图像检测方法、计算机装置及存储介质与流程

阅读：评论：0

1.本技术涉及产品检测领域，特别是指一种图像检测方法、计算机装置及存储介质。

背景技术：

2.在实际工业生产过程中，部分产品的表面存在难以避免的擦伤或是沾染灰尘导致的缺陷。即使用高分辨率的相机对产品进行拍摄，不同光源拍摄环境下仍会出现某些瑕疵拍摄出来的效果不明显的状况，导致产品瑕疵检测时的检测准确度降低。

技术实现要素：

3.鉴于以上内容，有必要提供一种图像检测方法、计算机装置及存储介质，可以辅助检测产品异常，以解决上述问题。
4.所述图像检测方法、计算机装置及存储介质，包括：获取测试集，所述测试集包括多张第一有瑕疵图像；对每张所述第一有瑕疵图像进行图像校正；将校正后的每张第一有瑕疵图像分割为预设数量的第一子区域图像；对每张第一子区域图像进行图像瑕疵处理；利用图像瑕疵处理后的第一子区域图像训练神经网络，获得目标模型；获取验证集，所述验证集包括第二有瑕疵图像；对所述第二有瑕疵图像进行所述图像校正；将校正后的第二有瑕疵图像分割为所述预设数量的第二子区域图像；对每张第二子区域图像进行所述图像瑕疵处理；及利用所述目标模型检测图像瑕疵处理后的第二子区域图像，获得检测结果。
5.可选地，所述对每张所述第一子区域图像进行图像瑕疵处理包括：对每张所述第一子区域图像进行图像对比度调整。
6.可选地，对任意一张第一子区域图像进行图像对比度调整包括：获取所述任意一张第一子区域图像的第一灰度直方图；依据预设的截断阈值h对所述第一灰度直方图进行调整；及根据调整后的第一灰度直方图，利用直方图均衡化方法调整所述任意一张第一子区域图像的对比度。
7.可选地，所述任意一张第一子区域图像的第一灰度直方图的横轴代表所述任意一张第一子区域图像的像素值x，所述第一灰度直方图的纵轴为所述任意一张第一子区域图像中像素值是x的像素数量b
x
。
8.可选地，所述依据预设的截断阈值h对所述第一灰度直方图进行调整包括：确定所述第一灰度直方图中大于所述截断阈值h的像素数量b
x
，利用公式，利用公式获得调整后的第一灰度直方图，所述调整后的第一灰度直方图的横轴为像素值x，所述调整后的第一灰度直方图的纵轴为像素值是x的像素数量b
′
x
。
9.可选地，所述根据调整后的第一灰度直方图，利用直方图均衡化方法调整所述第一子区域图像的对比度包括：计算累积分布函数cdf(x)，所用的公式为：利用所述累积分布函数cdf(x)对像素值x进行更新，获得更新后的像
素值h(x)，所使用的公式为：其中，round表示取整函数，w表示所述第一子区域图像的宽的像素的数量，h表示所述第一子区域图像的高的像素的数量。
10.可选地，所述利用图像瑕疵处理后的第一子区域图像训练神经网络，获得目标模型包括：利用图像瑕疵处理后的第一子区域图像训练神经网络，获得检测模型；判断所述检测模型是否达到预设的要求，将达到所述预设的要求的检测模型作为所述目标模型。
11.可选地，所述利用所述目标模型检测图像瑕疵处理后的第二子区域图像，获得检测结果包括：将所述图像瑕疵处理后的第二子区域图像输入所述目标模型，获得所述图像瑕疵处理后的第二子区域图像的瑕疵值；比较所述瑕疵值与预设的瑕疵阈值的大小关系；当确定所述瑕疵值大于或等于所述瑕疵阈值时，确定所述图像瑕疵处理后的第二子区域图像为有瑕疵图像；及当确定所述瑕疵值小于所述瑕疵阈值时，确定所述图像瑕疵处理后的第二子区域图像为无瑕疵图像。
12.所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现所述图像检测方法。
13.所述计算机装置包括存储器和至少一个处理器，所述存储器中存储有至少一个指令，所述至少一个指令被所述至少一个处理器执行时实现所述图像检测检查方法。
14.相较于现有技术，所述图像检测方法、计算机装置及存储介质，可以在不影响正常样本的情况下，强化图像上瑕疵的表现，以提高瑕疵检测的准确率。
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是本技术实施例提供的图像检测方法的流程图。
17.图2是本技术实施例提供的计算机装置的架构图。
18.图3是本技术实施例提供的校正后的第一有瑕疵图像和第一子区域图像的示例图。
19.图4是本技术实施例提供的第一灰度直方图和调整后的第一灰度直方图的示例图。
20.图5是本技术实施例提供的步骤s7的流程图。
21.主要元件符号说明
22.计算机装置3处理器32存储器31图像检测系统30
23.如下具体实施方式将结合上述附图进一步说明本技术。
具体实施方式
24.为了能够更清楚地理解本技术的上述目的、特征和优点，下面结合附图和具体实施例对本技术进行详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
25.在下面的描述中阐述了很多具体细节以便于充分理解本技术，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。
26.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技术的技术领域的技术人员通常理解的含义相同。本文中在本技术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，不是旨在于限制本技术。
27.参阅图1所示，为本技术实施例提供的图像检测方法的流程图。
28.在本实施例中，所述图像检测方法可以应用于计算机装置中，对于需要进行图像检测的计算机装置，可以直接在计算机装置上集成本技术的方法所提供的用于图像检测的功能，或者以软件开发工具包(software development kit，sdk)的形式运行在计算机装置上。
29.如图1所示，所述图像检测方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
30.步骤s1、计算机装置获取测试集，所述测试集包括多张有瑕疵图像(为便于清楚说明本技术，以下将所述测试集所包括的每张有瑕疵图像称为“第一有瑕疵图像”)。
31.在一个实施例中，计算机装置可以响应用户输入获取所述测试集。计算机装置还可以预先存储所述测试集在计算机装置的存储器中，或者预先存储所述测试集在与计算机装置通讯连接的其他设备中。每张所述第一有瑕疵图像可以是对需要进行检测的某种印刷品(例如化妆品说明书)所拍摄获得的图像。
32.步骤s2、计算机装置对每张所述第一有瑕疵图像进行图像校正。
33.在一个实施例中，计算机装置可以响应用户输入获取一张无瑕疵图像，将所述无瑕疵图像作为对所述第一有瑕疵图像进行图像校正时的参考图像。计算机装置还可以预先将所述无瑕疵图像存储在该计算机装置的存储器中，或者预先将所述无瑕疵图像存储在与该计算机装置通讯连接的其他设备中。本实施例中，所述无瑕疵图像可以是所述印刷品的标准样本(golden sample)图像，即可以是针对没有瑕疵的所述印刷品所拍摄的图像。
34.在一个实施例中，对所述第一有瑕疵图像进行图像校正包括利用尺度不变特征变换(scale-invariant feature transform，sift)技术对所述第一有瑕疵图像的位置进行几何校正。
35.所述利用sift技术对所述第一有瑕疵图像的位置进行几何校正包括：获取所述第一有瑕疵图像中的多个第一特征点(例如，第一有瑕疵图像中的纹理剧烈变化的点、拐角点、直线与直线的交点，以及单纯区域中的孤立点等)和所述无瑕疵图像中的多个第二特征点(例如，无瑕疵图像中的纹理剧烈变化的点、拐角点、直线与直线的交点，以及单纯区域中的孤立点等)；利用计算匹配矩阵的方法，在每个第一特征点和每个第二特征点之间建立匹配关系，获得互相匹配的多个第一特征点对；利用随机抽样一致(random sample consensus，ransac)算法从所述多个第一特征点对中剔除匹配错误的第一特征点对，获得
匹配正确的第一特征点对；根据所述匹配正确的第一特征点对，计算所述第一有瑕疵图像的第一校正矩阵；基于所述第一校正矩阵，对所述第一有瑕疵图像进行校正。需要说明的是，本实施例中，每个第一特征点对也即是互相匹配第一特征点和第二特征点的组合。
36.需要说明的是，校正后的第一有瑕疵图像和所述无瑕疵图像大小一致。
37.步骤s3、计算机装置将校正后的每张第一有瑕疵图像分割为预设数量的图像(为清楚说明本技术，以下将第一有瑕疵图像分割为的预设数量的图像中的每张图像称为第一子区域图像)。
38.在一个实施例中，计算机装置可以将所述校正后的第一有瑕疵图像平均分割为m
×
n份，获得m
×
n个第一子区域图像；将校正后的任一第一有瑕疵图像和基于所述校正后的任一第一有瑕疵图像所分割得到的每张第一子区域图像之间建立一一对应的关系。例如，将图3中的校正后的第一有瑕疵图像3a平均分割为5
×
2份，获得10个第一子区域图像；为了方便进行举例说明，其中的一个第一子区域图像经放大后如图像3b所示。
39.步骤s4、计算机装置对每张第一子区域图像进行图像瑕疵处理。
40.在一个实施例中，所述对每张第一子区域图像进行图像瑕疵处理包括：对每张所述第一子区域图像进行图像对比度调整。
41.在一个实施例中，对任意一张第一子区域图像进行图像对比度调整包括：获取所述任意一张第一子区域图像的第一灰度直方图；依据预设的截断阈值h对所述第一灰度直方图进行调整；根据调整后的第一灰度直方图，利用直方图均衡化方法调整所述任意一张第一子区域图像的对比度。
42.在一个实施例中，所述任意一张第一子区域图像的第一灰度直方图的横轴代表所述任意一张第一子区域图像的像素值x，所述第一灰度直方图的纵轴为所述任意一张第一子区域图像中像素值是x的像素数量b
x
，所述像素值x为大于等于0且小于等于255的整数。例如，图4中图像4a所示的图像3b的第一灰度直方图。
43.在一个实施例中，所述依据预设的截断阈值h对所述第一灰度直方图进行调整包括：确定所述第一灰度直方图中大于所述截断阈值h的像素数量b
x
，利用公式获得调整后的第一灰度直方图，所述调整后的第一灰度直方图的横轴为像素值x，所述调整后的第一灰度直方图的纵轴为像素值是x的像素数量b
′
x
。所述截断阈值h的选取与第一子区域图像中像素的总个数成正比，例如，当所述第一子区域图像的宽的像素的数量为640个，所述第一子区域图像的高的像素的数量为480个时，所述第一子区域图像中像素的总个数为640
×
480＝307200个，所述截断阈值h可以取值为2000。举例而言，对图4中的第一灰度直方图4a进行调整后，得到的调整后的第一灰度直方图如图4中的图像4b所示。
44.在一个实施例中，所述根据调整后的第一灰度直方图，利用直方图均衡化方法调整所述第一子区域图像的对比度包括：计算累积分布函数cdf(x)，所用的公式为：利用所述累积分布函数cdf(x)对像素值x进行更新，获得更新后的像素值h(x)，所使用的公式为：素值h(x)，所使用的公式为：其中，round表示取整函数，w表示所述第一子区域图像的宽的像素的数量(例如，640)，h表示所述第一子区域图像
的高的像素的数量(例如，480)。
45.在一个实施例中，计算机装置利用更新后的像素值h(x)对所述第一子区域图像中的像素x进行更新，获得经过图像瑕疵处理后的第一子区域图像。所述图像瑕疵处理包括：对所述第一子区域图像中的瑕疵进行增强；及在任一校正后的第一有瑕疵图像和所述任一校正后的第一有瑕疵图像的每张图像瑕疵处理后的第一子区域图像之间建立一一对应的关系。例如图3中所示，对第一子区域图像3b进行图像瑕疵处理后获得的增强瑕疵后的图像3c。
46.步骤s5、计算机装置利用图像瑕疵处理后的第一子区域图像训练神经网络，获得目标模型。
47.在一个实施例中，所述利用图像瑕疵处理后的第一子区域图像训练神经网络，获得目标模型包括：利用图像瑕疵处理后的第一子区域图像训练神经网络(例如，卷积神经网络)，获得检测模型；判断所述检测模型是否达到预设的要求(例如，所述检测模型的训练过程达到1000epochs)，将达到所述预设的要求的检测模型作为所述目标模型。
48.步骤s6、计算机装置获取验证集，所述验证集包括第二有瑕疵图像；对所述第二有瑕疵图像进行所述图像校正；将校正后的第二有瑕疵图像分割为所述预设数量的第二子区域图像；对每张第二子区域图像进行所述图像瑕疵处理。
49.在一个实施例中，计算机装置可以响应用户输入获取所述验证集，所述测试集中包括一张或多张第二有瑕疵图像。计算机装置还可以预先存储所述验证集在计算机装置的存储器中，或者预先存储所述验证集在与计算机装置通讯连接的其他设备中。所述第二有瑕疵图像可以是对所述需要进行检测的某种印刷品所拍摄获得的图像。所述测试集中还可以包括多张所述无瑕疵图像，所述无瑕疵图像不需要进行图像校正，直接将所述无瑕疵图像分割为所述预设数量的第三子区域图像，在任一无瑕疵图像和所述任一无瑕疵图像的每张第三子区域图像之间建立一一对应的关系，所述第三子区域图像不需要进行图像瑕疵处理，所述第三子区域图像与所述第一子区域图像的大小一致。
50.在一个实施例中，对所述第二有瑕疵图像进行图像校正包括利用sift技术对所述第二有瑕疵图像的位置进行几何校正。
51.所述利用sift技术对所述第二有瑕疵图像的位置进行几何校正包括：获取所述第二有瑕疵图像中的多个第三特征点(例如，第二有瑕疵图像中的纹理剧烈变化的点、拐角点、直线与直线的交点，以及单纯区域中的孤立点等)和所述无瑕疵图像中的多个第四特征点(例如，无瑕疵图像中的纹理剧烈变化的点、拐角点、直线与直线的交点，以及单纯区域中的孤立点等)；利用计算匹配矩阵的方法，在每个第三特征点和每个第四特征点之间建立匹配关系，获得互相匹配的多个第二特征点对；利用ransac算法从所述多个第二特征点对中剔除匹配错误的第二特征点对，获得匹配正确的第二特征点对；根据所述匹配正确的第二特征点对，计算所述第二有瑕疵图像的第二校正矩阵；基于所述第二校正矩阵，对所述第二有瑕疵图像进行校正。需要说明的是，本实施例中，每个第二特征点对也即是互相匹配第三特征点和第四特征点的组合。
52.需要说明的是，校正后的第二有瑕疵图像和所述无瑕疵图像大小一致，即校正后的第二有瑕疵图像与校正后的第一有瑕疵图像大小一致。
53.在一个实施例中，所述将校正后的第二有瑕疵图像分割为所述预设数量的第二子
区域图像包括：计算机装置将所述校正后的第二有瑕疵图像平均分割为所述m
×
n份，获得所述m
×
n个第二子区域图像；将校正后的任一第二有瑕疵图像和基于所述校正后的任一第二有瑕疵图像所分割得到的每张第二子区域图像之间建立一一对应的关系。在一个实施例中，所述第二子区域图像与所述第一子区域图像的大小一致。
54.在一个实施例中，所述对每张第二子区域图像进行所述图像瑕疵处理包括：对每张所述第二子区域图像进行图像对比度调整。
55.在一个实施例中，对任意一张所述第二子区域图像进行图像对比度调整包括：获取所述任意一张第二子区域图像的第二灰度直方图；依据所述截断阈值h对所述第二灰度直方图进行调整；根据调整后的第二灰度直方图，利用直方图均衡化方法调整所述任意一张第二子区域图像的对比度。
56.在一个实施例中，所述任意一张第二子区域图像的第二灰度直方图的横轴代表所述第一子区域图像的像素值x，所述第二灰度直方图的纵轴为所述第二子区域图像中像素值是x的像素数量d
x
。
57.在一个实施例中，所述依据所述截断阈值h对所述第二灰度直方图进行调整包括：确定所述第二灰度直方图中大于所述截断阈值h的像素数量d
x
，利用公式获得调整后的第二灰度直方图，所述调整后的第二灰度直方图的横轴为像素值x，所述调整后的第二灰度直方图的纵轴为像素值是x的像素数量d
′
x
。
58.在一个实施例中，所述根据调整后的第二灰度直方图，利用直方图均衡化方法调整所述第二子区域图像的对比度包括：计算累积分布函数cdf2(x)，所用的公式为：利用所述累积分布函数cdf2(x)对像素值x进行更新，获得更新后的像素值g(x)，所使用的公式为：素值g(x)，所使用的公式为：其中，round表示取整函数，w表示所述第二子区域图像的宽的像素的数量(例如，640)，h表示所述第二子区域图像的高的像素的数量(例如，480)。
59.在一个实施例中，计算机装置利用更新后的像素值g(x)对所述第二子区域图像中的像素x进行更新，获得图像瑕疵处理后的第二子区域图像，所述图像瑕疵处理包括对所述第二子区域图像中的瑕疵进行增强；在任一校正后的第二有瑕疵图像和所述任一校正后的第二有瑕疵图像的每张图像瑕疵处理后的第二子区域图像之间建立一一对应的关系。
60.步骤s7、计算机装置利用所述目标模型检测图像瑕疵处理后的第二子区域图像，获得检测结果。
61.在一个实施例中，所述利用所述目标模型检测图像瑕疵处理后的第二子区域图像，获得检测结果包括图5所示的如下流程。
62.步骤s70，计算机装置将所述图像瑕疵处理后的第二子区域图像输入所述目标模型，获得所述图像瑕疵处理后的第二子区域图像的瑕疵值。
63.在一个实施例中，计算机装置还可以将所述第三子区域图像输入所述目标模型进行检测。所述瑕疵值的取值范围可以是[0，1]。
[0064]
步骤s71，计算机装置比较所述瑕疵值与预设的瑕疵阈值的大小关系；当确定所述瑕疵值大于或等于所述瑕疵阈值时，执行步骤s72；及当确定所述瑕疵值小于所述瑕疵阈值
时，执行步骤s73。
[0065]
在一个实施例中，所述瑕疵阈值可以预设为0.05。
[0066]
步骤s72，计算机装置确定所述图像瑕疵处理后的第二子区域图像为有瑕疵图像。
[0067]
在一个实施例中，当确定任一图像瑕疵处理后的第二子区域图像为有瑕疵图像时，确定所述任一图像瑕疵处理后的第二子区域图像对应的校正后的第二有瑕疵图像为有瑕疵图像，从而确定对应的第二有瑕疵图像为有瑕疵图像。
[0068]
步骤s73，计算机装置确定所述图像瑕疵处理后的第二子区域图像为无瑕疵图像。
[0069]
在一个实施例中，当确定经过图像瑕疵处理后的任一第二子区域图像为无瑕疵图像时，确定所述任一图像瑕疵处理后的第二子区域图像对应的校正后的第二有瑕疵图像为无瑕疵图像，从而确定对应的第二有瑕疵图像为无瑕疵图像。
[0070]
上述图1详细介绍了本技术的图像检测方法，下面结合图2，对实现所述图像检测方法的硬件装置架构进行介绍。
[0071]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0072]
参阅图2所示，为本技术较佳实施例提供的计算机装置的结构示意图。在本技术较佳实施例中，所述计算机装置3包括存储器31、至少一个处理器32。本领域技术人员应该了解，图2示出的计算机装置的结构并不构成本技术实施例的限定，既可以是总线型结构，也可以是星形结构，所述计算机装置3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
[0073]
在一些实施例中，所述计算机装置3包括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/或信息处理的终端，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。
[0074]
需要说明的是，所述计算机装置3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本技术，也应包括在本技术的保护范围以内，并以引用方式包括于此。
[0075]
在一些实施例中，所述存储器31用于存储程序代码和各种数据，例如安装在所述计算机装置3中的图像检测系统30，并在计算机装置3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(read-only memory，rom)、可编程只读存储器(programmable read-only memory，prom)、可擦除可编程只读存储器(erasable programmable read-only memory，eprom)、一次可编程只读存储器(one-time programmable read-only memory，otprom)、电子擦除式可复写只读存储器(electrically-erasable programmable read-only memory，eeprom)、只读光盘(compact disc read-only memory，cd-rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者任何其他能够用于携带或存储数据的计算机可读的存储介质。
[0076]
在一些实施例中，所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述计算机装置3的控制核心(control unit)，利用各种接口和线路连接整个计算机装置3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行计算机装置3的各种功能和处理数据，例如执行图1所示的图像检测的功能。
[0077]
在一些实施例中，所述图像检测系统30运行于计算机装置3中。所述图像检测系统30可以包括多个由程序代码段所组成的功能模块。所述图像检测系统30中的各个程序段的程序代码可以存储于计算机装置3的存储器31中，并由至少一个处理器32所执行，以实现图1所示的图像检测功能。
[0078]
尽管未示出，所述计算机装置3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机装置3还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0079]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0080]
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是服务器、个人电脑等)或处理器(processor)执行本技术各个实施例所述方法的部分。
[0081]
在进一步的实施例中，结合图2，所述至少一个处理器32可执行所述计算机装置3的操作装置以及安装的各类应用程序(如所述的图像检测系统30)、程序代码等，例如，上述的各个模块。
[0082]
所述存储器31中存储有程序代码，且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如，图2中所述的各个模块是存储在所述存储器31中的程序代码，并由所述至少一个处理器32所执行，从而实现所述各个模块的功能以达到图1所示的图像检测的目的。
[0083]
在本技术的一个实施例中，所述存储器31存储一个或多个指令(即至少一个指令)，所述至少一个指令被所述至少一个处理器32所执行以实现图1所示的图像检测的目的。
[0084]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
[0085]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0086]
另外，在本技术各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0087]
对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其他的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此
外，显然“包括”一词不排除其他单元或，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
[0088]
最后所应说明的是，以上实施例仅用以说明本技术的技术方案而非限制，尽管参照以上较佳实施例对本技术进行了详细说明，本领域的普通技术人员应当理解，可以对本技术的技术方案进行修改或等同替换，而不脱离本技术技术方案的精神和范围。

技术特征：

1.一种图像检测方法，其特征在于，所述方法包括：获取测试集，所述测试集包括多张第一有瑕疵图像；对每张所述第一有瑕疵图像进行图像校正；将校正后的每张第一有瑕疵图像分割为预设数量的第一子区域图像；对每张第一子区域图像进行图像瑕疵处理；利用图像瑕疵处理后的第一子区域图像训练神经网络，获得目标模型；获取验证集，所述验证集包括第二有瑕疵图像；对所述第二有瑕疵图像进行所述图像校正；将校正后的第二有瑕疵图像分割为所述预设数量的第二子区域图像；对每张第二子区域图像进行所述图像瑕疵处理；及利用所述目标模型检测图像瑕疵处理后的第二子区域图像，获得检测结果。2.根据权利要求1所述的图像检测方法，其特征在于，所述对每张所述第一子区域图像进行图像瑕疵处理包括：对每张所述第一子区域图像进行图像对比度调整。3.根据权利要求2所述的图像检测方法，其特征在于，对任意一张第一子区域图像进行图像对比度调整包括：获取所述任意一张第一子区域图像的第一灰度直方图；依据预设的截断阈值h对所述第一灰度直方图进行调整；及根据调整后的第一灰度直方图，利用直方图均衡化方法调整所述任意一张第一子区域图像的对比度。4.根据权利要求3所述的图像检测方法，其特征在于，所述任意一张第一子区域图像的第一灰度直方图的横轴代表所述任意一张第一子区域图像的像素值x，所述第一灰度直方图的纵轴为所述任意一张第一子区域图像中像素值是x的像素数量b
x
。5.根据权利要求4所述的图像检测方法，其特征在于，所述依据预设的截断阈值h对所述第一灰度直方图进行调整包括：确定所述第一灰度直方图中大于所述截断阈值h的像素数量b
x
，利用公式获得调整后的第一灰度直方图，所述调整后的第一灰度直方图的横轴为像素值x，所述调整后的第一灰度直方图的纵轴为像素值是x的像素数量b
′
x
。6.根据权利要求5所述的图像检测方法，其特征在于，所述根据调整后的第一灰度直方图，利用直方图均衡化方法调整所述第一子区域图像的对比度包括：计算累积分布函数cdf(x)，所用的公式为：利用所述累积分布函数cdf(x)对像素值x进行更新，获得更新后的像素值h(x)，所使用的公式为：其中，round表示取整函数，w表示所述第一子区域图像的宽的像素的数量，h表示所述第一子区域图像的高的像素的数量。
7.根据权利要求1所述的图像检测方法，其特征在于，所述利用图像瑕疵处理后的第一子区域图像训练神经网络，获得目标模型包括：利用图像瑕疵处理后的第一子区域图像训练神经网络，获得检测模型；判断所述检测模型是否达到预设的要求，将达到所述预设的要求的检测模型作为所述目标模型。8.根据权利要求1所述的图像检测方法，其特征在于，所述利用所述目标模型检测图像瑕疵处理后的第二子区域图像，获得检测结果包括：将所述图像瑕疵处理后的第二子区域图像输入所述目标模型，获得所述图像瑕疵处理后的第二子区域图像的瑕疵值；比较所述瑕疵值与预设的瑕疵阈值的大小关系；当确定所述瑕疵值大于或等于所述瑕疵阈值时，确定所述图像瑕疵处理后的第二子区域图像为有瑕疵图像；及当确定所述瑕疵值小于所述瑕疵阈值时，确定所述图像瑕疵处理后的第二子区域图像为无瑕疵图像。9.一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存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至8中任意一项所述的图像检测方法。10.一种计算机装置，其特征在于，该计算机装置包括存储器和至少一个处理器，所述存储器中存储有至少一个指令，所述至少一个指令被所述至少一个处理器执行时实现如权利要求1至8中任意一项所述的图像检测方法。

技术总结

本申请提供一种图像检测方法、计算机装置及存储介质，其中，所述方法包括：获取多张第一有瑕疵图像；对第一有瑕疵图像进行图像校正；获取第一有瑕疵图像的第一子区域图像；对每张第一子区域图像进行图像瑕疵处理；基于图像瑕疵处理后的第一子区域图像获得目标模型；获取第二有瑕疵图像；对第二有瑕疵图像进行图像校正；获取校正后的第二有瑕疵图像的第二子区域图像；对每张第二子区域图像进行图像瑕疵处理；及利用目标模型检测图像瑕疵处理后的第二子区域图像，获得检测结果。本申请可辅助检测图像是否存在异常，提高图像检测的准确率。提高图像检测的准确率。提高图像检测的准确率。