[发明专利]标定物品缺陷的方法、装置及电子设备

权利要求书

1.一种标定物品缺陷的方法，其特征在于，所述方法包括：

获取待标定图像；所述待标定图像为存在物品区域的无标签的图像；

基于预先训练完成的第一神经网络模型，对所述待标定图像进行标定处理，得到所述待标定图像的带有标签的预标定图像；其中，所述第一神经网络模型为利用多个第一样本图像，进行无监督训练得到的、用于标定物品缺陷的模型；所述第一样本图像的物品区域中的物品不存在缺陷；

输出所述预标定图像；

获取预检测后的预标定图像；

利用预先训练完成的第二神经网络模型，检测所述预检测后的预标定图像是否存在标定异常；其中，所述第二神经网络模型用于识别所述预检测后的预标定图像中是否存在对于物品缺陷的标定异常，且所述第二神经网络模型为利用多个第二样本图像和每个第二样本图像的标签，进行有监督训练得到的模型；

如果不存在标定异常，基于所述预检测后的预标定图像，确定所述待标定图像的标定图像；

其中，所述第二神经网络模型的数量为一个；所述预检测后的预标定图像中包括进行修复得到的修复后的缺陷区域标记；所述利用预先训练完成的第二神经网络模型，检测所述预检测后的预标定图像是否存在标定异常，包括：

将所述预检测后的预标定图像输入预先训练完成的第二神经网络模型，得到所述预检测后的预标定图像的预测缺陷区域标记；计算所述修复后的缺陷区域标记与所述预测缺陷区域标记之间的匹配度；当所述匹配度满足预设的匹配度异常条件时，确定所述预检测后的预标定图像存在标定异常；或，

所述第二神经网络模型的数量为N个，所述N为不小于2的整数；所述多个第二样本图像包括N个样本子集；N个第二神经网络模型与所述N个样本子集一一对应，且任一第二神经网络模型为利用该第二神经网络模型对应的样本子集，以及该样本子集中每个第二样本图像的标签，进行有监督训练得到的模型；所述利用预先训练完成的第二神经网络模型，检测所述预检测后的预标定图像是否存在标定异常，包括：

分别利用N个预先训练完成的第二神经网络模型，检测所述预检测后的预标定图像是否存在标定异常，得到N个预测概率；基于所述N个预测概率，判断所述预检测后的预标定图像是否满足预设的概率异常条件；如果满足，确定所述预检测后的预标定图像存在标定异常。

2.根据权利要求1所述的方法，其特征在于，所述预检测后的预标定图像为人工对输出的所述预标定图像进行预检测后的图像；所述预检测包括：检测所述预标定图像是否存在对于物品缺陷的漏标或者误标，并对存在漏标或者误标的预标定图像进行所述标签的修复；

所述如果不存在标定异常，基于所述预检测后的预标定图像，确定所述待标定图像的标定图像，包括：

如果不存在标定异常，将所述预检测后的预标定图像，作为所述待标定图像的标定图像。

3.根据权利要求1所述的方法，其特征在于，所述计算所述修复后的缺陷区域标记与所述预测缺陷区域标记之间的匹配度，包括：

利用第一标定区域和第二标定区域之间的重合关系，获取所述修复后的缺陷区域标记与所述预测缺陷区域标记之间的匹配度；

其中，所述第一标定区域为所述修复后的缺陷区域标记所指示的标定区域，所述第二标定区域为所述预测缺陷区域标记所指示的标定区域。

4.根据权利要求3所述的方法，其特征在于，所述利用所述第一标定区域和所述第二标定区域之间的重合关系，获取所述修复后的缺陷区域标记与所述预测缺陷区域标记之间的匹配度，包括：

计算所述第一标定区域和所述第二标定区域的交集面积与并集面积之间的比值，作为所述修复后的缺陷区域标记与所述预测缺陷区域标记之间的匹配度；

其中，所述交集面积为所述第一标定区域和所述第二标定区域之间重合区域的面积；所述并集面积为所述第一标定区域和所述第二标定区域的总面积与所述交集面积的差值。