图像识别、模型训练与构建、检测方法、系统及设备技术方案

本申请实施例提供一种图像识别、模型训练与构建、检测方法、系统及设备。其中，方法包括：对组合对象图像进行拆分，得到多个单元各自对应的单元图像；其中，所述组合对象由所述多个单元组成；将所述多个单元各自对应的单元图像输入神经网络模型，获得有关所述多个单元中各单元是否满足预设条件的识别结果；其中，所述神经网络模型用于：分别对所述多个单元各自对应的单元图像进行特征提取，得到所述多个单元各自对应的单元特征；根据所述组合对象的组合方式及所述多个单元各自对应的单元特征，获得所述识别结果。本申请实施例提供的技术方案是先关注每个单元以提取合适的单元特征，在此基础上再引入组合件的组合方式，可有效提高识别准确率。准确率。准确率。

【技术实现步骤摘要】
图像识别、模型训练与构建、检测方法、系统及设备


[0001]本申请涉及计算机
，尤其涉及一种图像识别、模型训练与构建、检测方法、系统及设备。

技术介绍

[0002]近年来，人工智能算法被广泛应用在工业领域，以实现工业自动识别与检测，提高生产效率以及降低生产成本。
[0003]以组合件的瑕疵检测为例：组合件是由多个单元拼接组合构成，质检合格了的单元可能会由于组合方式不对等原因产生组合型瑕疵。在组合型瑕疵的质检过程中，不仅要关注单个单元的状况，还需要关注整体组合之后的状况。
[0004]目前的工业图像瑕疵检测系统普遍使用基于CNN(Convolutional NeuralNetworks，卷积神经网络)的图像检测技术实现工业瑕疵的检测。具体地，将组合件的图像输入到神经网络中进行检测，得到检测结果。而目前这种检测方式得到的检测结果的准确度较低，急需一种改进的检测方法来提高检测准确度。

技术实现思路

[0005]鉴于上述问题，提出了本申请以提供一种解决上述问题或至少部分地解决上述问题的图像识别、模型训练与构建、检测方法、系统及设备。
[0006]于是，在本申请的一个实施例中，提供了一种图像识别方法。该方法包括：
[0007]对组合对象图像进行拆分，得到多个单元各自对应的单元图像；其中，所述组合对象由所述多个单元组成；
[0008]将所述多个单元各自对应的单元图像输入神经网络模型，获得有关所述多个单元中各单元是否满足预设条件的识别结果；
[0009]其中，所述神经网络模型用于：分别对所述多个单元各自对应的单元图像进行特征提取，得到所述多个单元各自对应的单元特征；根据所述组合对象的组合方式及所述多个单元各自对应的单元特征，获得所述识别结果。
[0010]在本申请的另一实施例中，提供了一种模型训练方法。该方法，包括：
[0011]对样本组合对象图像进行拆分，得到多个单元各自对应的单元图像；其中，所述样本组合对象由所述多个单元组成；
[0012]将所述多个单元各自对应的单元图像输入神经网络模型，获得有关所述多个单元中各单元是否满足预设条件的预测识别结果；
[0013]根据所述预测识别结果及所述样本组合对象图像对应的期望识别结果，对所述神经网络模型进行参数优化；
[0014]其中，所述神经网络模型用于：分别对所述多个单元各自对应的单元图像进行特征提取，得到所述多个单元各自对应的单元特征；根据所述样本组合对象的组合方式及所述多个单元各自对应的单元特征，获得所述预测识别结果。
[0015]在本申请的另一实施例中，提供了一种模型构建方法。该方法，包括：
[0016]构建至少一个第一网络层和至少一个第二网络层；
[0017]连接所述至少一个第一网络层和所述至少一个第二网络层，获得用于进行图像识别的神经网络模型；
[0018]其中，所述至少一个第一网络层用于：分别对多个单元各自对应的单元图像进行特征提取，得到所述多个单元各自对应的单元特征；所述多个单元各自对应的单元图像是通过拆分组合对象图像得到的；所述组合对象由所述多个单元组成；
[0019]所述至少一个第二网络层用于：根据所述组合对象的组合方式及所述多个单元各自对应的单元特征，获得有关所述多个单元中各单元是否满足预设条件的识别结果。
[0020]在本申请的另一实施例中，提供了一种神经网络系统。该系统，包括：至少一个第一网络层和至少一个第二网络层；其中，
[0021]所述至少一个第一网络层用于：分别对所述多个单元各自对应的单元图像进行特征提取，得到所述多个单元各自对应的单元特征；所述多个单元各自对应的单元图像是通过拆分组合对象图像得到的；所述组合对象由所述多个单元组成；
[0022]所述至少一个第二网络层用于：根据所述组合对象的组合方式及所述多个单元各自对应的单元特征，获得有关所述多个单元中各单元是否满足预设条件的识别结果。
[0023]在本申请的又一个实施例中，提供了一种图像识别方法。该方法包括：
[0024]对组合对象图像进行拆分，得到多个单元各自对应的单元图像；其中，所述组合对象由所述多个单元组成；
[0025]分别对所述多个单元各自对应的单元图像进行特征提取，得到所述多个单元各自对应的单元特征；
[0026]根据所述组合对象的组合方式及所述多个单元各自对应的单元特征，从所述多个单元中识别出满足预设条件的单元。
[0027]在本申请的又一个实施例中，提供了一种光伏组件检测方法。该方法包括：
[0028]对光伏组件图像进行拆分，得到多个电池单元各自对应的单元图像；其中，所述光伏组件由所述多个电池单元组成；
[0029]将所述多个电池单元各自对应的单元图像输入神经网络模型，获得有关所述多个电池单元中各电池单元是否满足预设条件的检测结果；
[0030]其中，所述神经网络模型用于：分别对所述多个电池单元各自对应的单元图像进行特征提取，得到所述多个电池单元各自对应的单元特征；根据所述光伏组件的组合方式及所述多个电池单元各自对应的单元特征，获得所述检测结果。
[0031]在本申请的又一个实施例中，提供了一种光伏组件检测方法。该方法包括：
[0032]对光伏组件图像进行拆分，得到多个电池单元各自对应的单元图像；其中，所述光伏组件由所述多个电池单元组成；
[0033]分别对所述多个电池单元各自对应的单元图像进行特征提取，得到所述多个电池单元各自对应的单元特征；
[0034]根据所述光伏组件的组合方式及所述多个电池单元各自对应的单元特征，从所述多个电池单元中检测出满足预设条件的电池单元。
[0035]在本申请的又一个实施例中，提供了一种电子设备。该电子设备包括：存储器和处
理器，其中，
[0036]所述存储器，用于存储程序；
[0037]所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
[0038]对组合对象图像进行拆分，得到多个单元各自对应的单元图像；其中，所述组合对象由所述多个单元组成；
[0039]将所述多个单元各自对应的单元图像输入神经网络模型，获得有关所述多个单元中各单元是否满足预设条件的识别结果；
[0040]其中，所述神经网络模型用于：分别对所述多个单元各自对应的单元图像进行特征提取，得到所述多个单元各自对应的单元特征；根据所述组合对象的组合方式及所述多个单元各自对应的单元特征，获得所述识别结果。
[0041]在本申请的又一个实施例中，提供了一种电子设备。该电子设备包括：存储器和处理器，其中，
[0042]所述存储器，用于存储程序；
[0043]所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
[0044]对样本组合对象图像进行拆分，得到多个单元各自对应的单元图像；其中，所述样本组合对象由所述多个单元组成；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像识别方法，其特征在于，包括：对组合对象图像进行拆分，得到多个单元各自对应的单元图像；其中，所述组合对象由所述多个单元组成；将所述多个单元各自对应的单元图像输入神经网络模型，获得有关所述多个单元中各单元是否满足预设条件的识别结果；其中，所述神经网络模型用于：分别对所述多个单元各自对应的单元图像进行特征提取，得到所述多个单元各自对应的单元特征；根据所述组合对象的组合方式及所述多个单元各自对应的单元特征，获得所述识别结果。2.根据权利要求1所述的方法，其特征在于，根据所述组合对象的组合方式及所述多个单元各自对应的单元特征，获得所述识别结果，包括：根据所述组合对象的组合方式，拼接所述多个单元各自对应的单元特征，得到拼接特征；基于所述拼接特征，获得所述识别结果；其中，所述多个单元中各单元对应的单元特征在所述拼接特征中的拼接位置与所述各单元在所述组合对象中的组合位置相对应。3.根据权利要求2所述的方法，其特征在于，所述组合对象由所述多个单元按照矩形阵列的组合方式组成；根据所述组合对象的组合方式，拼接所述多个单元各自对应的单元特征，得到拼接特征，包括：按照所述矩形阵列的组合方式，拼接所述多个单元各自对应的单元特征，得到拼接特征；其中，所述多个单元各自对应的单元特征在所述拼接特征中以所述矩形阵列的方式排布。4.根据权利要求3所述的方法，其特征在于，所述单元特征为具有长、宽和通道三个维度的单元特征图；按照所述矩形阵列的组合方式，拼接所述多个单元各自对应的单元特征，得到拼接特征，包括：按照所述矩形阵列的组合方式，在长和宽两个维度上，依次拼接所述多个单元各自对应的单元特征图，得到拼接特征。5.根据权利要求2至4中任一项所述的方法，其特征在于，基于所述拼接特征，获得所述识别结果，包括：对所述拼接特征进行特征提取，得到组合特征；根据所述组合特征，分别对所述多个单元中各单元进行分类，获得所述识别结果。6.根据权利要求1至4中任一项所述的方法，其特征在于，对组合对象图像进行拆分，得到多个单元各自对应的单元图像，包括：获取所述组合对象的组合信息；其中，所述组合信息中包括组合参数及所述组合方式；根据所述组合信息，对所述组合对象图像进行拆分，得到多个单元各自对应的单元图像。7.根据权利要求1至4中任一项所述的方法，其特征在于，对组合对象图像进行拆分，得
到多个单元各自对应的单元图像，包括：将所述组合对象图像输入训练好的图像分割模型，获得分割线；根据所述分割线，拆分所述组合对象图像，得到多个单元各自对应的单元图像；其中，所述图像分割模型是根据样本组合对象图像及其期望分割线训练得到的。8.根据权利要求1至4中任一项所述的方法，其特征在于，还包括：在所述组合对象图像中标注所述满足预设条件的单元；输出标注后的所述组合对象图像。9.一种模型训练方法，其特征在于，包括：对样本组合对象图像进行拆分，得到多个单元各自对应的单元图像；其中，所述样本组合对象由所述多个单元组成；将所述多个单元各自对应的单元图像输入神经网络模型，获得有关所述多个单元中各单元是否满足预设条件的预测识别结果；根据所述预测识别结果及所述样本组合对象图像对应的期望识别结果，对所述神经网络模型进行参数优化；其中，所述神经网络模型用于：分别对所述多个单元各自对应的单元图像进行特征提取，得到所述多个单元各自对应的单元特征；根据所述样本组合对象的组合方式及所述多个单元各自对应的单元特征，获得所述预测识别结果。10.根据权利要求9所述的方法，其特征在于，根据所述样本组合对象的组合方式及所述多个单元各自对应的单元特征，获得所述预测识别结果，包括：根据所述样本组合对象的组合方式，拼接所述多个单元各自对应的单元特征，得到拼接特征；基于所述拼接特征，获得所述识别结果；其中，所述多个单元中各单元对应的单元特征在所述拼接特征中的拼接位置与所述各单元在所述样本组合对象中的组合位置相对应。11.一种模型构建方法，其特征在于，包括：构建至少一个第一网络层和至少一个第二网络层；连接所述至少一个第一网络层和所述至少一个第二网络层，获得用于进行图像识别的神经网络模型；其中，所述至少一个第一网络层用于：分别对多个单元各自对应的单元图像进行特征提取，得到所述多个单元各自对应的单元特征；所述多个单元各自对应的单元图像是通过拆分组合对象图像得到的；所述组合对象由所述多个单元组成；所述至少一个第二网络层用于：根据所述组合对象的组合方式及所述多个单元各自对应的单元特征，获得有关所述多个单元中各单元是否满足预设条件的识别结果。12.一种神经网络系统，其特征在于，包括：至少一个第一网络层和至少一个第二网络层；其中，所述至少一个第一网络层用于：分别对所述多个单元各自对应的单元图像进行特征提取，得到所述多个单元各自对应的单元特征；所述多个单元各自对应的单元图像是通过拆分组合对象图像得到的；所述组合对象由所述多个单元组成；所述至少一个第二网络层用于：根据所述组合对象的组合方式及所述多个单元各自对
应的单元特征，获得有关所述多个单元中各单元是否满足预设条件的识别结果。13.一种图像识别方法，其特征在于，包括：对组合对象图像进行拆分，得到多个单元各自对应的单元图像；其中，所述组合对象由所述多个单元组成；分别对所述多个单元各自对应的单元图像进行特征提取，得到所述多个单元各自对应的单元特征；根据所述组合对象的组合方式及所述多个单元各自对应的单元特征，从所述多个单元中识别出满足预设条件的单元。14.根据权利要求13所述的方法，其特征在于，根据所述组合对象的组合方式及所述多个单元各自对应的单元特征，从所述多个单元中识别出满足预设条件的单元，包括：根据所述组合对象的组合方式，拼接所述多个单元各自对应的单元特征，得到拼接特征；基于所述拼接特征，从所述多个单元中识别出满足预设条件的单元；其中，所述多个单元中各单元对应的单元特征在所述拼接特征中的拼接位置与所述各单元在所述组合对象中的组合位置相对应。15.根据权利要求14所述的方法，其特征在于，基于所述拼接特征，从所述多个单元中识别出满足预设条件的单元，包括：对所述拼接特征进行特征提取，得到组合特征；根据所述组合特征，分别对所述多个单元中各单元进行分类；根据分类结果，从所述多个单元中识别出满足预设条件的单元。16.一种光伏组件检测方法，其特征在于，包括：对...

【专利技术属性】
技术研发人员：陈想，魏溪含，李虹杰，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：