[发明专利]图像处理方法、装置、计算机设备和可读存储介质

说明书

本申请涉及图像处理技术领域，提供了一种图像处理方法、装置、计算机设备和可读存储介质。所述方法包括：获取待检测目标的图像；将所述图像输入至卷积神经网络模型，以获取多个图像特征；将所述多个图像特征输入至金字塔池化层，得到尺寸相同的多个目标图像特征；将所述多个目标图像特征输入至全连接层，以获取目标图像。采用本方法能够利用卷积神经网络模型获取多个图像特征，进而利用图像特征获取目标图像，实现对待检测目标进行图像检测的目的。

技术领域

本申请涉及图像处理技术领域，特别是涉及一种图像处理方法、装置、计算机设备和可读存储介质。

背景技术

卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此，也被成为“平移不变人工神经网络”。

相关技术中，通常利用卷积神经网络进行图像检测来对工业产品进行质量检测，但是，相关技术中的卷积神经网络通常无法达到工业化应用的需求，因此需要改进。

发明内容

基于此，有必要针对上述技术问题，提供一种能够利用卷积神经网络模型实现对待检测目标进行图像检测的目的，提高检测速度的图像处理方法、装置、计算机设备和计算机可读存储介质。

本申请实施例提供了一种图像处理方法，所述方法包括：获取待检测目标的图像；将所述图像输入至卷积神经网络模型，以获取多个图像特征；将所述多个图像特征输入至金字塔池化层，得到尺寸相同的多个目标图像特征；将所述多个目标图像特征输入至全连接层，以获取目标图像。

在一个实施例中，所述卷积神经网络模型包括一个或多个依次相连的卷积神经网络单元；所述将所述图像输入至卷积神经网络模型，以获取多个图像特征，包括：获取图像信息数据；通过所述卷积神经网络子单元对所述图像信息数据进行特征提取，以获取所述多个图像特征；其中，在第一卷积神经网络单元中，所述图像信息数据为所述待检测目标的图像，在第i卷积神经网络单元中，所述图像信息数据为前一卷积神经网络单元获取到的所述多个图像特征，i为大于1的正整数。

在一个实施例中，每个所述卷积神经网络单元包括至少两个并联的卷积神经网络子单元，所述通过所述卷积神经网络单元对所述图像信息数据进行特征提取，以获取多个图像特征，包括：将所述图像信息数据分别输入至所述至少两个并联的卷积神经网络子单元，以获取每个所述卷积神经网络子单元输出的第一特征数据；将每个所述卷积神经网络子单元输出的第一特征数据与输入至当前所述卷积神经网络单元的所述图像信息数据进行数据融合，以获取当前所述卷积神经网络单元输出的所述多个图像特征。

在一个实施例中，所述卷积神经网络子单元包括至少两条并联的深度可分卷积支路，每条所述深度可分卷积支路串联有不同数量的可分卷积层，所述方法还包括：将所述图像信息数据分别输入至每个所述卷积神经网络子单元的每条所述深度可分卷积支路，得到多个第三特征数据；将属于同一所述卷积神经网络子单元的所述多个第三特征数据进行数据融合，以获取当前卷积神经网络子单元输出的第一特征数据。

在一个实施例中，每个所述卷积神经网络子单元还包括中间层结构，所述方法还包括：将每个所述卷积神经网络子单元输出的第一特征数据输入至所述中间层，得到第二特征数据；将所述第一特征数据和所述第二特征数据进行数据融合，得到更新后的所述第一特征数据。

在一个实施例中，所述中间层包括池化层、自定义层和第一激活层，所述自定义层包括卷积层、归一化层和第二激活层中的至少一个。