[发明专利]一种目标识别方法及设备

说明书

本发明公开了一种目标识别方法及设备，由于采用的网络模型为根据深度检测网络模型和深度语义分割网络模型确定，其中深度语义分割网络模型可以将图像的学习精确到像素层级，对边缘精细背景的干扰较少，且对不规则目标具有更高的鲁棒性，所以在将两类网络模型相结合，可以提高对复杂目标的识别能力，准确地区分相似的陷特征，从而可以提高识别和检测结果的准确度，降低漏检率。并且，本发明实施例提供的方法中首先根据网络模型确定待检测图像中的目标以及目标的位置信息，之后再根据目标的位置信息识别目标的类型，从而可以在提高目标识别的准确率的同时，提高目标识别的效率。

技术领域

本发明涉及图像处理技术领域，尤指一种目标识别方法及设备。

背景技术

目前由于液晶电路板的应用领域不断扩展，缺陷类型也不断增多，更多的缺陷特征之间愈加相似。并且，由于生产厂家的不断增多，对缺陷检测的要求也不断提升。

然而，对于传统的图像处理算法而言，一般是通过缺陷特征的几何特征、灰度特征的描述对缺陷进行检测，而该种检测方法难以准确地区分相似的陷特征，难以识别复杂的缺陷特征，造成漏检率增加，检测的准确度大大降低。

因此，如何准确地区分相似的陷特征，识别复杂的缺陷特征，降低漏检率，提高检测的准确度，是本领域技术人员亟待解决的技术问题。

发明内容

本发明实施例提供了一种目标识别方法及设备，用以准确地区分相似的陷特征，识别复杂的缺陷特征，降低漏检率，提高检测和识别的准确度。

第一方面，本发明实施例提供了一种目标识别方法，包括：

根据预先确定出的网络模型，确定待检测图像中的目标以及所述目标的位置信息；其中，所述网络模型根据预设的深度检测网络模型和预设的深度语义分割网络模型确定；

根据所述目标的位置信息，对所述目标的类别进行识别。

可选地，在本发明实施例中，根据所述目标的位置信息，对所述目标的类别进行识别，包括：

根据所述目标的位置信息，确定所述目标的类别和对应的置信度。

可选地，在本发明实施例中，在确定所述目标的类别和对应的置信度之后，还包括：

根据所述目标对应的置信度，对所述目标的类别是否为已知类别进行评估处理，并根据处理结果确定所述目标的类别。

可选地，在本发明实施例中，根据所述目标对应的置信度，对所述目标的类别是否为已知类别进行评估处理，并根据处理结果确定所述目标的类别，包括：

判断所述目标对应的置信度是否大于预设阈值；

若是，则保持所述目标类别的识别结果不变；

若否，则根据预设的参考目标和所述预设阈值，继续判断所述目标的类别是否为已知类别；

若是，则保持所述目标类别的识别结果不变；

若否，则将所述目标类别的识别结果调整为未知类别。

可选地，在本发明实施例中，所述参考目标具有多个；

根据预设的参考目标和所述预设阈值，继续判断所述目标的类别是否为已知类别，包括：

确定预设的各所述参考目标分别与所述目标之间的相似度，得到多个计算结果；

从得到的所述多个计算结果中选择出相似度的最大值，并判断该最大值是否大于所述预设阈值；

若是，则确定所述目标的类别为已知类别；

若否，则确定所述目标的类别不是已知类别。