计算机程序被处理器运行时的具体工作内容，均可以参见上述的方法实施例的内容，此处不再赘述。
111.对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但
是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本技术所必须的。
112.需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
113.本技术各实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减，各实施例中记载的技术特征可以进行替换或者组合。
114.本技术各实施例种装置及终端中的模块和子模块可以根据实际需要进行合并、划分和删减。
115.本技术所提供的几个实施例中，应该理解到，所揭露的终端，装置和方法，可以通过其它的方式实现。例如，以上所描述的终端实施例仅仅是示意性的，例如，模块或子模块的划分，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，例如多个子模块或模块可以结合或者可以集成到另一个模块，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
116.作为分离部件说明的模块或子模块可以是或者也可以不是物理上分开的，作为模块或子模块的部件可以是或者也可以不是物理模块或子模块，即可以位于一个地方，或者也可以分布到多个网络模块或子模块上。可以根据实际的需要选择其中的部分或者全部模块或子模块来实现本实施例方案的目的。
117.另外，在本技术各个实施例中的各功能模块或子模块可以集成在一个处理模块中，也可以是各个模块或子模块单独物理存在，也可以两个或两个以上模块或子模块集成在一个模块中。上述集成的模块或子模块既可以采用硬件的形式实现，也可以采用软件功能模块或子模块的形式实现。
118.专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
119.结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件单元，或者二者的结合来实施。软件单元可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
120.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那
些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
121.对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种图像检测方法，其特征在于，包括：获取特定场景下的待检测图像；基于预设的图像检测模型对所述待检测图像进行检测，得到所述待检测图像中的异物；其中，所述异物用于表示与所述待检测图像中的目标物体所不同的物体；所述图像检测模型是由在所述特定场景下基于不同种类的异物所生成的合成图像训练数据进行图像异物检测训练得到的。2.根据权利要求1所述的方法，其特征在于，其中，所述图像检测模型是由在所述特定场景下基于不同种类的异物所生成的合成图像训练数据进行图像检测训练得到的，包括：获取所述特定场景下的含有异物的图像训练数据；基于不同种类的异物生成合成图像训练数据；基于所述含有异物的图像训练数据和所述合成图像训练数据对预设的神经网络进行图像异物检测训练，得到所述图像检测模型。3.根据权利要求1或2所述的方法，其特征在于，所述基于不同种类的异物生成合成图像训练数据，包括：利用目标种类的异物对噪声图像进行优化，生成所述特定场景下包含所述目标种类的异物的合成图像训练数据。4.根据权利要求3所述的方法，其特征在于，所述利用目标种类的异物对噪声图像进行优化，生成所述特定场景下包含所述目标种类的异物的合成图像训练数据，包括：将所述目标种类的异物和所述噪声图像输入至预设的生成器，生成所述合成图像训练数据；其中，所述生成器是利用对所述生成器生成的合成图像数据的真伪判别结果来进行图像合成训练得到的。5.根据权利要求4所述的方法，其特征在于，所述生成器是利用预设的判别器对所述生成器生成的合成图像数据的判别结果来进行图像合成训练得到的，包括：根据所述生成器生成的合成图像数据和所述特定场景下的含有异物的图像训练数据，得到混合图像数据；所述判别器利用所述异物的种类确定所述混合图像数据的真伪情况；根据所述真伪情况确定的函数损失对生成器进行训练，得到训练好的生成器。6.根据权利要求1所述的方法，其特征在于，所述基于预设的图像检测模型对所述待检测图像进行检测，得到所述待检测图像中的异物，包括：利用预设的预训练模型对所述待检测图像进行特征提取处理，得到所述待检测图像对应的图像特征；基于所述图像特征确定所述待检测图像中的异物；其中，所述预训练模型是通过对所述合成图像训练数据和特定场景下的不含有异物的图像训练数据进行有异物图像和无异物图像分类训练得到的。7.根据权利要求1所述的方法，其特征在于，在所述基于预设的图像检测模型对所述待检测图像进行检测，得到所述待检测图像中的异物之后，所述方法还包括：确定所述待检测图像中的文本行区域；在所述异物与所述文本行区域存在交集的情况下，触发报警信息。8.一种图像检测装置，其特征在于，包括：
获取模块，用于获取特定场景下的待检测图像；检测模块，用于基于预设的图像检测模型对所述待检测图像进行检测，得到所述待检测图像中的异物；其中，所述异物用于表示与所述待检测图像中的目标物体所不同的物体；所述图像检测模型是由在所述特定场景下基于不同种类的异物所生成的合成图像训练数据进行图像异物检测训练得到的。9.一种电子设备，其特征在于，包括：存储器和处理器；所述存储器与所述处理器连接，用于存储程序；所述处理器，通过运行所述存储器中的程序，实现如权利要求1至7中任意一项图像检测方法。10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时，实现如权利要求1至7中任意一项图像检测方法。

技术总结
本申请提供了一种图像检测方法、装置、设备及存储介质，具体实现方案为：获取特定场景下的待检测图像；基于预设的图像检测模型对所述待检测图像进行检测，得到所述待检测图像中的异物；其中，所述异物用于表示与所述待检测图像中的目标物体所不同的物体；所述图像检测模型是由在所述特定场景下基于不同种类的异物所生成的合成图像训练数据进行图像异物检测训练得到的。根据本申请的技术方案，能够有效提升异物检测的准确率。效提升异物检测的准确率。效提升异物检测的准确率。


技术研发人员：吴嘉嘉 张银田 殷兵 胡金水 刘聪
受保护的技术使用者：科大讯飞股份有限公司
技术研发日：2023.04.18
技术公布日：2023/8/21