[发明专利]数据处理方法、瑕疵的检测方法、计算设备及存储介质

权利要求书

1.一种数据处理方法，其特征在于，包括：

根据待训练的检测模型对至少一张图片进行处理，确定该图片中像素的预测类型以及预测检测框，待训练的检测模型用于先获取该图片的特征，再对特征进行处理得到像素的预测类型的预测概率及所述预测类型对应的预测检测框，所述预测类型反映像素是否属于瑕疵的情况，所述预测检测框反映像素在具有瑕疵时的瑕疵位置；

确定像素的所述预测类型与真实类型之间的类型损失，以及确定像素的预测检测框与真实检测框之间的检测框损失；

根据像素的类型损失以及检测框损失，确定像素的总损失，根据所述总损失，生成瑕疵的检测模型。

2.根据权利要求1所述的方法，其特征在于，根据像素的类型损失以及检测框损失，确定像素的总损失，包括：

根据像素的类型损失，确定像素的类型损失和；

根据像素的检测框损失，确定像素的检测框损失和；

根据类型损失和与检测框损失和，确定所述总损失。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

针对任一图片，从该图片中不属于瑕疵的正常像素中获取困难负样本，困难负样本是指具有预定质量的负样本；

针对任一图片，将该图片中属于瑕疵的像素作为正样本；

其中，所述根据像素的类型损失，确定像素的类型损失和，包括：

确定至少一张图片中的所述困难负样本的类型损失和；

确定至少一张图片中的正样本的类型损失和，将所述困难负样本的类型损失和与正样本的类型损失和，作为对应图片的类型损失。

4.根据权利要求3所述的方法，其特征在于，所述从该图片中不属于瑕疵的正常像素中获取困难负样本，包括：

将每个图片中不属于瑕疵的正常像素作为负样本，并确定所述负样本的类型损失；

将所述负样本的类型损失由大到小进行排序，并选择出相邻类型损失差距最大对应的两个负样本，将排序靠后的负样本作为临界点，将排序在临界点之前的负样本作为所述困难负样本。

5.根据权利要求1所述的方法，其特征在于，所述基于待训练的检测模型对至少一张图片进行处理，确定该图片中像素的预测类型以及预测检测框，包括：

根据待训练的检测模型中的卷积神经网络，对至少一张图片进行处理，获得该图片的特征；

根据所述待训练的检测模型中的全卷积神经网络，对所述特征进行处理，确定该图片中像素的预测类型以及预测检测框。

6.根据权利要求1所述的方法，其特征在于，所述确定像素的所述预测类型与真实类型之间的类型损失，包括：

根据像素的真实类型以及与该真实类型相符的预测类型的预测概率，确定该真实类型下的像素的类型损失。

7.根据权利要求1所述的方法，其特征在于，所述确定像素的预测检测框与真实检测框之间的检测框损失，包括：

根据预测检测框在对应图片中的预测坐标，确定该预测检测框对于对应像素的相对预测坐标；

获取真实检测框对于对应像素的相对真实坐标；

确定所述相对预测坐标与所述相对真实坐标之间的坐标距离；

根据所述坐标距离确定所述检测框损失。

8.根据权利要求1所述的方法，其特征在于，所述根据所述总损失，生成瑕疵的检测模型，包括：

根据所述总损失，更新所述检测模型的检测参数，进行模型的迭代训练，直到满足迭代训练停止条件，生成检测模型。

9.根据权利要求2所述的方法，其特征在于，所述根据类型损失和与检测框损失和，确定所述总损失，包括：

根据加权求和算法，确定所述类型损失和与所述检测框损失和的总损失。