本申请实施例涉及计算机技术领域，尤其涉及用于生成信息的方法和装置。
背景技术：
在产品生产的过程中，难免会由于各种物理或人为因素造成产品的缺陷(例如裂纹、划痕等)，所产生的缺陷对产品质量以及产品安全性等具有重要影响。目前，相关技术人员通常采用人为观察的方式来确定存在缺陷的产品以及所存在的缺陷在产品中的位置。
技术实现要素：
本申请实施例提出了用于生成信息的方法和装置。
第一方面，本申请实施例提供了一种用于生成信息的方法，该方法包括：获取包括目标产品图像的待处理图像，其中，目标产品图像包括产品缺陷图像；对待处理图像进行切分，获得至少两个待处理子图像，其中，待处理子图像包括目标产品子图像；将至少两个待处理子图像分别输入预先训练的卷积神经网络，获得待处理子图像所包括的目标产品子图像中的产品缺陷图像的描述信息，其中，卷积神经网络用于表征图像与图像所包括的产品图像中的产品缺陷图像的描述信息的对应关系。
在一些实施例中，该方法还包括：将待处理图像输入卷积神经网络，获得待处理图像所包括的目标产品图像中的产品缺陷图像的描述信息。
在一些实施例中，卷积神经网络通过如下步骤训练得到：获取多个包括样本产品图像的样本待处理图像，其中，样本产品图像包括样本产品缺陷图像；获取已标定的、多个样本待处理图像中的每个样本待处理图像所包括的样本产品图像中的样本产品缺陷图像的描述信息；利用机器学习方法，将多个样本待处理图像中的每个样本待处理图像作为输入，将已标定的、多个样本待处理图像中的每个样本待处理图像所包括的样本产品图像中的样本产品缺陷图像的描述信息作为输出，训练得到卷积神经网络。
在一些实施例中，获取多个包括样本产品图像的样本待处理图像，包括：获取多个样本产品缺陷图像；对于多个样本产品缺陷图像中的每个样本产品缺陷图像，将该样本产品缺陷图像与预设的、包括待融合样本产品图像的待融合样本待处理图像进行融合，生成包括样本产品图像的样本待处理图像，其中，待融合样本产品图像不包括产品缺陷图像。
在一些实施例中，获取多个样本产品缺陷图像，包括：获取多个原始数据；将多个原始数据分别输入预先训练的缺陷生成模型，获得多个产品缺陷图像，其中，缺陷生成模型用于表征数据与产品缺陷图像的对应关系；将所获得的多个产品缺陷图像确定为多个样本产品缺陷图像。
在一些实施例中，缺陷生成模型通过如下步骤训练得到：获取训练样本，其中，训练样本包括多个样本原始数据和多个待输入产品缺陷图像；提取预先建立的生成式对抗网络，其中，生成式对抗网络包括生成网络和判别网络，生成网络用于利用所输入的数据生成图像，判别网络用于确定所输入的图像是否为生成网络所输出的图像；利用机器学习方法，将多个样本原始数据作为生成网络的输入，将生成网络输出的图像和多个待输入产品缺陷图像作为判别网络的输入，对生成网络和判别网络进行训练，将训练后的生成网络确定为缺陷生成模型。
在一些实施例中，获取多个样本产品缺陷图像，包括：获取多个原始图像；在多个原始图像中的每个原始图像上生成产品缺陷图像，使得所生成的产品缺陷图像满足预设条件；将所生成的多个产品缺陷图像确定为多个样本产品缺陷图像。
第二方面，本申请实施例提供了一种用于生成信息的装置，该装置包括：获取单元，配置用于获取包括目标产品图像的待处理图像，其中，目标产品图像包括产品缺陷图像；切分单元，配置用于对待处理图像进行切分，获得至少两个待处理子图像，其中，待处理子图像包括目标产品子图像；第一生成单元，配置用于将至少两个待处理子图像分别输入预先训练的卷积神经网络，获得待处理子图像所包括的目标产品子图像中的产品缺陷图像的描述信息，其中，卷积神经网络用于表征图像与图像所包括的产品图像中的产品缺陷图像的描述信息的对应关系。
在一些实施例中，该装置还包括：第二生成单元，配置用于将待处理图像输入卷积神经网络，获得待处理图像所包括的目标产品图像中的产品缺陷图像的描述信息。
在一些实施例中，卷积神经网络通过如下步骤训练得到：获取多个包括样本产品图像的样本待处理图像，其中，样本产品图像包括样本产品缺陷图像；获取已标定的、多个样本待处理图像中的每个样本待处理图像所包括的样本产品图像中的样本产品缺陷图像的描述信息；利用机器学习方法，将多个样本待处理图像中的每个样本待处理图像作为输入，将已标定的、多个样本待处理图像中的每个样本待处理图像所包括的样本产品图像中的样本产品缺陷图像的描述信息作为输出，训练得到卷积神经网络。
第三方面，本申请实施例提供了一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述用于生成信息的方法中任一实施例的方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现上述用于生成信息的方法中任一实施例的方法。
本申请实施例提供的用于生成信息的方法和装置，通过获取包括目标产品图像的待处理图像，其中，目标产品图像包括产品缺陷图像；接着对待处理图像进行切分，获得至少两个待处理子图像，其中，待处理子图像包括目标产品子图像；然后将至少两个待处理子图像分别输入预先训练的卷积神经网络，获得待处理子图像所包括的目标产品子图像中的产品缺陷图像的描述信息，从而通过对待处理图像进行切分，获得局部信息更为显著的待处理子图像，并将待处理子图像输入预先训练的卷积神经网络，获得更为可靠的、产品所包括的产品缺陷的描述信息，提高了信息生成的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的用于生成信息的方法的一个实施例的流程图；
图3是本申请的对待处理图像进行切分获得待处理子图像的一个流程的示意图；
图4是根据本申请的用于生成信息的方法的一个应用场景的示意图；
图5是根据本申请的用于生成信息的方法的又一个实施例的流程图；
图6是根据本申请的用于生成信息的装置的一个实施例的结构示意图；
图7是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有摄像头以及各种通讯客户端应用，例如图像处理工具、搜索类应用、即时通信工具、邮箱客户端、美图软件等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种执行主体，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(movingpictureexpertsgroupaudiolayeriii，动态影像专家压缩标准音频层面3)、mp4(movingpictureexpertsgroupaudiolayeriv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的执行主体中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103所发送的待处理图像进行处理的信息处理服务器。信息处理服务器可以对接收到的待处理图像等数据进行分析等处理，并将处理结果(例如用于表征产品缺陷图像的信息)反馈给终端设备。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个设备组成的分布式设备集群，也可以实现成单个设备。当服务器为软件时，可以分别实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法，包括以下步骤：
步骤201，获取包括目标产品图像的待处理图像。
在本实施例中，用于生成信息的方法运行于其上的执行主体(例如图1所示的服务器)可以获取包括目标产品图像的待处理图像，其中，目标产品图像包括产品缺陷图像。在这里，目标产品图像为目标产品的图像。目标产品可以为待确定其所包括的产品缺陷的产品。示例性的，目标产品可以为钢坯制品、玻璃制品、陶瓷制品等。产品缺陷是产品所包括的未能满足消费或使用产品所必须具备的安全要求的缺陷(例如裂纹、划痕等)。具体的，上述执行主体可以获取预先存储于本地的、包括目标产品图像的待处理图像；或者，上述执行主体可以获取终端(例如图1所示的终端设备101、102、103)发送的、包括目标产品图像的待处理图像。在这里，终端可以首先对目标产品进行拍摄，获得包括目标产品图像的待处理图像；进一步地，终端可以将所获得的待处理图像发送给上述执行主体。
步骤202，对待处理图像进行切分，获得至少两个待处理子图像。
在本实施例中，基于步骤201中得到的待处理图像，上述执行主体(例如图1所示的服务器)可以对待处理图像进行切分，获得至少两个待处理子图像，其中，待处理子图像可以包括目标产品子图像。目标产品子图像为目标产品图像的局部图像。需要说明的是，目标产品子图像可以包括产品缺陷图像。
在本实施例中，待处理图像可以为矩形、正方形、圆形等。上述对待处理图像进行切分，获得至少两个待处理子图像具体可以为以各种切分方式对待处理图像进行切分，获得至少两个待处理子图像，其中，待处理子图像可以包括目标产品子图像。示例性的，待处理图像为矩形，可以以待处理图像各个边的中点为基准对待处理图像进行切分，获得四个形状大小相同的待处理子图像；或者，待处理图像为矩形，可以以待处理图像的各个边的四分之一的位置、二分之一的位置以及四分之三的位置为基准对待处理图像进行切分，获得十六个形状大小相同的待处理子图像。需要说明的是，待处理图像的切分方式可以由技术人员预先确定并存储于上述执行主体中。
示例性的，如图3所示，为本申请的对待处理图像进行切分获得待处理子图像的一个流程的示意图。图中，301为待处理图像，3011为目标产品(例如钢坯制品)图像，30111为产品缺陷(例如裂纹)图像，3012、3013、3014、3015为切分得到的四个待处理子图像。可以看出，在这里，待处理图像301的切分方式为以待处理图像301各个边的中点为基准对待处理图像301进行切分。
可选的，上述执行主体可以对待处理图像进行有重叠的切分，获得至少两个待处理子图像。示例性的，待处理图像为矩形，上述执行主体可以首先确定待处理图像所包括的、用于确定切分基准的基准边，进而以基准边的五分之三的位置为基准对待处理图像进行切分，得到两个图像，并将所得到的两个图像中面积较大的图像确定为待处理子图像；然后，对于上述待处理图像，上述执行主体可以进一步以上述基准边的五分之二的位置为基准对待处理图像进行切分，得到两个图像，并将所得到的两个图像中面积较大的图像确定为待处理子图像。由此，上述执行主体对待处理图像进行有重叠的切分，获得了具有重叠区域的两个待处理子图像。
步骤203，将至少两个待处理子图像分别输入预先训练的卷积神经网络，获得待处理子图像所包括的目标产品子图像中的产品缺陷图像的描述信息。
在本实施例中，基于步骤202所获得的待处理子图像，上述执行主体可以将至少两个待处理子图像分别输入预先训练的卷积神经网络，获得待处理子图像所包括的目标产品子图像中的产品缺陷图像的描述信息。其中，待处理子图像所包括的目标产品子图像中的产品缺陷图像的描述信息可以包括但不限于以下至少一项：文字、数字、符号。具体的，待处理子图像所包括的目标产品子图像中的产品缺陷图像的描述信息可以为用于表征目标产品子图像是否包括产品缺陷图像的信息(例如“o”；“x”，其中，符号“o”可以用于表征包括，符号“x”可以用于表征不包括)，或者为用于表征产品缺陷图像在目标产品子图像中的位置的信息(例如产品缺陷图像所包括的像素点在目标产品子图像中的坐标)，或者为用于表征产品缺陷图像所指示的产品缺陷的类别的信息(例如“裂纹”；“划痕”)。需要说明的是，在这里，输入上述卷积神经网络的待处理子图像为至少两个，相应的，所获得的待处理子图像所包括的目标产品子图像中的产品缺陷图像的描述信息为至少两个。
在本实施例中，卷积神经网络可以用于表征图像与图像所包括的产品图像中的产品缺陷图像的描述信息的对应关系。上述卷积神经网络可以包括卷积层、区域提取网络和分类器，其中，卷积层可以用于提取图像特征，区域提取网络可以用于根据卷积层所提取的图像特征生成疑似缺陷区域，分类器可以用于根据卷积层所生成的图像特征对区域提取网络所生成的各个疑似缺陷区域进行精确分析，并生成图像所包括的产品图像中的产品缺陷图像的描述信息。需要说明的是，上述执行主体可以利用各种方式(例如有监督训练、无监督训练等方式)训练得到上述卷积神经网络。
在本实施例的一些可选的实现方式中，上述卷积神经网络可以通过如下步骤训练得到：
首先，获取多个包括样本产品图像的样本待处理图像，其中，样本产品图像可以包括样本产品缺陷图像。
然后，获取已标定的、多个样本待处理图像中的每个样本待处理图像所包括的样本产品图像中的样本产品缺陷图像的描述信息(例如位置信息、类别信息等)。
最后，利用机器学习方法，将多个样本待处理图像中的每个样本待处理图像作为输入，将已标定的、多个样本待处理图像中的每个样本待处理图像所包括的样本产品图像中的样本产品缺陷图像的描述信息作为输出，训练得到卷积神经网络。
在本实施例的一些可选的实现方式中，可以通过如下步骤获取多个包括样本产品图像的样本待处理图像：
首先，可以获取多个样本产品缺陷图像。
然后，对于所获取的多个样本产品缺陷图像中的每个样本产品缺陷图像，可以将该样本产品缺陷图像与预设的、包括待融合样本产品图像的待融合样本待处理图像进行融合，生成包括样本产品图像的样本待处理图像，其中，待融合样本产品图像不包括产品缺陷图像。需要说明的是，图像融合是目前广泛应用和研究的公知技术，在此不再赘述。
在本实施例的一些可选的实现方式中，可以通过如下步骤获取多个样本产品缺陷图像：
步骤2031，获取多个原始数据。
其中，多个原始数据可以为预先确定的用于输入模型并生成图像的数据，例如用于表征产品缺陷图像的图像特征的特征向量、随机噪声等。
步骤2032，将多个原始数据分别输入预先训练的缺陷生成模型，获得多个产品缺陷图像。
其中，缺陷生成模型可以用于表征数据与产品缺陷图像的对应关系。具体的，作为示例，缺陷生成模型可以为技术人员基于对大量的数据和产品缺陷图像的统计而预先制定的、存储有多个数据与产品缺陷图像的对应关系的对应关系表；也可以是预先利用机器学习方法，基于训练样本对用于生成产品缺陷图像的模型(例如卷积神经网络)进行训练后所得到的模型。
在本实施例的一些可选的实现方式中，上述缺陷生成模型可以通过如下步骤训练得到：
首先，获取训练样本。其中，训练样本可以包括多个样本原始数据和多个待输入产品缺陷图像。样本原始数据可以为预先确定的用于训练缺陷生成模型的数据。待输入产品缺陷图像可以为预先存储于上述执行主体中的图像，或者为终端(例如图1所示的终端设备101、102、103)发送的图像。
然后，提取预先建立的生成式对抗网络(generativeadversarialnets，gan)。例如，上述生成式对抗网络可以是深度卷积生成对抗网络(deepconvolutionalgenerativeadversarialnetwork，dcgan)。
其中，生成式对抗网络可以包括生成网络和判别网络，上述生成网络可以用于利用所输入的数据生成图像，上述判别网络可以用于确定所输入的图像是否为上述生成网络所输出的图像。需要说明的是，上述生成网络可以是用于生成图像的各种分类器；上述判别网络可以是卷积神经网络(例如包含全连接层的各种卷积神经网络结构，其中，全连接层可以实现分类功能)。此外，上述判别网络也可以是用于实现分类功能的其他模型结构，例如支持向量机(supportvectormachine，svm)。需要说明的是，上述生成网络所输出的图像可以用rgb三通道的矩阵进行表达。此处，判别网络若判定输入的图像是上述生成网络所输出的图像(来自生成数据)，则可以输出1；若判定输入的图像不是上述生成网络所输出的图像(来自真实数据，即上述待输入产品缺陷图像)，则可以输出0。需要说明的是，判别网络也可以预先设定为输出其他数值、文字或符号，不限于上述1和0。
最后，利用机器学习方法，将多个样本原始数据作为生成网络的输入，将生成网络输出的图像和多个待输入产品缺陷图像作为判别网络的输入，对生成网络和判别网络进行训练，将训练后的生成网络确定为缺陷生成模型。
具体地，可以首先固定生成网络和判别网络中的任一网络(可称为第一网络)的参数，对未固定参数的网络(可称为第二网络)进行优化；再固定第二网络的参数，对第一网络进行改进。不断进行上述迭代，使判别网络无法区分输入的图像是否是生成网络所生成的，直至最终收敛。此时，上述生成网络所生成的图像与待输入产品缺陷图像接近，上述判别网络无法准确区分真实数据和生成数据(即准确率为50％)，进而可以将此时的生成网络确定为缺陷生成模型。
步骤2033，将所获得的多个产品缺陷图像确定为多个样本产品缺陷图像。
在本实施例的一些可选的实现方式中，可以通过如下步骤获取多个样本产品缺陷图像：
首先，可以获取多个原始图像，其中，原始图像可以为用于生成样本产品缺陷图像的任意图像。
然后，可以在上述多个原始图像中的每个原始图像上生成产品缺陷图像，使得所生成的产品缺陷图像满足预设条件。
其中，预设条件可以为技术人员基于对大量产品缺陷图像的统计而预先建立的用于生成产品缺陷图像的条件。作为示例，预设条件可以包括但不限于以下至少一项：产品缺陷图像所包括的像素存在像素差；产品缺陷图像所包括的像素的颜色值存在随机波动；产品缺陷图像所包括的像素连续不间断；产品缺陷图像所包括的像素在原始图像中的位置存在随机波动。
最后，可以将所生成的多个产品缺陷图像确定为多个样本产品缺陷图像。
继续参见图4，图4是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图4的应用场景中，服务器401可以首先获取终端设备402发送的包括目标产品图像(钢坯制品图像)的待处理图像403，其中，目标产品图像(钢坯制品图像)可以包括产品缺陷图像(裂纹图像)；然后服务器401可以对待处理图像403进行切分，获得两个待处理子图像4031和4032，其中，待处理子图像4031、4032可以包括目标产品子图像；最后服务器401可以将待处理子图像4031、4032分别输入预先训练的卷积神经网络，获得待处理子图像所包括的目标产品子图像中的产品缺陷图像的描述信息4041、4042，其中，卷积神经网络可以用于表征图像与图像所包括的产品图像中的产品缺陷图像的描述信息的对应关系。
本申请的上述实施例提供的方法通过获取包括目标产品图像的待处理图像，其中，目标产品图像包括产品缺陷图像；接着对待处理图像进行切分，获得至少两个待处理子图像，其中，待处理子图像包括目标产品子图像；然后将至少两个待处理子图像分别输入预先训练的卷积神经网络，获得待处理子图像所包括的目标产品子图像中的产品缺陷图像的描述信息，从而通过对待处理图像进行切分，获得局部信息更为显著的待处理子图像，并将待处理子图像输入预先训练的卷积神经网络，获得更为可靠的、产品所包括的产品缺陷的描述信息，提高了信息生成的准确性。
进一步参考图5，其示出了用于生成信息的方法的又一个实施例的流程500。该用于生成信息的方法的流程500，包括以下步骤：
步骤501，获取包括目标产品图像的待处理图像。
在本实施例中，用于生成信息的方法运行于其上的执行主体(例如图1所示的服务器)可以获取包括目标产品图像的待处理图像，其中，目标产品图像包括产品缺陷图像。在这里，目标产品图像为目标产品的图像。目标产品可以为待确定其所包括的产品缺陷的产品。示例性的，目标产品可以为钢坯制品、玻璃制品、陶瓷制品等。产品缺陷是产品所包括的未能满足消费或使用产品所必须具备的安全要求的缺陷(例如裂纹、划痕等)。具体的，上述执行主体可以获取预先存储于本地的、包括目标产品图像的待处理图像；或者，上述执行主体可以获取终端(例如图1所示的终端设备101、102、103)发送的、包括目标产品图像的待处理图像。在这里，终端可以首先对目标产品进行拍摄，获得包括目标产品图像的待处理图像；进一步地，终端可以将所获得的待处理图像发送给上述执行主体。
步骤502，对待处理图像进行切分，获得至少两个待处理子图像。
在本实施例中，基于步骤501中得到的待处理图像，上述执行主体(例如图1所示的服务器)可以对待处理图像进行切分，获得至少两个待处理子图像，其中，待处理子图像可以包括目标产品子图像。需要说明的是，目标产品子图像可以包括产品缺陷图像。
在本实施例中，待处理图像可以为矩形、正方形、圆形等。上述对待处理图像进行切分，获得至少两个待处理子图像具体可以为以各种切分方式对待处理图像进行切分，获得至少两个待处理子图像。
步骤503，将至少两个待处理子图像分别输入预先训练的卷积神经网络，获得待处理子图像所包括的目标产品子图像中的产品缺陷图像的描述信息。
在本实施例中，基于步骤502所获得的待处理子图像，上述执行主体可以将至少两个待处理子图像分别输入预先训练的卷积神经网络，获得待处理子图像所包括的目标产品子图像中的产品缺陷图像的描述信息。其中，待处理子图像所包括的目标产品子图像中的产品缺陷图像的描述信息可以包括但不限于以下至少一项：文字、数字、符号。具体的，待处理子图像所包括的目标产品子图像中的产品缺陷图像的描述信息可以为用于表征目标产品子图像是否包括产品缺陷图像的信息(例如“o”；“x”，其中，符号“o”可以用于表征包括，符号“x”可以用于表征不包括)，或者为用于表征产品缺陷图像在目标产品子图像中的位置的信息(例如产品缺陷图像所包括的像素点在目标产品子图像中的坐标)，或者为用于表征产品缺陷图像所指示的产品缺陷的类别的信息(例如“裂纹”；“划痕”)。需要说明的是，在这里，输入上述卷积神经网络的待处理子图像为至少两个，相应的，所获得的待处理子图像所包括的目标产品子图像中的产品缺陷图像的描述信息为至少两个。
在本实施例中，卷积神经网络可以用于表征图像与图像所包括的产品图像中的产品缺陷图像的描述信息的对应关系。上述卷积神经网络可以包括卷积层、区域提取网络和分类器，其中，卷积层可以用于提取图像特征，区域提取网络可以用于根据卷积层所提取的图像特征生成疑似缺陷区域，分类器可以用于根据卷积层所生成的图像特征对区域提取网络所生成的各个疑似缺陷区域进行精确分析，并生成、图像所包括的产品图像中的产品缺陷图像的描述信息。需要说明的是，上述执行主体可以利用各种方式(例如有监督训练、无监督训练等方式)训练得到上述卷积神经网络。
步骤504，将待处理图像输入卷积神经网络，获得待处理图像所包括的目标产品图像中的产品缺陷图像的描述信息。
在本实施例中，用于生成信息的方法运行于其上的执行主体可以将待处理图像输入上述卷积神经网络，获得待处理图像所包括的目标产品图像中的产品缺陷图像的描述信息。
在这里，待处理图像所包括的目标产品图像中的产品缺陷图像的描述信息可以包括但不限于以下至少一项：文字、数字、符号。具体的，待处理图像所包括的目标产品图像中的产品缺陷图像的描述信息可以为用于表征目标产品图像是否包括产品缺陷图像的信息(例如“o”；“x”，其中，符号“o”可以用于表征包括，符号“x”可以用于表征不包括)，或者为用于表征产品缺陷图像在目标产品图像中的位置的信息(例如产品缺陷图像所包括的像素点在目标产品图像中的坐标)，或者为用于表征产品缺陷图像所指示的产品缺陷的类别的信息(例如“裂纹”；“划痕”)。
从图5中可以看出，与图2对应的实施例相比，本实施例中的用于生成信息的方法的流程500突出了将待处理图像输入卷积神经网络的步骤。由此，本实施例描述的方案可以引入更多用于分析产品缺陷图像的相关数据，从而实现了更全面的信息生成。
进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种用于生成信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种执行主体中。
如图6所示，本实施例的用于生成信息的装置600包括：获取单元601、切分单元602和第一生成单元603。其中，获取单元601配置用于获取包括目标产品图像的待处理图像，其中，目标产品图像包括产品缺陷图像；切分单元602配置用于对待处理图像进行切分，获得至少两个待处理子图像，其中，待处理子图像包括目标产品子图像；第一生成单元603配置用于将至少两个待处理子图像分别输入预先训练的卷积神经网络，获得待处理子图像所包括的目标产品子图像中的产品缺陷图像的描述信息，其中，卷积神经网络用于表征图像与图像所包括的产品图像中的产品缺陷图像的描述信息的对应关系。
在本实施例中，获取单元601可以获取包括目标产品图像的待处理图像，其中，目标产品图像包括产品缺陷图像。在这里，目标产品图像为目标产品的图像。目标产品可以为待确定其所包括的产品缺陷的产品。产品缺陷是产品所包括的未能满足消费或使用产品所必须具备的安全要求的缺陷(例如裂纹、划痕等)。具体的，获取单元601可以获取预先存储于本地的、包括目标产品图像的待处理图像；或者，获取单元601可以获取终端(例如图1所示的终端设备101、102、103)发送的、包括目标产品图像的待处理图像。在这里，终端可以首先对目标产品进行拍摄，获得包括目标产品图像的待处理图像；进一步地，终端可以将所获得的待处理图像发送给获取单元601。
在本实施例中，基于获取单元601得到的待处理图像，切分单元602可以对待处理图像进行切分，获得至少两个待处理子图像，其中，待处理子图像可以包括目标产品子图像。目标产品子图像可以为目标产品图像的局部图像。需要说明的是，目标产品子图像可以包括产品缺陷图像。
在本实施例中，待处理图像可以为矩形、正方形、圆形等。上述对待处理图像进行切分，获得至少两个待处理子图像具体可以为以各种切分方式对待处理图像进行切分，获得至少两个待处理子图像。
在本实施例中，基于切分单元602所获得的待处理子图像，第一生成单元603可以将至少两个待处理子图像分别输入预先训练的卷积神经网络，获得待处理子图像所包括的目标产品子图像中的产品缺陷图像的描述信息。其中，待处理子图像所包括的目标产品子图像中的产品缺陷图像的描述信息可以包括但不限于以下至少一项：文字、数字、符号。具体的，待处理子图像所包括的目标产品子图像中的产品缺陷图像的描述信息可以为用于表征目标产品子图像是否包括产品缺陷图像的信息，或者为用于表征产品缺陷图像在目标产品子图像中的位置的信息，或者为用于表征产品缺陷图像所指示的产品缺陷的类别的信息。需要说明的是，在这里，输入上述卷积神经网络的待处理子图像为至少两个，相应的，所获得的待处理子图像所包括的目标产品子图像中的产品缺陷图像的描述信息为至少两个。
在本实施例中，卷积神经网络可以用于表征图像与图像所包括的产品图像中的产品缺陷图像的描述信息的对应关系。上述卷积神经网络可以包括卷积层、区域提取网络和分类器，其中，卷积层可以用于提取图像特征，区域提取网络可以用于根据卷积层所提取的图像特征生成疑似缺陷区域，分类器可以用于根据卷积层所生成的图像特征对区域提取网络所生成的各个疑似缺陷区域进行精确分析，并生成图像所包括的产品图像中的产品缺陷图像的描述信息。
在本实施例的一些可选的实现方式中，用于生成信息的装置600还可以包括：第二生成单元(图中未示出)，配置用于将待处理图像输入卷积神经网络，获得待处理图像所包括的目标产品图像中的产品缺陷图像的描述信息。
在本实施例的一些可选的实现方式中，卷积神经网络可以通过如下步骤训练得到：获取多个包括样本产品图像的样本待处理图像，其中，样本产品图像包括样本产品缺陷图像；获取已标定的、多个样本待处理图像中的每个样本待处理图像所包括的样本产品图像中的样本产品缺陷图像的描述信息；利用机器学习方法，将多个样本待处理图像中的每个样本待处理图像作为输入，将已标定的、多个样本待处理图像中的每个样本待处理图像所包括的样本产品图像中的样本产品缺陷图像的描述信息作为输出，训练得到卷积神经网络。
在本实施例的一些可选的实现方式中，获取多个包括样本产品图像的样本待处理图像，包括：获取多个样本产品缺陷图像；对于多个样本产品缺陷图像中的每个样本产品缺陷图像，将该样本产品缺陷图像与预设的、包括待融合样本产品图像的待融合样本待处理图像进行融合，生成包括样本产品图像的样本待处理图像，其中，待融合样本产品图像不包括产品缺陷图像。
在本实施例的一些可选的实现方式中，获取多个样本产品缺陷图像，包括：获取多个原始数据；将多个原始数据分别输入预先训练的缺陷生成模型，获得多个产品缺陷图像，其中，缺陷生成模型可以用于表征数据与产品缺陷图像的对应关系；将所获得的多个产品缺陷图像确定为多个样本产品缺陷图像。
在本实施例的一些可选的实现方式中，缺陷生成模型可以通过如下步骤训练得到：获取训练样本，其中，训练样本包括多个样本原始数据和多个待输入产品缺陷图像；提取预先建立的生成式对抗网络，其中，生成式对抗网络可以包括生成网络和判别网络，生成网络可以用于利用所输入的数据生成图像，判别网络可以用于确定所输入的图像是否为生成网络所输出的图像；利用机器学习方法，将多个样本原始数据作为生成网络的输入，将生成网络输出的图像和多个待输入产品缺陷图像作为判别网络的输入，对生成网络和判别网络进行训练，将训练后的生成网络确定为缺陷生成模型。
在本实施例的一些可选的实现方式中，获取多个样本产品缺陷图像，包括：获取多个原始图像；在多个原始图像中的每个原始图像上生成产品缺陷图像，使得所生成的产品缺陷图像满足预设条件；将所生成的多个产品缺陷图像确定为多个样本产品缺陷图像。
本申请的上述实施例提供的装置600通过获取单元601获取包括目标产品图像的待处理图像，其中，目标产品图像包括产品缺陷图像；接着切分单元602对待处理图像进行切分，获得至少两个待处理子图像，其中，待处理子图像包括目标产品子图像；然后第一生成单元603将至少两个待处理子图像分别输入预先训练的卷积神经网络，获得待处理子图像所包括的目标产品子图像中的产品缺陷图像的描述信息，从而通过对待处理图像进行切分，获得局部信息更为显著的待处理子图像，并将待处理子图像输入预先训练的卷积神经网络，获得更为可靠的、用于表征产品所包括的产品缺陷的信息，提高了信息生成的准确性。
如图7所示，计算机系统700包括中央处理单元(cpu)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有系统700操作所需的各种程序和数据。cpu701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(cpu)701执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、切分单元和第一生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待处理图像的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取包括目标产品图像的待处理图像，其中，目标产品图像包括产品缺陷图像；对待处理图像进行切分，获得至少两个待处理子图像，其中，待处理子图像包括目标产品子图像；将至少两个待处理子图像分别输入预先训练的卷积神经网络，获得用于表征待处理子图像所包括的目标产品子图像中的产品缺陷图像的信息，其中，卷积神经网络用于表征图像与用于表征图像所包括的产品图像中的产品缺陷图像的信息的对应关系。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。