[发明专利]图像检测方法、装置、电子设备和计算机可读介质

权利要求书

1.一种图像检测方法，包括：

获取待检测物品的第一物品图像和第二物品图像；

对所述第一物品图像和所述第二物品图像分别进行图片特征提取处理，得到第一物品图像向量和第二物品图像向量；

对所述第一物品图像向量和所述第二物品图像向量进行融合处理以生成融合向量；

将所述融合向量输入至预先训练的图像检测模型中，得到图像检测结果；

将所述图像检测结果发送至具有显示功能和存储功能的结算设备以进行结算处理；

其中，所述图像检测模型是通过以下步骤训练得到的：

获取训练样本集，其中，所述训练样本集中的训练样本包括：样本图像、样本名称、样本图像高度值和样本属性值；

基于训练样本集，执行如下处理步骤：

将训练样本集中的至少一个训练样本包括的样本图像输入至初始神经网络，得到所述至少一个训练样本中的每个训练样本对应的图像检测结果，其中，所述图像检测结果包括图像名称、图像高度值和图像属性值；

通过损失函数，确定所述至少一个训练样本的损失值；

响应于确定损失值小于等于预设阈值，将初始神经网络确定为图像检测模型；

其中，所述确定所述至少一个训练样本的损失值，包括：

将所述至少一个训练样本中的每个训练样本对应的图像检测结果包括的图像高度值和所述训练样本包括的样本图像高度值的差值确定为第一差值，得到第一差值组；

将所述至少一个训练样本中的每个训练样本对应的图像检测结果包括的图像属性值和所述训练样本包括的样本属性值的差值确定为第二差值，得到第二差值组；

基于所述至少一个训练样本、所述至少一个训练样本中的每个训练样本对应的图像检测结果、所述第一差值组和所述第二差值组，确定所述至少一个训练样本的损失值；

其中，所述基于所述至少一个训练样本、所述至少一个训练样本中的每个训练样本对应的图像检测结果、所述第一差值组和所述第二差值组，确定所述至少一个训练样本的损失值，包括：

通过公式，生成所述至少一个训练样本的损失值：

，

其中，表示图像高度损失值，表示所述至少一个训练样本所包括的训练样本的数量，表示所述至少一个训练样本中训练样本的序号，表示所述至少一个训练样本中第个训练样本包括的样本图像高度值，表示所述至少一个训练样本中第个训练样本包括的样本图像高度值对应的第一差值，表示预设高度调整值，表示所述至少一个训练样本中第个训练样本对应的图像高度值，表示和中的最大值，表示预设图像属性损失值，表示所述至少一个训练样本中第个训练样本包括的样本属性值，表示所述至少一个训练样本中第个训练样本包括的样本属性值对应的第二差值，表示所述至少一个训练样本中第个训练样本对应的图像属性值，表示和中的最大值，表示所述至少一个训练样本的损失值。

2.根据权利要求1所述的方法，其中，所述对所述第一物品图像和所述第二物品图像分别进行图片特征提取处理，得到第一物品图像向量和第二物品图像向量，包括：

将所述第一物品图像输入至预先训练的图片特征提取网络，得到第一物品图像向量；

将所述第二物品图像输入至所述图片特征提取网络，得到第二物品图像向量。

3.根据权利要求2所述的方法，其中，所述图片特征提取网络包括：卷积网络和池化网络，所述卷积网络包括第一卷积层和第二卷积层，所述池化网络包括第一池化层和第二池化层。

4.根据权利要求3所述的方法，其中，所述将所述第一物品图像输入至预先训练的图片特征提取网络，得到第一物品图像向量，包括：

将所述第一物品图像分别输入至所述第一卷积层和所述第二卷积层，得到第一图像特征序列和第二图像特征序列；

将所述第一图像特征序列和所述第二图像特征序列输入至所述第一池化层，得到第一池化特征向量序列集；

将所述第一图像特征序列和所述第二图像特征序列输入至所述第二池化层，得到第二池化特征向量序列集；

将所述第一池化特征向量序列集中的每个第一池化特征向量序列和对应所述第一池化特征向量序列的第二池化特征向量序列进行拼接处理以生成拼接池化特征向量序列，得到拼接池化特征向量序列集；

对所述拼接池化特征向量序列集中的各个拼接池化特征向量序列进行融合处理，得到融合池化特征向量作为第一物品图像向量。