一种图像处理方法、装置及存储介质与流程

本申请涉及计算机技术领域，尤其涉及一种图像处理方法、装置及存储介质。

背景技术：

随着人工智能的普及，深度学习技术作为实现人工智能的一种必然途径，成为备受关注的研究领域。在将深度学习技术应用于目标检测时，需要使用大量图像数据来进行模型训练，从而对待预测图像数据进行预测。这些用于模型训练的图像数据往往需要人工耗费较长时间去搜集和整理。然而，在实际应用过程，我们不难发现，采用该种方式训练得到的模型的预测精度始终是有限的，并且难以提升。

技术实现要素：

本申请实施例提供了一种图像处理方法、装置及存储介质，可以将待预测图像数据用于模型训练，进而有效地提升模型的预测精度。

第一方面，本申请实施例提供了一种图像处理方法，包括：

获取第一预测模型的预测结果集合；所述预测结果集合包括针对至少一个待预测图像数据中每个待预测图像数据的预测结果；

根据所述预测结果集合，从所述至少一个待预测图像数据中确定出预测异常的训练数据；

利用所述训练数据以及所述训练数据的正确标记结果信息对预设模型进行训练，得到第二预测模型；

利用所述第二预测模型对第一待预测图像数据进行预测，得到对所述第一待预测图像数据的预测结果。

可选地，所述方法还包括：

从所述至少一个待预测图像数据中确定出预测正常的目标训练数据；

将所述预测正常的目标训练数据和所述预测异常的训练数据添加至指定数据集；

所述利用所述训练数据以及所述训练数据的正确标记结果信息对预设模型进行训练，得到第二预测模型，包括：

利用所述指定数据集中各个图像数据以及所述各个图像数据的正确标记结果信息对预设模型进行训练，得到第二预测模型。

可选地，所述利用所述指定数据集中各个图像数据以及所述各个图像数据的正确标记结果信息对预设模型进行训练，得到第二预测模型前，所述方法还包括：

若所述指定数据集包括的图像数据的数量小于第一数量，则采用数据增强的方法增加所述指定数据集包括的图像数据的数量；

在所述指定数据集包括的图像数据的数量大于或等于第一数量后，执行所述利用所述指定数据集中各个图像数据以及所述各个图像数据的正确标记结果信息对预设模型进行训练，得到第二预测模型的步骤。

可选地，所述利用所述指定数据集中各个图像数据以及所述各个图像数据的正确标记结果信息对预设模型进行训练，得到第二预测模型前，所述方法还包括：

当所述指定数据集包括的目标类别的图像数据的数量小于除目标类别之外的其它类别的图像数据的数量时，采用数据增强的方法增加所述目标类别的图像数据的数量；

在所述目标类别的图像数据的数量大于或等于第二数量后，执行所述利用所述指定数据集中各个图像数据以及所述各个图像数据的正确标记结果信息对预设模型进行训练，得到第二预测模型的步骤。

可选地，所述根据所述预测结果集合，从所述至少一个待预测图像数据中确定出预测异常的训练数据，包括：

输出预测结果界面，所述预测结果界面包括所述预测结果集合；

获取在所述预测结果界面上选取的第二待预测图像数据的预测结果，将所述第二待预测图像数据确定为预测异常的训练数据。

可选地，所述方法还包括：

在训练时间段内，执行利用所述第一待预测图像数据以及对应的正确标记结果信息对预设模型进行训练，得到第二预测模型的步骤；或，

在非工作时间段内，执行所述利用所述第一待预测图像数据以及对应的正确标记结果信息对预设模型进行训练，得到第二预测模型的步骤。

可选地，所述方法还包括：

在工作时间段内，中断模型训练过程，并在训练时间段内或在非工作时间段内，继续执行中断的模型训练过程；

其中，所述模型训练过程是指所述利用所述训练数据以及所述训练数据的正确标记结果信息对预设模型进行训练，得到第二预测模型的过程。

可选地，所述方法还包括：

当在模型训练过程中监测到对图像检测功能的功能调用请求时，中断模型训练过程，根据所述功能调用请求提供相应功能；

若监测到对图像检测功能的功能退出请求时，在预设训练时间段内或在非工作时间段内，继续执行中断的模型训练过程。

第二方面，本申请实施例提供了一种数据处理装置，包括：

获取模块，用于获取第一预测模型的预测结果集合；所述预测结果集合包括针对至少一个待预测图像数据中每个待预测图像数据的预测结果；

确定模块，用于根据所述预测结果集合，从所述至少一个待预测图像数据中确定出预测异常的训练数据；

处理模块，用于利用所述训练数据以及所述训练数据的正确标记结果信息对预设模型进行训练，得到第二预测模型，并利用所述第二预测模型对第一待预测图像数据进行预测，得到对所述第一待预测图像数据的预测结果。

第三方面，本申请实施例提供了一种电子设备，包括处理器和存储器，所述处理器和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如第一方面所述的方法。

第四方面，本申请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以实现如第一方面所述的方法。

综上所述，电子设备可以获取第一预测模型的预测结果集合，并根据该预测结果集合从至少一个待预测图像数据中确定出预测异常的训练数据，从而利用该训练数据以及该训练数据的正确标记结果信息对预设模型进行训练，得到第二预测模型，进而可以利用该第二预测模型对第一待预测图像数据进行预测，得到对该第一待预测图像数据的预测结果，以提高模型的预测精度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种图像处理方案的示意图；

图2是本申请实施例提供的一种图像处理方法的流程示意图；

图3a是本申请实施例提供的一种预测结果界面的示意图；

图3b是本申请实施例基于图3a提供的另一种预测结果界面的示意图；

图4是本申请实施例提供的另一种图像处理方法的流程示意图。

图5是本申请实施例提供的一种图像处理装置的结构示意图；

图6是本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

为了有效地对图像数据进行预测，如进行分类预测，可以采用深度学习的方法来对图像数据进行预测，得到预测结果。例如，可以采用基于深度学习的目标检测的方法对图像数据中进行预测(包括目标对象定位和目标对象分类)，得到预测结果。为了提升预测精度，并减少人力成本，目标检测已经从传统的手工提取特征的方式转为现在的基于深度学习的模型的特征提取的方式。因此，在图像预测过程中，既能提升预测精度，又能很好地为用户提供高效的服务，还能不断地自主学习，是目前需要优化的关键点。

基于此，本申请实施例提供了一种图像处理方案，该图像处理方案可以应用于电子设备。该电子设备可以为终端或服务器。终端包括但不限于为笔记本、电脑等智能终端。服务器可以为一个服务器或服务器集群。在该图像处理方案中，一方面，可以获取第一预测模型的预测结果集合；该预测结果集合包括针对至少一个待预测图像数据中每个待预测图像数据的预测结果。另一方面，可以根据该预测结果集合，从该至少一个待预测图像数据中确定出预测异常的训练数据。再一方面，可以利用该训练数据以及该训练数据的正确标记结果信息对预设模型进行训练，得到第二预测模型，从而可以利用该第二预测模型对第一待预测图像数据进行预测，得到对该第一待预测图像数据的预测结果。采用该图像处理方案，既能提升预测精度，又能很好地为用户提供高效的服务，还能不断地自主学习。

在一个实施例中，该电子设备可以运行有图像检测系统，该图像检测系统可以是指能够提供图像检测等功能的服务程序。通过调用该图像检测功能可以实现该图像处理方案。在一个实施例中，该图像检测系统也可以称为目标检测系统。

下面结合图1来阐述一下该图像处理方案。图1所示的图像处理方案可以包括步骤s101-s112。具体地：

在步骤s101-步骤s103中，可以使用已有的网络模型对新数据进行目标检测，得到检测结果。即，可以使用第一预测模型对至少一个待预测图像数据进行预测，得到对该至少一个待预测图像数据中每个待预测图像数据的预测结果。

在步骤s104中，可以结合人工筛选的方式从新数据中确定出预测错误的数据，并得到预测正确的图像数据。

在步骤s105和步骤s106中，可以结合人工纠正的方式获取该预测错误的数据的正确标记结果。即，可以根据该预测结果集合，从该至少一个待预测图像数据中确定出预测异常的训练数据。

在步骤s107中，可以获得包括预测正确的图像数据以及该预测错误的数据的正确数据集。即，可以得到包括预测正常的目标训练数据和预测异常的训练数据的指定数据集。

在步骤s108-步骤s110中，可以在采用数据增强的方法扩充正确数据集后，采用自主学习的方式对预设模型进行训练得到新的网络模型。即，可以采用利用该指定数据集中各个图像数据以及该各个图像数据的正确标记结果信息对预设模型进行训练，得到第二预测模型。

在步骤s111和步骤s112中，可以利用该新的网络模型代替已有的网络模型来进行目标检测。即，可以利用第二预测模型来代替第一预测模型进行预测。

通过上述过程，可以使网络模型不断地更新迭代，并且又充分利用了新的数据，有效地减少了人工干预和人力成本。此外，随着系统长时间持续运行，检测效果也会逐渐提升，有效降低误检率和漏检率，提升预测精度。

基于请参阅图2，为本申请实施例提供的一种图像处理方法的流程示意图。该图像处理方法可以应用于电子设备。具体地，该方法可以包括以下步骤：

s201、获取第一预测模型的预测结果集合。

电子设备可以获取至少一个待预测图像数据，并对至少一个待预测图像数据进行预测，得到预测结果集合。其中，该第一待预测模型为已训练的模型，如已训练的卷积神经网络模型。预测结果集合包括针对至少一个待预测图像数据中每个待预测图像数据的预测结果。

在一个实施例中，电子设备可以获取其它设备发送的该至少一个待预测图像数据，或电子设备还可以获取本地保存的该至少一个待预测图像数据。例如，当电子设备为服务器时，电子设备可以获取由第一用户终端发送的该至少一个待预测图像数据。其中，第一用户终端可以为开发人员对应的终端、系统管理员对应的终端或为使用图像检测功能的用户对应的终端。相应地，第一用户终端对应的用户可以为开发人员、系统管理员或使用图像检测功能的用户。在一应用场景中，以电子设备为服务器为例，第一用户终端可以显示图像检测按钮，第一用户终端对应的用户可以点击该图像检测按钮。第一用户终端可以响应对该图像检测按钮的点击操作时，发送图像检测请求至电子设备，该图像检测请求携带待预测图像数据。电子设备可以利用第一预测模型来对该待预测图像数据进行预测，得到对该待预测图像数据的预测结果。

s202、根据所述预测结果集合，从所述至少一个待预测图像数据中确定出预测异常的训练数据。

其中，该预测异常的训练数据可以包括针对该至少一个待预测图像数据错检和/或漏检的图像数据。

本申请实施例中，电子设备根据该预测结果集合，从该至少一个待预测图像数据中确定出预测异常的训练数据可以采用如下方式：电子设备输出预测结果界面，该预测结果界面包括该预测结果集合；电子设备获取在该预测结果界面上选取的第二待预测图像数据的预测结果，将该第二待预测图像数据确定为预测异常的训练数据。

在一个应用场景中，参见图3a所示的预测结果界面，该预测结果界面包括预测结果集合，该预测结果集合包括图像数据1的预测结果(即图1的预测结果)、图像数据2的预测结果(即图2的预测结果)、图像数据3的预测结果(即图3的预测结果)......图像数据n的预测结果(即图n的预测结果)。以该电子设备为服务器为例，电子设备可以将预测结果界面发送至第二用户终端。根据实际的应用场景，当该第二用户终端为开发人员对应的终端时，该第二用户终端可以为开发人员对应的终端或系统管理人员对应的终端，等等。当该第一用户终端为系统管理人员对应的终端时，该第二用户终端可以为系统管理人员对应的终端，等等。当该第一用户终端为使用图像检测功能的用户对应的终端时，该第二用户终端可以为开发人员对应的终端、系统管理人员对应的终端或为使用图像检测功能的用户对应的终端。等等。相应地，该第二用户终端对应的用户为当该第二用户终端为系统管理人员对应的终端时，该第二用户终端对应的用户为系统管理人员。当该第二用户终端为使用图像检测功能的用户对应的终端时，该第二终端对应的用户为使用图像检测功能的用户。第二用户终端可以显示该预测结果界面，第二用户终端对应的用户可以在该预测结果界面勾选错检和/或漏检的图像数据的预测结果，例如，第二用户终端对应的用户可以在图3a所示的预测结果界面勾选图像数据1的预测结果和图像数据2的预测结果。在第二用户终端对应的用户点击确认按钮后，第二用户终端可以响应对该确认按钮的点击操作，获取第二用户终端对应的用户勾选的图像数据1的预测结果、图像数据2的预测结果，并将图像数据1的预测结果和图像数据2的预测结果返回至电子设备，电子设备可以将图像数据1和图像数据2确定为预测异常的图像数据。

再一个应用场景中，参见图3b，图3b是基于图3a所示的预测结果界面得到的另一预测结果界面。图3b所示的预测结果界面还可以包括指定列表。具体地，第二用户终端对应的用户在该预测结果界面勾选错检和/或漏检的图像数据的预测结果后，第二用户终端可以将勾选的图像数据的预测结果等信息添加至该指定列表。在第二用户终端对应的用户点击确认按钮后，第二用户终端可以响应对该确认按钮的点击操作，获取该指定列表，并将该指定列表发送至电子设备。电子设备可以根据该指定列表将图像数据1和图像数据2确定为预测异常的图像数据。

在一个实施例中，电子设备还可以获取为该第二待预测图像数据设置的正确标记结果信息。在一个实施例中，电子设备还可以获取在该预测结果界面上选取的第二待预测图像数据的预测结果之后，输出该第二待预测图像数据，并获取为该第二待预测图像数据设置的正确标记结果信息。

s203、利用所述训练数据以及所述训练数据的正确标记结果信息对预设模型进行训练，得到第二预测模型。

s204、利用所述第二预测模型对第一待预测图像数据进行预测，得到对所述第一待预测图像数据的预测结果。

在步骤s203-步骤s204中，电子设备可以将该训练数据以及该训练数据的正确标记结果信息作为预设模型的输入数据以对该预设模型进行训练，得到第二预测模型。电子设备可以将第一待预测图像数据作为该第二预测模型的输入数据，通过该第二预测模型来对第一待预测图像数据进行预测，得到对第一待预测图像数据的预测结果。其中，该预设模型可以为第一预测模型或为新的模型。该新的模型是指未被训练过的模型。该新的模型可以从系统备份获取，或还可以从指定路径下载，本申请实施例对其获取方式不做限制。该训练数据的正确标记结果信息可以是指该训练数据包括的各个图像数据的正确标记结果信息，如可以是指图像数据1的正确标记结果信息和图像数据2的正确标记结果信息。此处的正确标记结果信息可以包括相应图像数据的正确类别。在一个实施例中，该正确标识结果信息还可以包括相应图像数据的正确标注框。

在一个实施例中，为了避免过度训练模型导致模型过拟合，进而导致预测模型的预测精度较低的问题，电子设备可以根据迭代次数选取适合的模型来进行训练。具体地，电子设备查询出该第一预测模型的迭代次数，如果该迭代次数大于或等于预设迭代次数，则利用该训练数据以及该训练数据的正确标记结果信息对新的模型进行训练，得到第二预测模型；如果该迭代次数小于预设迭代次数，则利用该训练数据以及该训练数据的正确标记结果信息对新的模型进行训练，得到第二预测模型。

在一个实施例中，为了避免训练数据不足导致模型欠拟合，进而导致预测模型的预测精度较低的问题，电子设备可以在该训练数据包括的图像数据的数量小于预设数量时，采用数据增强的方法增加该训练数据包括的图像数据的数量，并在该训练数据包括的图像数据的数量大于或等于预设数量后，执行利用该训练数据以及该训练数据的正确标记结果信息对预设模型进行训练，得到第二预测模型的步骤。在一个实施例中，该数据增强的方法可以为有监督数据增强的方法或无监督数据增强的方法。该有监督数据增强的方法至少包括几何变换的方法和/或颜色变换类的方法。该几何变换类的方法包括但不限于以下至少一项：图像随机剪裁的方法、图像翻转的方法、图像旋转的方法、图像平移的方法、图像缩放的方法。该颜色变换类的方法包括但不限于以下至少一项：颜色抖动的方法、添加噪声的方法、模糊处理的方法、颜色填充的方法。该无监督的数据增强的方法至少可以包括采用指定模型(如生成式对抗网络模型)生成图像数据的方法或按照预设规则确定出适用于当前模型训练过程的数据增强的方法。

在一个实施例中，为了避免训练数据类别不平衡导致训练效率低下的问题，电子设备可以在该训练数据包括的第一类别的图像数据的数量小于除第一类别之外的第二类别的图像数据的数量时，采用数据增强的方法增加该第一类别的图像数据的数量，并在该第一类别的图像数据的数量大于或等于目标数量后，执行该利用该训练数据以及该训练数据的正确标记结果信息对预设模型进行训练，得到第二预测模型的步骤。其中，该第二类别是指训练数据对应的至少两个类别中除第一类别之外的类别。当第二类别的数量为多个时，该训练数据包括的第一类别的图像数据的数量小于除第一类别之外的第二类别的图像数据的数量，可以为该训练数据包括的第一类别的图像数据的数量小于除第一类别之外的多个第二类别中任一第二类别的图像数据的数量，或，还可以为该训练数据包括的第一类别的图像数据的数量小于除第一类别之外的多个第二类别中每个第二类别的图像数据的数量。该目标数量可以是指任一第二类别的图像数据的数量，或还可以是该多个第二类别中满足预设条件的第二类别的图像数据的数量，如该满足预设条件可以为数量最多的图像数据，或还可以是指根据多个第二类别中每个第二类别的图像数据的数量得到数量中间值或数量平均值，本申请实施例对于该目标数量的确定方式不做限制。

例如，训练数据包括类别1的图像数据、类别2的图像数据、类别3的图像数据，其中，类别1的图像数据的数量为a张、类别2的图像数据的数量为a张、类别3的图像数据的数量为b张，b远远小于a。电子设备可以确定类别3的图像数据的数量小于类别1的图像数据的数量，且类别3的图像数据的数量小于类别2的图像数据的数量。电子设备可以采用数据增强的方法将类别3的图像数据的数量从b扩充至c张，c大于b，例如c可以为a。

在一个实施例中，电子设备可以计算该训练数据包括的第一类别的图像数据的数量与除第一类别之外的第二类别的图像数据的数量之间的差值，当该差值大于预设数值时，采用数据增强的方法增加该第一类别的图像数据的数量，并在该第一类别的图像数据的数量大于或等于目标数量后，执行该利用该训练数据以及该训练数据的正确标记结果信息对预设模型进行训练，得到第二预测模型的步骤。

在一个实施例中，电子设备除了可以采用训练数据进行训练之外，还可以获取其它训练数据，并结合该其它训练数据以及该其它训练数据的正确标记结果信息对预设模型进行训练，得到第二预测模型。其中，该其它训练数据是指除该预测异常的训练数据之外的训练数据。在一个实施例中，电子设备可以获取其它设备发送的该其它训练数据，或电子设备还可以获取本地存储的该其它训练数据，如在预设时间范围内记录的训练数据。

可见，图2所示的实施例中，电子设备可以获取第一预测模型的预测结果集合，并根据该预测结果集合从该至少一个待预测图像数据中确定出预测异常的训练数据，从而利用该训练数据以及该训练数据的正确标记结果信息对预设模型进行训练，得到第二预测模型，进而可以利用该第二预测模型对第一待预测图像数据进行预测，得到对该第一待预测图像数据的预测结果，以提高预测模型的预测精度。

请参阅图4，为本申请实施例提供的另一种图像处理方法的流程示意图。该方法可以应用于电子设备。该电子设备可以为终端或服务器。终端包括但不限于为笔记本、电脑等智能终端。服务器可以为一个服务器或服务器集群。具体地，该方法可以包括以下步骤：

s401、获取第一预测模型的预测结果集合。

s402、根据所述预测结果集合，从所述至少一个待预测图像数据中确定出预测异常的训练数据。

其中，步骤s401-步骤s402可参见图2实施例中的步骤s201-步骤s202，本申请实施例在此不做赘述。

s403、从所述至少一个待预测图像数据中确定出预测正常的目标训练数据。

s404、将所述预测正常的目标训练数据和所述预测异常的训练数据添加至指定数据集。

电子设备可以将该至少一个待预测图像数据中除该预测异常的训练数据之外的待预测图像数据确定为预测正常的目标训练数据。在一个实施例中，电子设备可以按照预设规则从该至少一个待预测图像数据中除该预测异常的训练数据之外的待预测图像数据选取预设数量个待预测图像数据，以确定为预测正常的目标训练数据。在一个实施例中，电子设备可以接收图像数据选取操作，并根据该图像数据选取操作该至少一个待预测图像数据中除该预测异常的训练数据之外的待预测图像数据选取相应待预测图像数据，以作为预测正常的目标训练数据。

在一个实施例中，为了避免指定数据集的图像数据不足导致模型欠拟合，进而导致预测模型的预测精度较低的问题，电子设备还可以将其它训练数据添加至指定数据集。其中，该其它训练数据是指除该预测正常和该预测异常的训练数据之外的训练数据。在一个实施例中，电子设备可以获取其它设备发送的该其它训练数据，或电子设备还可以获取本地存储的该其它训练数据，如在预设时间范围内记录的训练数据。

在一个实施例中，为了避免指定数据集的图像数据不足导致模型欠拟合，进而导致预测模型的预测精度较低的问题，电子设备可以在该指定数据集包括的图像数据的数量小于第一数量时，采用数据增强的方法增加该指定数据集包括的图像数据的数量，并在该指定数据集包括的图像数据的数量大于或等于第一数量后，执行该利用该指定数据集中各个图像数据以及该各个图像数据的正确标记结果信息对预设模型进行训练，得到第二预测模型的步骤。其中，该数据增强的方法可以为有监督数据增强的方法或无监督数据增强的方法。该有监督数据增强的方法以及无监督数据增强的方法的具体内容可参见图1实施例中，本申请实施例在此不做赘述。

在一个实施例中，为了避免指定数据集的图像数据不足导致模型欠拟合，进而导致预测模型的预测精度较低的问题，电子设备可以当该指定数据集包括的目标类别的图像数据的数量小于除目标类别之外的其它类别的图像数据的数量时，采用数据增强的方法增加该目标类别的图像数据的数量，并在该目标类别的图像数据的数量大于或等于第二数量后，执行该利用该指定数据集中各个图像数据以及该各个图像数据的正确标记结果信息对预设模型进行训练，得到第二预测模型的步骤。其中，该其它类别是指指定数据集对应的至少两个类别中除目标类别之外的类别。当其它类别的数量为多个时，该指定数据集包括的目标类别的图像数据的数量小于除目标类别之外的其它类别的图像数据的数量，可以为该指定数据集包括的目标类别的图像数据的数量小于除目标类别之外的多个其它类别中任一其它类别的图像数据的数量，或，该指定数据集包括的目标类别的图像数据的数量小于除目标类别之外的多个其它类别中每个其它类别的图像数据的数量。该目标数量可以是指任一其它类别的图像数据的数量，或还可以是该多个其它类别中满足预设条件的其它类别的图像数据的数量，如该满足预设条件可以为数量最多的图像数据，或还可以是指根据多个其它类别中每个其它类别的图像数据的数量得到的数量中间值或数量平均值，本申请实施例对于该目标数量的确定方式不做限制。

例如，指定数据集包括类别1的图像数据、类别2的图像数据、类别3的图像数据、类别4的图像数据、类别5的图像数据，其中，类别1的图像数据的数量为a张、类别2的图像数据的数量为a张、类别3的图像数据的数量为b张，类别4的图像数据的数量为a张,类别5的图像数据的数量为a张。b远远小于a。电子设备可以确定类别3的图像数据的数量小于类别1的图像数据的数量，且类别3的图像数据的数量小于类别2的图像数据的数量，且类别3的图像数据的数量小于类别4的图像数据的数量，且类别3的图像数据的数量小于类别5的图像数据的数量。电子设备可以采用数据增强的方法将类别3的图像数据的数量从b扩充至c张，c大于b，例如c可以为a。

在一个实施例中，步骤s403也可以在步骤s402之前执行，本申请实施例对其不做限定。

s405、利用所述指定数据集中各个图像数据以及所述各个图像数据的正确标记结果信息对预设模型进行训练，得到第二预测模型。

电子设备可以将指定数据集中各个图像数据以及所述各个图像数据的正确标记结果信息作为预设模型的输入数据以对预设模型进行训练，得到第二预测模型。该预设模型可以为第一预测模型或新的模型。该新的模型可以为新的卷积神经网络模型。其中，预测正常的目标训练数据中各个图像数据的正确标记结果信息可以为该图像数据的预测结果。在一个实施例中，预测正常的目标训练数据中各个图像数据的正确标记结果信息还可以根据该图像数据的预测结果修改得到。

s406、利用所述第二预测模型对第一待预测图像数据进行预测，得到对所述第一待预测图像数据的预测结果。

其中，步骤s406可以参见步骤s204，本申请实施例在此不做赘述。

在一个实施例中，为了使得模型训练过程更加自动化，电子设备可以在训练时间段内，执行利用该第一待预测图像数据以及对应的正确标记结果信息对预设模型进行训练，得到第二预测模型的步骤。例如，该预设训练时间段为每天10:00pm-次日6:00am，则电子设备可以在每天10:00pm-次日6:00am内，执行利用该第一待预测图像数据以及对应的正确标记结果信息对预设模型进行训练，得到第二预测模型的步骤。在一个实施例中，电子设备可以在训练时间段内，执行利用该指定数据集中各个图像数据以及该各个图像数据的正确标记结果信息对预设模型进行训练，得到第二预测模型的步骤。

或，电子设备可以在非工作时间段内，执行该利用该第一待预测图像数据以及对应的正确标记结果信息对预设模型进行训练，得到第二预测模型的步骤。例如，该工作时段可以是指每天9:00am-11:00pm，则电子设备可以在除该工作时间段之外的时间段内，执行利用该第一待预测图像数据以及对应的正确标记结果信息对预设模型进行训练，得到第二预测模型的步骤。在一个实施例中，电子设备还可以在非工作时间段内，执行利用该指定数据集中各个图像数据以及该各个图像数据的正确标记结果信息对预设模型进行训练，得到第二预测模型的步骤。

在一个实施例中，电子设备可以在工作时间段内，中断模型训练过程，并在训练时间段内或在非工作时间段内，继续执行中断的模型训练过程；其中，该模型训练过程是指利用该训练数据以及该训练数据的正确标记结果信息对预设模型进行训练，得到第二预测模型的过程。在一个实施例中，该模型训练过程可以是指利用该指定数据集中各个图像数据以及该各个图像数据的正确标记结果信息对预设模型进行训练，得到第二预测模型的过程。在一个实施例中，在中断模型训练过程时，记录中断时的训练过程数据，并在训练时间段内或在非工作时间段内，根据该训练过程数据继续执行中断的模型训练过程。

在一个实施例中，电子设备可以当在模型训练过程中监测到对图像检测功能的功能调用请求时，中断模型训练过程，根据该功能调用请求提供相应功能；当监测到对图像检测功能的功能退出请求时，在预设训练时间段内或在非工作时间段内，继续执行中断的模型训练过程。在一个应用场景中，以电子设备为服务器为例，第三用户终端(该第三用户终端可以为第一用户终端、第二用户终端或其它用户终端)可以访问图像检测系统中的图像检测功能(如可以根据指定链接地址访问图像检测系统中图像检测功能)，电子设备可以监测到对图像检测功能的功能调用请求，并根据该功能调用请求提供相应功能。如果在模型训练过程中监测到对图像检测功能的功能调用请求，则可以中断模型训练过程，根据该功能调用请求提供相应功能。电子设备可以当监测到对图像检测功能的功能退出请求时，在预设训练时间段内或在非工作时间段内，继续执行中断的模型训练过程。例如，电子设备可以当监测到对图像检测功能的功能退出请求时电子设备可以在第三用户终端停止访问图像检测系统中图像检测功能或在预设时间范围内未访问该图像检测功能之后，监测到第三用户终端对图像检测功能的功能退出请求，并在预设训练时间段内或在非工作时间段内，继续执行中断的模型训练过程。

可见，在图4所示的实施例中，电子设备可以将该预测正常的目标训练数据和该预测异常的训练数据添加至指定数据集，并利用该指定数据集中各个图像数据以及该各个图像数据的正确标记结果信息对预设模型进行训练，得到第二预测模型，从而利用该第二预测模型对第一待预测图像数据进行预测，得到对该第一待预测图像数据的预测结果，采用该方式丰富了用于模型训练的图像数据，进而提升了模型的预测精度。

请参阅图5，为本申请实施例提供的一种图像处理装置的结构示意图。该装置可以应用于电子设备，如终端或服务器。具体地，该图像处理装置可以包括：

获取模块501，用于获取第一预测模型的预测结果集合；所述预测结果集合包括针对至少一个待预测图像数据中每个待预测图像数据的预测结果。

确定模块502，用于根据所述预测结果集合，从所述至少一个待预测图像数据中确定出预测异常的训练数据。

处理模块503，用于利用所述训练数据以及所述训练数据的正确标记结果信息对预设模型进行训练，得到第二预测模型，并利用所述第二预测模型对第一待预测图像数据进行预测，得到对所述第一待预测图像数据的预测结果。

在一种可选的实施方式中，处理模块503，还用于从所述至少一个待预测图像数据中确定出预测正常的目标训练数据，并将所述预测正常的目标训练数据和所述预测异常的训练数据添加至指定数据集。

在一种可选的实施方式中，处理模块503利用所述训练数据以及所述训练数据的正确标记结果信息对预设模型进行训练，得到第二预测模型，具体为利用所述指定数据集中各个图像数据以及所述各个图像数据的正确标记结果信息对预设模型进行训练，得到第二预测模型。

在一种可选的实施方式中，处理模块503，还用于在所述利用所述指定数据集中各个图像数据以及所述各个图像数据的正确标记结果信息对预设模型进行训练，得到第二预测模型前，若所述指定数据集包括的图像数据的数量小于第一数量，则采用数据增强的方法增加所述指定数据集包括的图像数据的数量；在所述指定数据集包括的图像数据的数量大于或等于第一数量后，执行所述利用所述指定数据集中各个图像数据以及所述各个图像数据的正确标记结果信息对预设模型进行训练，得到第二预测模型的操作。

在一种可选的实施方式中，处理模块503，还用于在所述利用所述指定数据集中各个图像数据以及所述各个图像数据的正确标记结果信息对预设模型进行训练，得到第二预测模型前，当所述指定数据集包括的目标类别的图像数据的数量小于除目标类别之外的其它类别的图像数据的数量时，采用数据增强的方法增加所述目标类别的图像数据的数量；在所述目标类别的图像数据的数量大于或等于第二数量后，执行所述利用所述指定数据集中各个图像数据以及所述各个图像数据的正确标记结果信息对预设模型进行训练，得到第二预测模型的步骤。

在一种可选的实施方式中，确定模块502，具体用于输出预测结果界面，所述预测结果界面包括所述预测结果集合；获取在所述预测结果界面上选取的第二待预测图像数据的预测结果，将所述第二待预测图像数据确定为预测异常的训练数据。

在一种可选的实施方式中，处理模块503，还用于在训练时间段内，执行利用所述第一待预测图像数据以及对应的正确标记结果信息对预设模型进行训练，得到第二预测模型的操作；或，在非工作时间段内，执行所述利用所述第一待预测图像数据以及对应的正确标记结果信息对预设模型进行训练，得到第二预测模型的操作。

在一种可选的实施方式中，处理模块503，还用于在工作时间段内，中断模型训练过程，并在训练时间段内或在非工作时间段内，继续执行中断的模型训练过程；其中，所述模型训练过程是指所述利用所述训练数据以及所述训练数据的正确标记结果信息对预设模型进行训练，得到第二预测模型的过程。

在一种可选的实施方式中，处理模块503，还用于当在模型训练过程中监测到对图像检测功能的功能调用请求时，中断模型训练过程，根据所述功能调用请求提供相应功能；若监测到对图像检测功能的功能退出请求时，在预设训练时间段内或在非工作时间段内，继续执行中断的模型训练过程。

可见，图5所示的实施例中，图像处理装置可以获取第一预测模型的预测结果集合，并根据该预测结果集合从该至少一个待预测图像数据中确定出预测异常的训练数据，从而利用该训练数据以及该训练数据的正确标记结果信息对预设模型进行训练，得到第二预测模型，进而可以利用该第二预测模型对第一待预测图像数据进行预测，得到对该第一待预测图像数据的预测结果，以提高预测模型的预测精度。

请参阅图6，为本申请实施例提供的一种电子设备的结构示意图。如图6所示的本实施例中的电子设备可以包括：一个或多个处理器601；一个或多个输入设备602，一个或多个输出设备603和存储器604。上述处理器601、输入设备602、输出设备603和存储器604通过总线或其他方式连接。在一个实施例中，输入设备602和输出设备603为可选的设备。存储器604用于存储计算机程序，所述计算机程序包括程序指令，处理器601用于执行所述存储器604存储的程序指令。

在一个实施例中，该处理器601可以是中央处理单元(centralprocessingunit，cpu)，该处理器还可以是其他通用处理器，即微处理器或者任何常规的处理器。该存储器604可以包括只读存储器和随机存取存储器，并向处理器601提供指令和数据。因此，在此对于处理器601和存储器604不作限定。

在本申请实施例中，由处理器601加载并执行计算机存储介质中存放的一条或一条以上指令，以实现上述相应实施例中的方法的相应步骤；具体实现中，计算机存储介质中的至少一条指令由处理器601加载并执行如下步骤：

获取第一预测模型的预测结果集合；所述预测结果集合包括针对至少一个待预测图像数据中每个待预测图像数据的预测结果；

根据所述预测结果集合，从所述至少一个待预测图像数据中确定出预测异常的训练数据；

利用所述训练数据以及所述训练数据的正确标记结果信息对预设模型进行训练，得到第二预测模型；

利用所述第二预测模型对第一待预测图像数据进行预测，得到对所述第一待预测图像数据的预测结果。

可选地，该至少一条指令由处理器601加载还执行如下步骤：

从所述至少一个待预测图像数据中确定出预测正常的目标训练数据；

将所述预测正常的目标训练数据和所述预测异常的训练数据添加至指定数据集；

该至少一条指令由处理器601加载并执行利用所述训练数据以及所述训练数据的正确标记结果信息对预设模型进行训练，得到第二预测模型，具体用于执行如下步骤：

利用所述指定数据集中各个图像数据以及所述各个图像数据的正确标记结果信息对预设模型进行训练，得到第二预测模型。

可选地，在利用所述指定数据集中各个图像数据以及所述各个图像数据的正确标记结果信息对预设模型进行训练，得到第二预测模型前，该至少一条指令由处理器601加载并还执行如下步骤：

若所述指定数据集包括的图像数据的数量小于第一数量，则采用数据增强的方法增加所述指定数据集包括的图像数据的数量；

在所述指定数据集包括的图像数据的数量大于或等于第一数量后，执行所述利用所述指定数据集中各个图像数据以及所述各个图像数据的正确标记结果信息对预设模型进行训练，得到第二预测模型的操作。

可选地，在利用所述指定数据集中各个图像数据以及所述各个图像数据的正确标记结果信息对预设模型进行训练，得到第二预测模型前，该至少一条指令由处理器601加载并还执行如下步骤：

当所述指定数据集包括的目标类别的图像数据的数量小于除目标类别之外的其它类别的图像数据的数量时，采用数据增强的方法增加所述目标类别的图像数据的数量；

在所述目标类别的图像数据的数量大于或等于第二数量后，执行所述利用所述指定数据集中各个图像数据以及所述各个图像数据的正确标记结果信息对预设模型进行训练，得到第二预测模型的操作。

可选地，该至少一条指令由处理器601加载并执行根据所述预测结果集合，从所述至少一个待预测图像数据中确定出预测异常的训练数据，具体用于执行如下步骤：

通过输出设备603输出预测结果界面，所述预测结果界面包括所述预测结果集合；

获取在所述预测结果界面上选取的第二待预测图像数据的预测结果，将所述第二待预测图像数据确定为预测异常的训练数据。

可选地，该至少一条指令由处理器601加载并还执行如下步骤：

在训练时间段内，执行利用所述第一待预测图像数据以及对应的正确标记结果信息对预设模型进行训练，得到第二预测模型的步骤；或，

在非工作时间段内，执行所述利用所述第一待预测图像数据以及对应的正确标记结果信息对预设模型进行训练，得到第二预测模型的步骤。

可选地，该至少一条指令由处理器601加载并还执行如下步骤：

在工作时间段内，中断模型训练过程，并在训练时间段内或在非工作时间段内，继续执行中断的模型训练过程；

其中，所述模型训练过程是指所述利用所述训练数据以及所述训练数据的正确标记结果信息对预设模型进行训练，得到第二预测模型的过程。

可选地，该至少一条指令由处理器601加载并还执行如下步骤：

当在模型训练过程中监测到对图像检测功能的功能调用请求时，中断模型训练过程，根据所述功能调用请求提供相应功能；

若监测到对图像检测功能的功能退出请求时，在预设训练时间段内或在非工作时间段内，继续执行中断的模型训练过程。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。

以上所揭露的仅为本申请的部分实施例而已，当然不能以此来限定本申请之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本申请权利要求所作的等同变化，仍属于本申请所涵盖的范围。