目标检测方法、装置、电子设备及计算机可读存储介质与流程

1.本技术属于视觉算法技术领域，尤其涉及目标检测方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.随着制造业的不断发展，为了保证自动化产线的生产质量，通常在产品的生产过程中设置人工监测环节，通过人眼监测设备或仪器的变化，及时识别出可能存在异常的产品。
3.目前，为了解决人工监测产线的过程中存在成本高和准确率低的问题，在视觉算法领域引入人工智能技术，提出了一种自动化测试系统，不仅利用自动化监测系统对监控的图像进行图像识别，识别出外观类型存在异常的产品，还对产线上的产品进行抽检，对抽检后的产品进行功能测试，以实现检测产品性能的目的。
4.然而，现有的检测产品功能的方法，需要对抽检的产品进行一对一的软件测试，存在检测效率低的问题。


技术实现要素：

5.本技术实施例提供了目标检测方法、装置、电子设备及计算机可读存储介质，实现了提高产品检测效率的目的。
6.第一方面，本技术实施例提供了一种目标检测方法，包括：
7.获得第一图像以及第二图像；
8.检测所述第一图像和所述第二图像中包含相同目标的目标区域；
9.确定所述目标区域中像素的变化率；
10.根据所述变化率确定目标检测结果。
11.示例性的，利用自动化产线上设置多个图像采集装置同时拍摄多个产品，将拍摄的前后两张图像作为第一图像和第二图像，控制产线上的产品播放视频，设置播放的视频为不断切换显示画面的视频。应理解，设置采集第一图像以及第二图像的时间间隔大于产品显示画面的切换时间间隔，因此可以识别出前后两张图像中属于同一个产品的目标区域，并根据计算的目标区域的像素的变化率确认目标区域对应的产品是否存在显示切换画面的故障。
12.从上述实施例可知，通过对采集的产线上的产品图像进行处理，确定前后两张图像中检测到的目标区域的变化率，并依据目标区域的变化率确定图像中存在显示问题的产品，实现了利用采集的图像批量检测产品显示画面性能的目的，提高了检测产品性能的效率。
13.在第一方面的一种可能的实现方式中，所述检测所述第一图像和所述第二图像中包含相同目标的目标区域，包括：
14.识别所述第一图像包含的至少一个第一检测框，并识别所述第二图像包含的至少
一个第二检测框；
15.获得至少一个检测框组，其中每个所述检测框组包含一个所述第一检测框以及所述第二检测框；
16.确定每个所述检测框组的匹配度；
17.根据所述匹配度确定目标检测框组；
18.确定所述目标检测框组对应的目标区域。
19.应理解，采集的第一图像以及第二图像中包含多个产品。示例性的，可根据目标检测模型检测出两张图像中包含的每个产品的检测框。由于前后两张图像拍摄的为产线上同一个位置的多个产品，因此，前后两张图像包含的多个产品的检测框均为同一批产品的检测框。进一步的，可以根据前后两张图像包含的检测框的匹配度识别出属于同一个产品的目标检测框组，由此确定前后两证图像中属于同一个产品的目标区域。
20.从上述实施例可知，通过识别出第一图像以及第二图像包含的所有产品对应的检测框，计算前后两张图像中检测框组的匹配度，并根据检测框组的匹配度确定前后两张图像中属于同一个产品的目标区域，检测出前后两张图像包含的每个产品对应的目标区域，由此实现了批量检测产线上产品显示性能的目的，提高了产品性能的检测效率。
21.在第一方面的一种可能的实现方式中，所述确定每个所述检测框组的匹配度，包括：
22.针对每个所述检测框组，确定所述第一检测框和所述第二检测框的重合区域；
23.将所述重合区域与所述第一检测框的比值作为第一重合度，并将所述重合区域与所述第二检测框的比值作为第二重合度；
24.根据所述第一重合度以及所述第二重合度确定所述检测框组的匹配度。
25.应理解，在识别出前后两张图像中包含的所有产品的检测框之后，将第一图像包含的第一检测框和第二图像包含的第二检测框进行组合，通过对比组合的检测框组的匹配度识别出属于相同产品的目标区域。
26.从上述实施例可知，在计算检测框组包含的第一检测框和所述第二检测框对应的匹配度的过程中，本技术提供的根据两个检测框的重合区域计算匹配度，与现有的目标识算法采用的交并比计算方法相比，当前后检测框存在遮挡或者缺失时，能够准确识别出两个检测框是否属于同一目标，进而提高了检测属于相同产品的目标区域的准确性。
27.在第一方面的一种可能的实现方式中，所述确定所述目标检测框组对应的目标区域，包括：
28.针对所述目标检测框组，确定所述第一检测框包含的第一目标重合区域以及所述第二检测框包含的第二目标重合区域，其中所述第一目标重合区域与所述第二目标重合区域位置重合；
29.将所述第一目标重合区域与所述第二目标重合区域作为所述目标检测框组对应的目标区域。
30.应理解，在确认目标检测框组包含的第一检测框以及第二检测框属于同一个被检测的目标时，将两个检测框的重合部分作为将要进行像素变化率检测的目标区域，即目标区域包含第一检测框的第一目标重合区域和第二检测框的第二目标重合区域。
31.在第一方面的一种可能的实现方式中，所述确定所述目标区域中像素的变化率，
包括：
32.获得所述第一目标重合区域对应的第一像素矩阵；
33.获得所述第二目标重合区域对应的第二像素矩阵；
34.根据所述第一像素矩阵以及所述第二像素矩阵之间的差值，确定所述目标区域中像素的变化率。
35.应理解，在识别出属于同一个被测产品的目标区域之后，由于设置产品播放的视频会不断切换显示画面。因此，可根据前后两张图像中属于同一个被测产品的目标区域的像素的变化率对显示画面进行识别。
36.从上述实施例可知，通过计算目标区域的包含的第一检测框的第一目标重合区域和第二检测框的第二目标重合区域之间的像素差值，以确认当前目标区域对应的产品是否存切换显示图像的故障，实现了根据采集的图像实现产品显示性能检测的目的。
37.在第一方面的一种可能的实现方式中，所述根据所述第一像素矩阵以及所述第二像素矩阵之间的差值，确定所述目标区域中像素的变化率，包括：
38.根据所述第一像素矩阵以及所述第二像素矩阵之间的差值，获得所述目标区域包含的像素点的变化值以及所述目标区域包含的像素点数量；
39.将所述变化值大于预设像素阈值的像素点作为目标像素点；
40.将所述目标像素点的数量与所述目标区域包含的像素点数量的比值，作为所述目标区域中像素的变化率。
41.从上述实施例可知，将变化值大于预设像素阈值的像素点作为目标像素点，根据目标像素点在目标区域中的占比确定目标区域的变化率，排除了环境噪音对显示图像的干扰，提高了计算的目标区域的像素的变化率的准确性。
42.在第一方面的一种可能的实现方式中，所述识别所述第一图像包含的至少一个第一检测框，包括：
43.根据目标检测模型识别所述第一图像包含的至少一个第一检测框，其中所述目标检测模型是根据标注训练集训练获得的，所述标注训练集包含至少一张标注样本图像，每张所述标注样本图像的矩形标注框为大于或者等于预设检测框的标注框。
44.从上述实施例可知，产品在图像中对应的检测框越大，当检测框越大时，采用本技术的方法进行产品性能识别的准确性越高。因此，在训练目标检测模型的过程中，可通过设定训练集中样本图像中标注被测产品的标注框为大于或者等于预设检测框的标注框，即训练集进行调优，诱导模型只检测图像中将测框大于预设检测框的目标，使得识别出的检测出的目标均为拍摄距离较近的部分产品，以保证本技术检测产品性能结果的准确性。
45.第二方面，本技术实施例提供了一种目标匹配装置，包括：
46.获得模块，用于获得第一图像以及第二图像；
47.检测模块，用于检测所述第一图像和所述第二图像中包含相同目标的目标区域；
48.第一确定模块，用于确定所述目标区域中像素的变化率；
49.第二确定模块，用于根据所述变化率确定目标检测结果。
50.第三方面，本技术实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的目标检测方法。
51.第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的目标检测方法。
52.第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面中任一项所述的目标检测方法。
53.可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
54.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
55.图1是本技术实施例提供的目标检测方法的的流程示意图一；
56.图2是本技术一实施例提供的图像示意图一；
57.图3是本技术一实施例提供的图像示意图二；
58.图4是本技术一实施例提供的图像示意图三；
59.图5是本技术实施例提供的目标检测方法的流程示意图二；
60.图6是本技术实施例提供的目标检测装置的结构示意图；
61.图7是本技术实施例提供的电子设备的结构示意图。
具体实施方式
62.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
63.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
64.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
65.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0066]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0067]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书
中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。
[0068]
随着制造业的不断发展，为了解决人工监测产线的过程中存在成本高和准确率低的问题，在视觉算法领域引入人工智能技术，提出了一种自动化测试系统。利用自动化监测系统对监控的图像进行图像识别，识别出外观类型存在异常的产品。针对产线上产品的性能测试，通常对产品进行抽检，并对抽检的产品进行一对一的软件测试，根据抽检产品的性能测试结果对当前产线生产产品的性能进行检测。然而，现有的采用测试软件检测产品性能的方法存在检测效率较低的问题。
[0069]
为了解决上述技术问题，本技术通过对采集的产品图像进行处理，确定拍摄的前后两张图像中检测到的目标区域的变化率，并依据目标区域的变化率确定图像中产品的检测结果，实现了利用采集的图像批量检测产品性能的目的，与现有的对抽检的产品进行软件测试检测产品性能的方法相比，提高了检测产品性能的效率。
[0070]
参见图1，是本技术实施例提供的目标检测方法的的流程示意图。作为示例而非限定，所述方法可以包括以下步骤：
[0071]
s101：获得第一图像以及第二图像。
[0072]
在本实施例中，在产品的产线上布设由多个图像采集装置组成的自动化监测系统，设置自动化监测系统的多个图像采集装置，按照预设时间间隔拍摄多个产品。
[0073]
在本实施例中，针对同一个图像采集装置采集的同一个生产区域内的多张图像，将拍摄的前后两张图像作为第一图像和第二图像。应理解，第一图像和第二图像拍摄的产线区域相同，即第一图像和第二图像为采集的同一批产品在不同时刻的图像。
[0074]
在本实施例中，设置产品在产线上播放测试视频。具体的，测试视频为不断切换显示画面的视频。应理解，设置采集第一图像以及第二图像的时间间隔大于产品显示画面的切换时间间隔。
[0075]
作为举例，本实施例设置的自动化监测系统用于检测产线上生产设备的显示功能。图2是本技术一实施例提供的图像示意图一。如图2所示，设置自动化监测系统的图像采集装置拍摄流水线上的多个设备。具体的，控制图像采集装置启动后，按照1秒的时间间隔拍摄图像。将第1秒拍摄的图像作为第一图像，将第2秒拍摄的图像作为第二图像，即第一图像和第二图像包含了多个设备在不同时刻的显示界面。
[0076]
s102：检测第一图像和第二图像中包含相同目标的目标区域。
[0077]
在本实施例中，对采集的第一图像和第二图像中包含的预设图像进行识别。示例性的，采用基于yolov5算法实现的目标检测模型对第一图像中包含的预设图像进行识别。具体的，本实施例中设置预设图像为设备显示界面。
[0078]
在本实施例中，获得目标检测模型的过程如下：首先采集多张拍摄的产线上的产品图像作为训练集，其次利用制作数据标签对训练集中的图像进行标注，并利用标注后的训练集对单阶段的模型进行训练，使得训练后的目标检测模型能够识别并标注出图像中存在的设备显示界面的目标标注框。
[0079]
图3是本技术一实施例提供的图像示意图二。如图3所示，采用训练好的目标检测模型对第一图像和第二图像中的设备显示界面进行识别，识别出第一图像包含的至少一个
检测框以及第二图像包含的至少一个检测框，应理解第一图像和第二图像中的每个检测框均对应一个设备显示界面。
[0080]
在一种可能的实现方式中，在识别出第一图像包含的至少一个检测框以及第二图像包含的至少一个检测框之后，将第一图像包含的至少一个检测框作为第一检测框，将第二图像包含的至少一个检测框作为第二检测框，再采用交并比算法对第一图像包含的所有第一检测框和第二图像包含的第二检测框进行处理，识别出第一图图像以及第二图像中属于同一个目标的检测框。需要理解的是，在目标检测任务中采用交并比算法识别检测框的实现过程属于现有技术，在此不再赘述。
[0081]
作为举例，在图3识别出第一图像包含的至少一个检测框以及第二图像包含的至少一个检测框之后，如图3所示，图3中的第一图像包含第一检测框a1、第一检测框b1以及第一检测框c1，第二图像包含第一检测框a2、第一检测框b2以及第一检测框c2，对第一图像包含的所有第一检测框以及第二图像包含的所有第二检测框采用交并比算法，识别出第一检测框a1与第二检测框a2包含同一个目标a、第一检测框b1与第二检测框b2包含同一个目标b以及第一检测框c1与第二检测框c2包含同一个目标c。
[0082]
在本实施例中，针对属于同一个目标的第一检测框以及第二检测框，将第一检测框包含的区域以及第二检测框包含的区域存在重合的部分，作为当前检测框对应目标的目标区域。应理解，本步骤识别出第一图像以及第二图像中识别出的所有目标对应的目标区域。
[0083]
作为举例，如图3所示，在识别出第一检测框a1与第二检测框a2包含同一个目标a之后，将第一检测框a1的区域以及第二检测框a2包含的区域重合的部分作为目标a的目标区域。应理解，采用交并比算法会识别出目标a、目标b以及目标c分别对应的目标区域。
[0084]
s103：确定目标区域中像素的变化率。
[0085]
在本实施例中，应理解，在s102识别出前后两张图像中属于同一个产品的目标区域之后，通过设置被测设备显示切换的画面，因此可计算前后两张图像中同一个目标对应区域的像素的变化率，以识别出该目标对应的设备是否存在画面切换故障。
[0086]
在一种可能的实现方式中，针对每个目标对应的目标区域，将第一检测框中的重合区域作为第一目标重合区域，将第二检测框中的重合区域作为第二目标重合区域。在本实施例中，获得第一目标重合区域对应的第一像素矩阵；获得第二目标重合区域对应的第二像素矩阵；根据第一像素矩阵以及第二像素矩阵之间的差值，确定目标区域中像素的变化率。
[0087]
作为举例，针对目标a，将第一检测框a1中与第二检测框a2重合的部分作为第一目标重合区域a1，将第二检测框a2中与第一检测框a1重合的部分作为第二目标重合区域a2。进一步的，根据第一目标重合区域a1内所有像素点的灰度值获得第一目标重合区域a1对应的第一像素矩阵，以及根据第二目标重合区域a2内所有像素点的灰度值获得第二目标重合区域a2对应的第二像素矩阵。由此，可通过计算第一像素矩阵与第二像素矩阵判断前后两张图像中目标a的像素变化率。
[0088]
在一种可能的实施例中，通过计算第一像素矩阵与第二像素矩阵判断前后两张图像中目标a的像素变化率的具体步骤为：根据第一像素矩阵以及第二像素矩阵之间的差值，获得目标区域包含的像素点的变化值以及目标区域包含的像素点数量；将变化值大于预设
像素阈值的像素点作为目标像素点；将目标像素点的数量与目标区域包含的像素点数量的比值，作为目标区域中像素的变化率。
[0089]
在本实施例中，为了排除环境噪音对显示图像的干扰，根据环境噪音设置预设像素阈值的大小，并将第一像素矩阵以及第二像素矩阵之间差值大于预设像素阈值的像素点作为存在像素变化的目标像素点，再根据目标像素点的数量与重合区域内像素点数量的比值作为目标区域中像素的变化率。
[0090]
作为举例，在获得第一目标重合区域a1对应的第一像素矩阵以及第二目标重合区域a2对应的第二像素矩阵之后，计算第一像素矩阵与第二像素矩阵的差值，获得像素差矩阵。进一步的，确定像素差矩阵中像素值大于预设像素阈值的目标像素点的数量为20，第一目标重合区域a1以及第二目标重合区域a2包含的像素点的数量为100，因此，最终计算的目标区域中像素的变化率80％。
[0091]
s104：根据变化率确定目标检测结果。
[0092]
在本实施例中，根据目标区域中像素的变化率确定对应目标区域显示的图像是否存在变化。在一种可能的实现方式中，当目标区域中像素的变化率小于预设最小变化率时，确定当前目标区域对应的目标检测结果为，当前目标区域对应的设备存在显示画面切换故障。在本实施例中，根据切换的画面设置预设最小变化率，当目标区域中像素的变化率小于预设最小变化率时，可判定当前目标区域的变化率较低，即当前目标区域对应目标显示的画面存在画面切换故障。
[0093]
作为举例，设置预设最小变化率为20％。示例性的，在获得第一目标重合区域a1对应的第一像素矩阵以及第二目标重合区域a2对应的第二像素矩阵，以及计算目标区域中像素的变化率80％之后，目标区域中像素的变化率80％大于预设最小变化率20％，因此，确定目标a对应的目标检测结果为测试成功。
[0094]
示例性的，在计算目标b对应的目标区域中像素的变化率15％之后，目标b对应的目标区域中像素的变化率15％小于预设最小变化率20％，因此，确定目标b对应的目标检测结果为存在故障。
[0095]
在一种可能的实现方式中，当采用上述步骤确认第一图像以及第二图像中出现了存在故障的目标检测结果，则将存在故障所对应的目标区域的第一检测框以及第二检测框设置为高亮的标注框，并将高亮标注后的第一图像以及第二图像传输至后台，及时对存在画面切换故障的设备进行排查。
[0096]
从上述实施例可知，根据获得的第一图像以及第二图像，检测第一图像和第二图像中包含相同目标的目标区域，并确定目标区域中像素的变化率，最后根据变化率确定目标检测结果。本技术通过对采集的产品图像进行处理，确定两张图像中检测到的目标区域的变化率，并依据目标区域的变化率确定图像中产品的检测结果，实现了利用采集的图像批量检测产品性能的目的，与现有的对抽检的产品进行软件测试检测产品性能的方法相比，可以排除环境噪音的干扰，提高了计算目标区域对应的帧差分结果的准确性，使得目标检测的结果更准确，从而提高了检测产品性能的效率。
[0097]
应理解，产线上的被测设备在第一图像以及第二图像中的显示区域符合近大远小的特征。图4是本技术一实施例提供的图像示意图三。如图4所示，当目标a、目标b以及目标c与图像采集设备之间的距离由近到远时，第一图像以及第二图像中目标a、目标b以及目标c
对应的标注框为近大远小，且前面的目标会存在遮挡后面目标的情况。此时，根据图1实施例中提出的交并比算法能够识别出第一图像以及第二图像中属于同一目标的目标区域。
[0098]
然而，当第一图像或者第二图像拍摄的目标存在被遮挡或者缺失的情况时，利用图1实施例中提出的交并比算法会出现识别的目标区域不属于同一个目标的错误结果。如图4所示，采集的第一图像包含第一检测框a1、第一检测框b1以及第一检测框c1，采集的第二图像包含第一检测框a2以及第一检测框c2，即第二图像中没有采集到目标b的检测框。此时，根据图1实施例中的交并比算法，由于第二图像中，没有目标b对目标a的遮挡，第一检测框b1与第一检测框b2无重合区域,即第一检测框b1与第二检测框a2重合区域的面积大于第一检测框b1与第一检测框b2重合区域的面积，第一检测框b1与第一检测框c2的交并比大于第一检测框b1与第一检测框b2，识别出第一检测框b1与第一检测框a2属于同一个目标，即识别的目标区域出现了错误，从而导致后续确定的目标检测结果不准确。
[0099]
为了保证识别的目标区域属于同一个目标，在一种可能的实现方式中，在获得第一图像以及第二图像之后，本实施例提供的确定目标区域的实现过程具体可以包括：
[0100]
s501：识别第一图像包含的至少一个第一检测框，并识别第二图像包含的至少一个第二检测框。
[0101]
s502：获得至少一个检测框组，其中每个检测框组包含一个第一检测框以及第二检测框。
[0102]
s501至s502实现的方法与效果与图1实施例中的s102实现的方法与效果一致，在此不再赘述。
[0103]
s503：确定每个检测框组的匹配度。
[0104]
在一种可能的实现方式中，可通过计算每个检测框组的匹配度确定属于同一个目标的两个检测框。在本实施例中，针对每个检测框组，确定第一检测框和第二检测框的重合区域；将重合区域与第一检测框的比值作为第一重合度，并将重合区域与第二检测框的比值作为第二重合度；根据第一重合度以及第二重合度确定检测框组的匹配度。
[0105]
示例性的，采用ioea(intersectionovereacharea)方法计算每个检测框组的匹配度。具体的，ioea方法的计算公式如(1)所示：
[0106][0107]
其中，intersection为第一图像中第一检测框与第二图像中第二检测框重合面积的大小，area1为第一检测框的面积大小，area2第二检测框的面积大小。
[0108]
具体的，为第一图像中第一检测框左上角坐标，为第一图像中第一检测框右下角坐标。为第二图像中第二检测框左上角坐标。为第二图像中第二检测框右下角坐标。(x0,y0)为面积重合区域intersection的左上角坐标，(x1,y1)为面积重合区域intersection右下角的坐标，由此可得intersection、area1以及area1的计算公式分别如(2)、(3)以及(4)所示：
[0109]
intersection＝(x
1-x0)(y
1-y0)(2)
[0110][0111]
[0112]
在本实施例中，当第一图像或者第二图像中存在被测目标被遮挡或者缺失时本技术提出的ioea方法能够准确检测出属于同一个目标的目标区域。
[0113]
作为举例，如图4所示，第二检测框a2与第二检测框a2存在位置重合关系，第一检测框b1与第二检测框a2也存在位置重合关系，采用ioea方法分别计算出第一检测框a1与第二检测框a2之间的匹配度，以及第一检测框b1与第二检测框a2之间的匹配度。
[0114]
s504：根据匹配度确定目标检测框组。
[0115]
在本实施例中，针对每个第一检测框，在获得了当前第一检测框组成的所有检测框组的匹配度之后，将匹配度最高的检测框组作为当前当前第一检测框的目标检测框组，因此，该目标检测框组包含的第二检测框与第一检测框为包含相同目标的检测框。
[0116]
作为举例，根据图4示例的位置关系，确定ioea(a1，a2)大于ioea(b1，a2)，因此，将第一检测框a1与第二检测框a2作为目标检测框组。
[0117]
在一种可能的实现方式中，在确定了每个检测框组对应的匹配值之后，在根据匹配度确定目标检测框组之前，根据预设检测阈值对每个检测框组对应的匹配值进行筛选，筛选出匹配值大于预设检测阈值的检测框组，再利用匹配度确定目标检测框组。
[0118]
作为举例，设置预设检测阈值为20％。示例性的，ioea(a1，a2)以及ioea(b1，a2)均大于预设检测阈值。此时，ioea(a1，a2)大于ioea(b1，a2)，即将第一检测框a1与第二检测框a2作为目标检测框组。
[0119]
s505：确定目标检测框组对应的目标区域。
[0120]
在本实施例中，针对目标检测框组，确定第一检测框包含的第一目标重合区域以及第二检测框包含的第二目标重合区域，其中第一目标重合区域与第二目标重合区域位置重合；将第一目标重合区域与第二目标重合区域作为目标检测框组对应的目标区域。
[0121]
作为举例，如图4所示，第一检测框a1与第二检测框a2作为目标检测框组，则将第一检测框a1中与第二检测框a2的存在重合的区域作为第一目标重合区域，将第二检测框a2中与第一检测框a1的存在重合的区域作为第二目标重合区域，并将第一目标重合区域与第二目标重合区域作为第一检测框a1与第二检测框a2对应的目标区域。
[0122]
本实施例提供的目标检测方法，在计算检测框组包含的第一检测框和第二检测框对应的匹配度的过程中，本技术提供的根据两个检测框的重合区域计算匹配度，与现有的目标识算法采用的交并比计算方法相比，当前后检测框存在遮挡或者缺失时，能够准确识别出两个检测框是否属于同一目标，进而提高了检测属于相同产品的目标区域的准确性。
[0123]
在一种可能的实现方式中，根据目标检测模型识别第一图像包含的至少一个第一检测框，其中目标检测模型是根据标注训练集训练获得的，标注训练集包含至少一张标注样本图像，每张标注样本图像的矩形标注框为大于或者等于预设检测框的标注框。
[0124]
在本实施例中，可以采用基于单阶段的目标检测算法实现的目标检测模型，以检测出拍摄产线的图像中包含的多个产品对应的检测框。应理解，由于拍摄的图像中，产品的距离越近，产品在图像中对应的检测框越大，当检测框越大时，采用本技术的方法进行产品性能识别的准确性越高。
[0125]
在一种可能的实现方式中，在采集样本图像的过程中，可以设置图像采集装置的拍摄角度，以模拟实际拍摄产线上产品的场景。通过采集存在轻微倾斜样本图像获得训练集，对训练集进行标注后，选择yolov5s作为目标检测算法在标注的训练集上进行迁移学
习，采用自适应学习率进行训练，设置训练过程中批大小为2、初始时刻学习率为0.01、动量大小为0.937以及权重衰减为0.0005，将训练后获得的模型作为本实施例的目标检测模型。
[0126]
从上述实施例可知，在训练目标检测模型的过程中，可通过设定训练集中样本图像中标注被测产品的标注框为大于或者等于预设检测框的标注框，即训练集进行调优，诱导模型只检测图像中将测框大于预设检测框的目标，使得识别出的检测出的目标均为拍摄距离较近的部分产品，以保证本技术检测产品性能结果的准确性。
[0127]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0128]
对应于上文实施例所述的目标检测方法，图6是本技术实施例提供的目标检测装置的结构框图，为了便于说明，仅示出了与本技术实施例相关的部分。
[0129]
参照图6，该目标检测装置包括：获得模块601、检测模块602、第一确定模块603以及第二确定模块604。
[0130]
获得模块601，用于获得第一图像以及第二图像。
[0131]
检测模块602，用于检测所述第一图像和所述第二图像中包含相同目标的目标区域。
[0132]
第一确定模块603，用于确定所述目标区域中像素的变化率。
[0133]
第二确定模块604，用于根据所述变化率确定目标检测结果。
[0134]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0135]
另外，图6所示的目标检测装置可以是内置于现有的电子设备内的软件单元、硬件单元、或软硬结合的单元，也可以作为独立的挂件集成到所述电子设备中，还可以作为独立的电子设备存在。
[0136]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0137]
图7是本技术实施例提供的电子设备的结构示意图。如图7所示，该实施例的电子设备包括：至少一个处理器70(图7中仅示出一个)处理器、存储器71以及存储在所述存储器71中并可在所述至少一个处理器70上运行的计算机程序72，所述处理器70执行所述计算机程序72时实现上述任意各个目标检测方法实施例中的步骤。
[0138]
所述电子设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该电子设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图7仅仅是电子设备的举例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合
某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
[0139]
所称处理器70可以是中央处理单元(central processing unit，cpu)，该处理器70还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0140]
所述存储器71在一些实施例中可以是所述电子设备的内部存储单元，例如电子设备的硬盘或内存。所述存储器71在另一些实施例中也可以是所述电子设备的外部存储设备，例如所述电子设备上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述存储器71还可以既包括所述电子设备的内部存储单元也包括外部存储设备。所述存储器71用于存储操作系统、应用程序、引导装载程序(boot loader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
[0141]
本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
[0142]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时实现可实现上述各个方法实施例中的步骤。
[0143]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到装置/电子设备的任何实体或装置、记录介质、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0144]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0145]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0146]
在本技术所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如
多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0147]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0148]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。

技术特征：
1.一种目标检测方法，其特征在于，包括：获得第一图像以及第二图像；检测所述第一图像和所述第二图像中包含相同目标的目标区域；确定所述目标区域中像素的变化率；根据所述变化率确定目标检测结果。2.根据权利要求1所述的方法，其特征在于，所述检测所述第一图像和所述第二图像中包含相同目标的目标区域，包括：识别所述第一图像包含的至少一个第一检测框，并识别所述第二图像包含的至少一个第二检测框；获得至少一个检测框组，其中每个所述检测框组包含一个所述第一检测框以及所述第二检测框；确定每个所述检测框组的匹配度；根据所述匹配度确定目标检测框组；确定所述目标检测框组对应的目标区域。3.根据权利要求2所述的方法，其特征在于，所述确定每个所述检测框组的匹配度，包括：针对每个所述检测框组，确定所述第一检测框和所述第二检测框的重合区域；将所述重合区域与所述第一检测框的比值作为第一重合度，并将所述重合区域与所述第二检测框的比值作为第二重合度；根据所述第一重合度以及所述第二重合度确定所述检测框组的匹配度。4.根据权利要求2所述的方法，其特征在于，所述确定所述目标检测框组对应的目标区域，包括：针对所述目标检测框组，确定所述第一检测框包含的第一目标重合区域以及所述第二检测框包含的第二目标重合区域，其中所述第一目标重合区域与所述第二目标重合区域位置重合；将所述第一目标重合区域与所述第二目标重合区域作为所述目标检测框组对应的目标区域。5.根据权利要求4所述的方法，其特征在于，所述确定所述目标区域中像素的变化率，包括：获得所述第一目标重合区域对应的第一像素矩阵；获得所述第二目标重合区域对应的第二像素矩阵；根据所述第一像素矩阵以及所述第二像素矩阵之间的差值，确定所述目标区域中像素的变化率。6.根据权利要求5所述的方法，其特征在于，所述根据所述第一像素矩阵以及所述第二像素矩阵之间的差值，确定所述目标区域中像素的变化率，包括：根据所述第一像素矩阵以及所述第二像素矩阵之间的差值，获得所述目标区域包含的像素点的变化值以及所述目标区域包含的像素点数量；将所述变化值大于预设像素阈值的像素点作为目标像素点；将所述目标像素点的数量与所述目标区域包含的像素点数量的比值，作为所述目标区
域中像素的变化率。7.根据权利要求2所述的方法，其特征在于，所述识别所述第一图像包含的至少一个第一检测框，包括：根据目标检测模型识别所述第一图像包含的至少一个第一检测框，其中所述目标检测模型是根据标注训练集训练获得的，所述标注训练集包含至少一张标注样本图像，每张所述标注样本图像的矩形标注框为大于或者等于预设检测框的标注框。8.一种目标匹配装置，其特征在于，包括：获得模块，用于获得第一图像以及第二图像；检测模块，用于检测所述第一图像和所述第二图像中包含相同目标的目标区域；第一确定模块，用于确定所述目标区域中像素的变化率；第二确定模块，用于根据所述变化率确定目标检测结果。9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的目标检测方法。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的目标检测方法。

技术总结
本申请适用于视觉算法技术领域，提供了目标检测方法、装置、电子设备及计算机可读存储介质，包括：获得第一图像以及第二图像；检测第一图像和第二图像中包含相同目标的目标区域；确定目标区域中像素的变化率；根据变化率确定目标检测结果。本申请通过对采集的产品图像进行处理，确定两张图像中检测到的目标区域的变化率，并依据目标区域的变化率确定图像中产品的检测结果，实现了利用采集的图像批量检测产品性能的目的，与现有的对抽检的产品进行软件测试检测产品性能的方法相比，提高了检测产品性能的效率。性能的效率。性能的效率。


技术研发人员：胡天昊 尹东富 于非
受保护的技术使用者：人工智能与数字经济广东省实验室（深圳）
技术研发日：2023.03.28
技术公布日：2023/7/13