[发明专利]一种图像识别分析方法、装置、电子设备及存储介质

说明书

本申请提供一种图像识别分析方法、装置、电子设备及存储介质，用于改善很难提高以肉眼观测的方式发现产品缺陷的效率的问题。该方法包括：获得多个待识别图像，待识别图像为采集目标对象的图像；使用预先训练的特征提取网络模型提取多个待识别图像的图像特征，获得多个图像特征；使用预先训练的目标检测网络模型对多个图像特征进行识别，获得多个检测结果，检测结果包括目标类别，目标类别表征目标对象在生产过程中出现缺陷的具体类别；对多个检测结果对应的目标类别进行统计分析，获得报警信号，报警信号表征目标对象的类别为多个检测结果对应的目标类别时触发报警。

技术领域

本申请涉及人工智能、深度学习和图像识别的技术领域，具体而言，涉及一种图像识别分析方法、装置、电子设备及存储介质。

背景技术

目前的自动化机器可以实现全面快速地机械自动化生产产品，在制造行业中的自动化机器生产产品的过程中，仅仅是机械地重复生产操作，无法感知生产的产品是否出现了缺陷以及出现的缺陷类别，这里的制造行业中的产品缺陷例如：在塑胶制造行业中的塑料膜在生产过程中出现颗粒状、气泡和薄厚不均等缺陷类别，这里的塑料膜按照用途分可以包括：保鲜膜和大棚膜等等；在金属板材加工行业中的金属板材出现凹凸不平、粗糙不光滑、博厚不均和杂质颗粒状等缺陷类别；在造纸行业中生产的纸张出现裂痕、褶皱和凹处等等缺陷类别；在纺织行业中的织布机器生产布料过程中出现的缺陷具体例如：经线绷断，经线是指织布过程中穿梭于两层上下交叠的纬线中间的线，通过经线和纬线的相互交织形成布料。

现在仍然是依靠人工发现缺陷并修复缺陷，由于修复缺陷的过程在各个细分制造行业中的差异非常大，为了便于理解和说明，这里仅以纺织行业中的修复缺陷为例进行说明：在发现缺陷的过程中，需要大量工人在车间进行巡视检查缺陷，通过肉眼观测的方式去发现缺陷，并手动暂停对应的织布机器后，再让维修工人对缺陷布料进行修复，以避免生产缺陷布料从而浪费线料。在具体的实践过程中发现，由于布料背景环境较为复杂，且有很多干扰噪声，这里的干扰噪声例如：布料背景颜色和经线绷断的背景颜色类似或相似、工厂工人用手拍打布料上的灰尘或异物、工人感受布料质感而按压布料使布料变形、布料上有一条线条状的轮子或金属杆的边缘看起来和断开的经线很相似的情况等等。

综上所述，在复杂的产品背景环境和干扰噪声的情况下，很难提高以肉眼观测的方式发现产品缺陷的效率。

发明内容

本申请实施例的目的在于提供一种图像识别分析方法、装置、电子设备及存储介质，用于改善很难提高以肉眼观测的方式发现产品缺陷的效率的问题。

本申请实施例提供了一种图像识别分析方法，包括：获得多个待识别图像，待识别图像为采集目标对象的图像；使用预先训练的特征提取网络模型提取多个待识别图像的图像特征，获得多个图像特征；使用预先训练的目标检测网络模型对多个图像特征进行识别，获得多个检测结果，检测结果包括目标类别，目标类别表征目标对象在生产过程中出现缺陷的具体类别；对多个检测结果对应的目标类别进行统计分析，获得报警信号，报警信号表征目标对象的类别为多个检测结果对应的目标类别时触发报警。在上述的实现过程中，通过获得多个待识别图像，使用预先训练的特征提取网络模型提取多个待识别图像的图像特征，获得多个图像特征；使用预先训练的目标检测网络模型对多个图像特征进行识别，获得多个检测结果，并对多个检测结果对应的目标类别进行统计分析，获得报警信号；也就是说，通过对待识别图像进行识别分析出的目标对象满足报警条件，则发出报警，这里的目标对象例如：经线绷断；即在图像中发现经线绷断时，就发出报警，从而有效地提高发现产品缺陷的效率。

可选地，在本申请实施例中，特征提取网络模型包括：骨干神经网络和尺度提取网络；使用预先训练的特征提取网络模型提取多个待识别图像的图像特征，获得多个图像特征，包括：使用骨干神经网络对待识别图像进行特征计算，获得第一特征图；使用尺度提取网络提取第一特征图的多尺度特征，获得图像特征。在上述的实现过程中，通过使用骨干神经网络和尺度提取网络对待识别图像分别进行特征计算和提取多尺度特征，从而有效地提高了对待识别图像的识别准确率。