物体异常位置检测方法、装置、电子设备及存储介质与流程

1.本技术涉及计算机视觉技术领域，具体涉及一种物体异常位置检测方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.随着计算机视觉技术的飞速发展，计算机视觉技术已经广泛应用于安防监控、医疗健康、工业等众多领域。其中，物体的异常位置检测，比如工业上pcb板的缺陷检测，通常是对样本的异常位置进行标注后，对目标检测模型，比如基于faster-rcnn系列和yolo系列的模型进行训练，再采用训练后的目标检测模型来实现目标检测任务。
3.但是，现有的目标检测模型，例如基于faster-rcnn系列和yolo系列的目标检测模型泛化能力差；并且，由于需要依赖大量的标注样本才能训练出效果较好的检测模型，因此训练过程中需要对样本的异常位置进行标注，而大量的样本异常位置标注需要较大的时间成本。


技术实现要素：

4.本技术提供一种物体异常位置检测方法、装置、电子设备及计算机可读存储介质，旨在解决现有用于异常位置检测的目标检测模型泛化能力差、训练时间成本高的问题。
5.第一方面，本技术提供一种物体异常位置检测方法，所述方法包括：
6.获取目标物体的原始图像；
7.调用预设的目标生成器根据所述原始图像生成所述目标物体的复原图像；
8.根据所述复原图像和所述原始图像，确定所述原始图像的异常信息，所述异常信息用于指示所述目标物体的异常位置。
9.在本技术一种可能的实现方式中，所述目标生成器基于预设的生成式对抗网络训练得到，所述生成式对抗网络包括生成器和判别器，所述目标生成器通过如下步骤训练得到：
10.获取训练数据集，所述训练数据集包括至少第一训练样本和第二训练样本；
11.使用所述第一训练样本对所述生成器的网络参数进行调整，直至符合预设的第一停止训练条件时，将所述生成器作为预训练生成器，所述第一训练样本包括多个样本物体的有缺陷真实图像；
12.使用所述第二训练样本对所述预训练生成器的网络参数和所述判别器的网络参数进行调整，直至符合预设的第二停止训练条件时，将所述预训练生成器作为所述目标生成器，其中，所述第二训练样本包括多个样本物体的有缺陷真实图像。
13.在本技术一种可能的实现方式中，在使用第一训练样本对所述生成器的网络参数进行调整过程中，所述生成式对抗网络的训练损失为所述生成器的第一生成损失；在使用第二训练样本对所述预训练生成器的网络参数和所述判别器的网络参数进行调整过程中，所述生成式对抗网络的训练损失包括所述生成器的第二生成损失和所述判别器的对抗损
失；
14.所述使用第一训练样本对所述生成器的网络参数进行调整，直至符合预设的第一停止训练条件时，将所述生成器作为预训练生成器，包括：
15.根据所述生成器基于所述第一训练样本中的有缺陷真实图像生成的预测修复图像，确定所述第一生成损失；
16.根据所述第一生成损失对所述生成器的网络参数进行调整，直至符合预设的第一停止训练条件时，将所述生成器作为预训练生成器；
17.所述使用第二训练样本对所述预训练生成器的网络参数和所述判别器的网络参数进行调整，直至符合预设的第二停止训练条件时，将所述预训练生成器作为所述目标生成器，包括：
18.根据所述预训练生成器基于所述第二训练样本中的有缺陷真实图像生成的预测修复图像，确定所述第二生成损失和所述对抗损失；
19.根据所述第二生成损失和所述对抗损失，对所述预训练生成器的网络参数和所述判别器的网络参数进行调整，直至符合预设的第二停止训练条件时，将所述预训练生成器作为所述目标生成器。
20.在本技术一种可能的实现方式中，所述第一训练样本包括至少一对样本图像，每对所述样本图像包括样本物体的有缺陷真实图像和无缺陷真实图像，所述无缺陷真实图像作为所述有缺陷真实图像的标签，所述根据所述生成器基于所述第一训练样本中的有缺陷真实图像生成的预测修复图像，确定所述第一生成损失，包括：
21.调用所述生成器根据所述有缺陷真实图像生成其对应的预测修复图像；
22.根据所述预测修复图像、所述无缺陷真实图像和预设的第一损失函数，确定所述第一生成损失。
23.在本技术一种可能的实现方式中，所述第二训练样本包括至少一对样本图像，每对所述样本图像包括样本物体的有缺陷真实图像和无缺陷真实图像，所述无缺陷真实图像作为所述有缺陷真实图像的标签，所述根据所述预训练生成器基于所述第二训练样本中的有缺陷真实图像生成的预测修复图像，确定所述第二生成损失和所述对抗损失，包括：
24.调用所述预训练生成器根据所述有缺陷真实图像生成其对应的预测修复图像；
25.调用所述判别器确定所述预测修复图像的判别结果，所述判别结果用于指示所述预测修复图像是否为真实图像；
26.根据所述预测修复图像、所述无缺陷真实图像和预设的第二损失函数，确定所述第二生成损失；
27.根据所述判别结果和预设的第三损失函数，确定所述对抗损失。
28.在本技术一种可能的实现方式中，所述生成式对抗网络的生成器为unet网络，所述生成式对抗网络的判别器为卷积神经网络结构。
29.在本技术一种可能的实现方式中，所述目标物体是目标pcb板，所述原始图像是所述目标pcb板的缺陷图像，所述调用预设的目标生成器根据所述原始图像生成所述目标物体的复原图像，包括：
30.调用所述目标生成器根据所述缺陷图像生成所述目标pcb板的复原图像；
31.所述根据所述复原图像和所述原始图像，确定所述原始图像的异常信息，包括：
32.根据所述复原图像和所述缺陷图像，确定所述缺陷图像的异常信息，所述异常信息用于指示所述目标pcb的异常位置。
33.在本技术一种可能的实现方式中，所述根据所述复原图像和所述原始图像，确定所述原始图像的异常信息，包括：
34.根据所述复原图像和所述原始图像，确定所述目标物体的异常位置；
35.根据所述异常位置，确定所述原始图像的异常信息，所述异常信息包括以下至少一种信息：所述异常位置的坐标信息、所述异常位置的区域指示框和所述异常位置的区域图像。
36.在本技术一种可能的实现方式中，所述根据所述复原图像和所述原始图像，确定所述目标物体的异常位置，包括：
37.对比所述复原图像和所述原始图像，得到所述原始图像的差异像素点；
38.将所述差异像素点的所在位置作为所述目标物体的异常位置。
39.第二方面，本技术提供一种物体异常位置检测装置，所述物体异常位置检测装置包括：
40.获取单元，用于获取目标物体的原始图像；
41.生成单元，用于调用预设的目标生成器根据所述原始图像生成所述目标物体的复原图像；
42.确定单元，用于根据所述复原图像和所述原始图像，确定所述原始图像的异常信息，所述异常信息用于指示所述目标物体的异常位置。
43.在本技术一种可能的实现方式中，所述目标生成器基于预设的生成式对抗网络训练得到，所述生成式对抗网络包括生成器和判别器，所述物体异常位置检测装置还包括训练单元，所述训练单元具体用于：
44.获取训练数据集，所述训练数据集包括至少第一训练样本和第二训练样本；
45.使用所述第一训练样本对所述生成器的网络参数进行调整，直至符合预设的第一停止训练条件时，将所述生成器作为预训练生成器，所述第一训练样本包括多个样本物体的有缺陷真实图像；
46.使用所述第二训练样本对所述预训练生成器的网络参数和所述判别器的网络参数进行调整，直至符合预设的第二停止训练条件时，将所述预训练生成器作为所述目标生成器，其中，所述第二训练样本包括多个样本物体的有缺陷真实图像。
47.在本技术一种可能的实现方式中，在使用第一训练样本对所述生成器的网络参数进行调整过程中，所述生成式对抗网络的训练损失为所述生成器的第一生成损失；在使用第二训练样本对所述预训练生成器的网络参数和所述判别器的网络参数进行调整过程中，所述生成式对抗网络的训练损失包括所述生成器的第二生成损失和所述判别器的对抗损失，所述训练单元具体用于：
48.根据所述生成器基于所述第一训练样本中的有缺陷真实图像生成的预测修复图像，确定所述第一生成损失；
49.根据所述第一生成损失对所述生成器的网络参数进行调整，直至符合预设的第一停止训练条件时，将所述生成器作为预训练生成器；
50.根据所述预训练生成器基于所述第二训练样本中的有缺陷真实图像生成的预测
修复图像，确定所述第二生成损失和所述对抗损失；
51.根据所述第二生成损失和所述对抗损失，对所述预训练生成器的网络参数和所述判别器的网络参数进行调整，直至符合预设的第二停止训练条件时，将所述预训练生成器作为所述目标生成器。
52.在本技术一种可能的实现方式中，所述第一训练样本包括至少一对样本图像，每对所述样本图像包括样本物体的有缺陷真实图像和无缺陷真实图像，所述无缺陷真实图像作为所述有缺陷真实图像的标签，所述训练单元具体用于：
53.调用所述生成器根据所述有缺陷真实图像生成其对应的预测修复图像；
54.根据所述预测修复图像、所述无缺陷真实图像和预设的第一损失函数，确定所述第一生成损失。
55.在本技术一种可能的实现方式中，所述第二训练样本包括至少一对样本图像，每对所述样本图像包括样本物体的有缺陷真实图像和无缺陷真实图像，所述无缺陷真实图像作为所述有缺陷真实图像的标签，所述训练单元具体用于：
56.调用所述预训练生成器根据所述有缺陷真实图像生成其对应的预测修复图像；
57.调用所述判别器确定所述预测修复图像的判别结果，所述判别结果用于指示所述预测修复图像是否为真实图像；
58.根据所述预测修复图像、所述无缺陷真实图像和预设的第二损失函数，确定所述第二生成损失；
59.根据所述判别结果和预设的第三损失函数，确定所述对抗损失。
60.在本技术一种可能的实现方式中，所述生成式对抗网络的生成器为unet网络，所述生成式对抗网络的判别器为卷积神经网络结构。
61.在本技术一种可能的实现方式中，所述目标物体是目标pcb板，所述原始图像是所述目标pcb板的缺陷图像，所述生成单元具体用于：
62.调用所述目标生成器根据所述缺陷图像生成所述目标pcb板的复原图像；
63.在本技术一种可能的实现方式中，所述确定单元具体用于：
64.根据所述复原图像和所述缺陷图像，确定所述缺陷图像的异常信息，所述异常信息用于指示所述目标pcb的异常位置。
65.在本技术一种可能的实现方式中，所述确定单元具体用于：
66.根据所述复原图像和所述原始图像，确定所述目标物体的异常位置；
67.根据所述异常位置，确定所述原始图像的异常信息，所述异常信息包括以下至少一种信息：所述异常位置的坐标信息、所述异常位置的区域指示框和所述异常位置的区域图像。
68.在本技术一种可能的实现方式中，所述确定单元具体用于：
69.对比所述复原图像和所述原始图像，得到所述原始图像的差异像素点；
70.将所述差异像素点的所在位置作为所述目标物体的异常位置。
71.第三方面，本技术还提供一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行本技术提供的任一种物体异常位置检测方法中的步骤。
72.第四方面，本技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述
计算机程序被处理器进行加载，以执行所述的物体异常位置检测方法中的步骤。
73.本技术通过调用预设的目标生成器将目标物体的原始图像进行修复，生成对目标物体所存在破损、残缺等异常情况进行修复后的复原图像；再通过原始图像与复原图像，确定用于指示目标物体的异常位置的异常信息；一方面，由于无需依赖于大量已标注异常位置的样本训练的目标检测模型进行物体异常位置的检测，避免了用于异常位置检测的目标检测模型泛化能力差的问题。另一方面，由于无需针对样本异常位置对目标生成器进行训练，也无需对样本异常位置进行标注，减少了对样本异常位置标注的时间，降低了训练时间成本。
附图说明
74.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。
75.图1是本技术实施例所提供的物体异常位置检测系统的场景示意图；
76.图2是本技术实施例提供的物体异常位置检测方法的一种流程示意图；
77.图3是本技术实施例中提供的生成式对抗网络的训练过程的说明示意图；
78.图4是本技术实施例中提供的步骤203的一个实施例流程示意图；
79.图5是本技术实施例的pcb板缺陷检测过程的说明示意图；
80.图6是本技术实施例中提供的物体异常位置检测装置的一个实施例结构示意图；
81.图7是本技术实施例中提供的电子设备的一个实施例结构示意图。
具体实施方式
82.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
83.在本技术实施例的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本技术实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
84.为了使本领域任何技术人员能够实现和使用本技术，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本技术。在其它实例中，不会对公知的过程进行详细阐述，以避免不必要的细节使本技术实施例的描述变得晦涩。因此，本技术并非旨在限于所示的实施例，而是与符合本技术实施例所公开的原理和特征的最广范围相一致。
85.本技术实施例物体异常位置检测方法的执行主体可以为本技术实施例提供的物体异常位置检测装置，或者集成了该物体异常位置检测装置的服务器设备、物理主机或者用户设备(user equipment，ue)等不同类型的电子设备，其中，物体异常位置检测装置可以
采用硬件或者软件的方式实现，ue具体可以为智能手机、平板电脑、笔记本电脑、掌上电脑、台式电脑或者个人数字助理(personal digital assistant，pda)等终端设备。
86.该电子设备可以采用单独运行的工作方式，或者也可以采用设备集群的工作方式，通过应用本技术实施例提供的物体异常位置检测方法，一方面，由于无需依赖于大量已标注异常位置的样本训练的目标检测模型进行物体异常位置的检测，避免了用于异常位置检测的目标检测模型泛化能力差的问题。另一方面，由于无需对样本异常位置进行标注，减少了对样本异常位置标注的时间，降低了训练时间成本。
87.参见图1，图1是本技术实施例所提供的物体异常位置检测系统的场景示意图。其中，该物体异常位置检测系统可以包括电子设备100，电子设备100中集成有物体异常位置检测装置。例如，该电子设备可以获取目标物体的原始图像；调用预设的目标生成器根据所述原始图像生成所述目标物体的复原图像；根据所述复原图像和所述原始图像，确定所述原始图像的异常信息，所述异常信息用于指示所述目标物体的异常位置。
88.另外，如图1所示，该物体异常位置检测系统还可以包括存储器200，用于存储数据，如存储图像数据。
89.需要说明的是，图1所示的物体异常位置检测系统的场景示意图仅仅是一个示例，本技术实施例描述的物体异常位置检测系统以及场景是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域普通技术人员可知，随着物体异常位置检测系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
90.下面，开始介绍本技术实施例提供的物体异常位置检测方法，本技术实施例中以电子设备作为执行主体，为了简化与便于描述，后续方法实施例中将省略该执行主体，该物体异常位置检测方法包括：获取目标物体的原始图像；调用预设的目标生成器根据所述原始图像生成所述目标物体的复原图像；根据所述复原图像和所述原始图像，确定所述原始图像的异常信息，所述异常信息用于指示所述目标物体的异常位置。
91.参照图2，图2是本技术实施例提供的物体异常位置检测方法的一种流程示意图。需要说明的是，虽然本技术实施例在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。该物体异常位置检测方法包括步骤201～步骤203，其中：
92.201、获取目标物体的原始图像。
93.其中，目标物体是待进行异常位置检测的物体，在实际业务场景中目标物体具体可以是存在破损、残缺等异常的物体，例如，目标物体可以是存在缺陷的pcb板、工业生产中破损的产品等。
94.原始图像是指进行复原前的目标物体图像，在实际业务场景中原始图像具体可以是目标物体存在破损、残缺等异常情况时的图像。
95.具体地，在实际应用中，应用本技术实施例提供的物体异常位置检测方法的电子设备，在硬件上可直接包括摄像头(该摄像头主要用于采集目标物体的图像)，并在本地存储该摄像头拍摄得到的图像，可在电子设备内部直接读取；或者，电子设备也可与该摄像头建立网络连接，并根据该网络连接从该摄像头在线获取该摄像头得到的图像；或者，电子设备也可从存储有该摄像头拍摄得到的图像的相关存储介质，读取出该摄像头拍摄得到的图
像，具体获取方式在此不做限定。
96.其中，摄像头可根据预设的拍摄方式拍摄图像，例如可设置拍摄高度、拍摄方向或者拍摄距离，其具体拍摄方式可根据摄像头本身进行调节，具体在此不做限定。摄像头拍摄得到的多帧图像，可通过时间线组成视频。
97.202、调用预设的目标生成器根据所述原始图像生成所述目标物体的复原图像。
98.其中，复原图像是指根据原始图像复原后所得到的，且目标物体存在破损、残缺等异常情况的程度小于原始图像中目标物体存在破损、残缺等异常情况的程度的图像。
99.其中，目标生成器用于根据目标物体的原始图像进行修复，生成目标物体不存在破损、残缺等异常情况的程度小于原始图像中目标物体存在破损、残缺等异常情况的程度的图像。目标生成器通过训练得到，例如可以对自编码器、或生成式对抗网络进行训练得到。后文中将详细介绍目标生成器的训练，为了简化表述，此处不再赘述。
100.203、根据所述复原图像和所述原始图像，确定所述原始图像的异常信息。
101.其中，异常位置是指目标物体存在破损、残缺等异常的位置。例如，目标物体是pcb板，pcb板的异常位置是pcb板存在缺陷的位置。
102.异常信息用于指示目标物体的异常位置。
103.示例性地，步骤203具体可以包括以下步骤2031～步骤2032：
104.2031、根据所述复原图像和所述原始图像，确定所述目标物体的异常位置。
105.具体地，可以通过对比原始图像中的像素点与复原图像中对应位置的像素点之间的差异，将原始图像中与复原图像存在差异的像素点作为目标物体的异常位置。
106.2032、根据所述异常位置，确定所述原始图像的异常信息。
107.异常信息的表现形式可以有多种，示例性地，异常信息包括以下至少一种信息：异常位置的坐标信息、异常位置的区域指示框和异常位置的区域图像。下面分别举例说明：
108.(1)在一些实施例中，异常信息是指异常位置的坐标信息。此时步骤2032具体可以包括：获取目标物体的异常位置在原始图像中的坐标，作为原始图像的异常信息。其中，异常位置的坐标信息具体是指目标物体的异常位置在原始图像中的坐标。
109.(2)在一些实施例中，异常信息是指异常位置的区域指示框。此时步骤2032具体可以包括：获取在原始图像中目标物体的异常位置的最小矩形包围框、或者边缘包围框，作为原始图像的异常信息。其中，异常位置的区域指示框具体可以是在原始图像中目标物体的异常位置的最小矩形包围框、也可以是在原始图像中目标物体的异常位置的边缘包围框，具体可以根据实际业务场景需求而调整异常位置的区域指示框的形状和大小，此处仅为举例，不以此为限。
110.(3)在一些实施例中，异常信息是指异常位置的区域图像。此时步骤2032具体可以包括：在原始图像中截取目标物体的异常位置区域的图像，作为原始图像的异常信息。其中，异常位置的区域图像是指在原始图像中所截取的目标物体的异常位置区域的图像。
111.本技术实施例中，通过调用预设的目标生成器将目标物体的原始图像进行修复，生成对目标物体所存在破损、残缺等异常情况进行修复后的复原图像；再通过原始图像与复原图像，确定用于指示目标物体的异常位置的异常信息；一方面，由于无需依赖于大量已标注异常位置的样本训练的目标检测模型进行物体异常位置的检测，避免了用于异常位置检测的目标检测模型泛化能力差的问题。另一方面，由于无需针对样本异常位置对目标生
成器进行训练，也无需对样本异常位置进行标注，减少了对样本异常位置标注的时间，降低了训练时间成本。
112.上述步骤202中的目标生成器通过训练得到，示例性地，目标生成器通过预设的生成式对抗网络(generative adversarial networks，gan)训练得到。gan是一种深度神经网络架构，包括一个生成网络和一个判别器，生成器的输入是一组随机的变量(记为z)，输出是生成数据(即假数据，记为g(z))；判别器负责对生成数据或真实数据(记为y)进行打分，输出是生成数据或真实数据判定为真实数据的置信度。生成器产生假数据，并试图欺骗判别器；判别器对生成数据进行真伪鉴别，试图正确识别所有假数据。在训练迭代的过程中，生成器和判别器持续地进化和对抗，直到达到平衡状态，即直到判别器把生成器所生成图像判定为真实图像时，训练结束。当训练达到平衡时，对于一个输入噪声z，g(z)就是最后生成出来的图像。
113.在一些实施例中，预设的生成式对抗网络的生成器为unet网络，判别器为卷积神经网络结构。
114.下面介绍如何对预设的生成式对抗网络进行训练以得到目标生成器。
115.一般来说，生成式对抗网络的生成器和判别器是在同一阶段联合训练的，但是，直接输入有物体异常图像，生成并输出该物体异常图像对应的物体无异常图像，训练的难度较大。如果同时从头更新生成器和判别器将大大加大生成器的训练难度。
116.为此，本技术实施例中，将分为两个阶段对生成式对抗网络进行训练，第一阶段主要是优先训练生成器，当生成器接近最优时进入第二阶段；第二阶段同时训练生成器和判别器。此时，如图3所示，预设的生成式对抗网络的训练过程包括如下步骤301～步骤303，其中：
117.301、获取训练数据集。
118.其中，训练数据集包括至少两份训练样本。例如，训练数据集包括至少第一训练样本和第二训练样本。
119.训练数据集中第一训练样本用于在第一阶段对生成器进行训练优化，第二训练样本用于在第二阶段对生成器和判别器同时训练优化。
120.第一训练样本包括多个样本物体的有缺陷真实图像。第二训练样本也包括多个样本物体的有缺陷真实图像。
121.302、使用所述第一训练样本对所述生成器的网络参数进行调整，直至符合预设的第一停止训练条件时，将所述生成器作为预训练生成器。
122.其中，第一训练样本包括多个样本物体的有缺陷真实图像。
123.示例性地，可以将判别器的参数固定不变，以最小化生成器在第一阶段的训练损失为目标，调用生成器根据第一训练样本中的有缺陷真实图像生成预测修复图像；根据预测修复图像和第一阶段的预设损失函数，确定生成器在第一阶段的训练损失；根据生成器在第一阶段的训练损失对生成器的网络参数进行调整，直至符合预设的第一停止训练条件时，将所述生成器作为预训练生成器。
124.其中，预设的第一停止训练条件可以根据实际需求而设置。例如，可以是当第一阶段生成式对抗网络的训练损值小于预设值时，或者是第一阶段生成式对抗网络的训练损值基本不再变化时，即相邻多次训练对应的训练损失值的差值小于预设值；或者是在第一阶
段对生成式对抗网络的生成器训练的迭代次数达到最大迭代次数时。
125.303、使用所述第二训练样本对所述预训练生成器的网络参数和所述判别器的网络参数进行调整，直至符合预设的第二停止训练条件时，将所述预训练生成器作为所述目标生成器。
126.其中，所述第二训练样本包括多个样本物体的有缺陷真实图像。
127.示例性地，可以将判别器的参数固定不变、或预训练生成器的参数固定不变，交替迭代训练判别器和预训练生成器。例如：
128.1、先将预训练器的参数固定不变，调用预训练生成器基于第二训练样本中的有缺陷图像生成预测修复图像；调用判别器对预测修复图像进行判别得到预测修复图像的判别结果；根据预测修复图像的判别结果和第二阶段的针对判别器设置的损失函数，确定判别器在第二阶段的训练损失；根据判别器在第二阶段的训练损失，对判别器的网络参数进行调整，直至判别器可以将预测修复图像判别为假造图像，完成判别器的训练。其中，损失函数设置为判别器的输出结果是否为真。
129.2、在完成判别器的训练后，将判别器的参数固定不变，调用预训练生成器基于第二训练样本中的有缺陷图像生成预测修复图像；根据预测修复图像和第二阶段的预设损失函数，确定预训练生成器在第二阶段的训练损失；根据预训练生成器在第二阶段的训练损失对预训练生成器的网络参数进行调整，直至判别器可以将预测修复图像判别为真实图像；
130.3、完成预训练生成器的训练后，再次固定预训练生成器的参数不变，对判别器进行训练，不断地重复上述过程，直至符合预设的第二停止训练条件时，将预训练生成器作为所述目标生成器。
131.其中，预设的第二停止训练条件可以根据实际需求而设置。例如，可以是当第二阶段生成式对抗网络的训练损值小于预设值时，或者是第二阶段生成式对抗网络的训练损值基本不再变化时，即相邻多次训练对应的训练损失值的差值小于预设值；或者是在第二阶段对生成式对抗网络的生成器训练的迭代次数达到最大迭代次数时。
132.本技术实施例中，通过分为两个阶段对生成式对抗网络进行训练，第一阶段主要是优先训练生成器，当生成器收敛时进入第二阶段；第二阶段同时训练生成器和判别器，在保证生成器的生成效果基础上，可以缩短整个对抗式生成网络的训练时间，降低了生成器的训练难度。
133.下面将详细介绍生成式对抗网络在第一阶段的训练过程、在第二阶段的训练过程。
134.(一)第一阶段的训练过程。
135.在本技术的一些实施例中，在使用第一训练样本对所述生成器的网络参数进行调整过程中(简称为第一阶段)，生成式对抗网络的训练损失为生成器的第一生成损失。步骤302具体可以包括以下步骤3021～步骤3022：
136.3021、根据所述生成器基于所述第一训练样本中的有缺陷真实图像生成的预测修复图像，确定所述第一生成损失。
137.其中，第一生成损失是生成器在第一阶段的训练损失。
138.3022、根据所述第一生成损失对所述生成器的网络参数进行调整，直至符合预设
的第一停止训练条件时，将所述生成器作为预训练生成器。
139.步骤3021中，“根据所述生成器基于所述第一训练样本中的有缺陷真实图像生成的预测修复图像，确定所述第一生成损失”的方式有多种，示例性地，包括：
140.1)在一些实施例中，生成器在第一阶段的训练损失可以通过如下公式(1)所示的第一阶段的预设损失函数确定。
[0141][0142]
公式(1)中，d(g(z))表示在第一阶段判别器基于生成器生成的预测修复图像g(z)的判别结果，表示生成器的第一生成损失。
[0143]
其中，有缺陷真实图像是指样本物体存在异常时的真实图像。
[0144]
此时，步骤3021中，“根据所述生成器基于所述第一训练样本中的有缺陷真实图像生成的预测修复图像，确定所述第一生成损失”具体包括：将第一训练样本中的有缺陷真实图像(记为z)输入至生成式对抗网络中，以调用所述生成器根据第一训练样本中的有缺陷真实图像生成预测修复图像g(z)；调用所述判别器根据所述预测修复图像进行判别得到所述预测修复图像的判别结果；根据所述预测修复图像的判别结果和第一阶段的预设损失函数，确定所述第一生成损失。
[0145]
其中，预测修复图像的判别结果用于指示生成器根据有缺陷真实图像生成的预测修复图像判别是真实图像、还是假造图像。
[0146]
第一阶段的预设损失函数用于指示生成器在第一阶段的训练损失，上述第一阶段的预设损失函数仅为举例，具体可以根据实际需求而设置，不以此为限。
[0147]
2)在一些实施例中，生成器在第一阶段的训练损失设置为生成器根据有缺陷真实图像生成的预测修复图像与无缺陷真实图像之间的损失。此时，第一生成损失是指生成器在第一阶段根据有缺陷真实图像生成的预测修复图像、与无缺陷真实图像之间的损失。其中，有缺陷真实图像是指样本物体存在异常时的真实图像，无缺陷真实图像是指样本物体不存在异常时的真实图像。
[0148]
此时，所述第一训练样本包括至少一对样本图像，每对所述样本图像包括样本物体的有缺陷真实图像(记为x)和无缺陷真实图像(记为y)，所述无缺陷真实图像作为所述有缺陷真实图像的标签。步骤3021中，“根据所述生成器基于所述第一训练样本中的有缺陷真实图像生成的预测修复图像，确定所述第一生成损失”具体包括：调用所述生成器根据所述有缺陷真实图像生成其对应的预测修复图像；根据所述预测修复图像、所述无缺陷真实图像和预设的第一损失函数，确定所述第一生成损失。
[0149]
具体地，将样本物体的有缺陷真实图像x输入至生成式对抗网络中，以调用生成器根据有缺陷真实图像x生成样本物体的预测修复图像g(x)；然后，根据预设的第一损失函数、生成的预测修复图像g(x)、以及无缺陷真实图像y，确定生成器在第一阶段的训练损失。
[0150]
在单独训练生成器的第一阶段，通过采用无缺陷真实图像y、与根据有缺陷真实图像x生成的预测修复图像g(x)，确定生成器的生成损失对生成器进行训练；即潜在地将原始的无缺陷真实图像y作为监督信息，让生成器更好地学习生成无缺陷图像的能力，由于可以更有效地提升生成器生成无缺陷图像的能力，因此使得目标生成器生成的复原图像更精准。
[0151]
例如，样本物体是pcb板，有缺陷真实图像是pcb板在存在破损、残缺等异常情况时拍摄的真实图像x，无缺陷真实图像是pcb板在不存在破损、残缺等异常情况时拍摄的真实图像y。通过将真实图像x输入至生成式对抗网络中，生成器将根据真实图像x生成pcb板的预测修复图像g(x)；然后，可以根据pcb板的无缺陷真实图像y、预测修复图像g(x)、以及预设的第一损失函数，确定生成器在第一阶段的训练损失。其中，预设的第一损失函数如下公式(2)所示，
[0152]
l'
g1
＝∑[||y
i-g(xi)||]
ꢀꢀ
公式(2)
[0153]
公式(2)中，yi表示pcb板的无缺陷真实图像y中的第i个像素点，g(xi)表示pcb板的预测修复图像g(x)中的第i个像素点，l’g1
表示生成器的第一生成损失。
[0154]
第一损失函数用于指示生成器在第一阶段的训练损失，上述第一损失函数仅为举例，具体可以根据实际需求而设置，不以此为限。
[0155]
(二)第二阶段的训练过程。
[0156]
在本技术的一些实施例中，在使用第二训练样本对所述预训练生成器的网络参数和所述判别器的网络参数进行调整过程中(简称为第二阶段)，所述生成式对抗网络的训练损失包括所述生成器的第二生成损失和所述判别器的对抗损失。步骤303具体可以包括以下步骤3031～步骤3032：
[0157]
3031、根据所述预训练生成器基于所述第二训练样本中的有缺陷真实图像生成的预测修复图像，确定所述第二生成损失和所述对抗损失。
[0158]
其中，第二生成损失是生成器在第二阶段的训练损失，对抗损失是判别器在第二阶段的训练损失。
[0159]
在一些实施例中，生成器在第二阶段的训练损失设置为生成器根据有缺陷真实图像生成的图像与无缺陷真实图像之间的损失。此时，第二生成损失是指生成器在第二阶段根据有缺陷真实图像生成的图像、与无缺陷真实图像之间的损失。其中，有缺陷真实图像是指样本物体存在异常时的真实图像，无缺陷真实图像是指样本物体不存在异常时的真实图像。
[0160]
此时，所述第二训练样本包括至少一对样本图像，每对所述样本图像包括样本物体的有缺陷真实图像和无缺陷真实图像，步骤3031具体可以包括以下步骤a～步骤d：
[0161]
a、调用所述预训练生成器根据所述有缺陷真实图像生成其对应的预测修复图像。
[0162]
具体地，将样本物体的有缺陷真实图像x输入至生成式对抗网络中，以调用预训练生成器根据有缺陷真实图像x生成样本物体的预测修复图像g(x)。
[0163]
b、调用所述判别器确定所述预测修复图像的判别结果。
[0164]
其中，预测修复图像的判别结果用于指示预测修复图像是否为真实图像。
[0165]
具体地，判别器将对上述步骤a中得到的预测修复图像g(x)进行判别，输出预测修复图像g(x)的判别结果。
[0166]
c、根据所述预测修复图像、所述无缺陷真实图像和预设的第二损失函数，确定所述第二生成损失。
[0167]
具体地，根据预设的第二损失函数、生成的预测修复图像g(x)、以及无缺陷真实图像y，确定预训练生成器在第二阶段的训练损失。
[0168]
例如，样本物体是pcb板，有缺陷真实图像是pcb板在存在破损、残缺等异常情况时
拍摄的真实图像x，无缺陷真实图像是pcb板在不存在破损、残缺等异常情况时拍摄的真实图像y。通过将真实图像x输入至生成式对抗网络中，预训练生成器将根据真实图像x生成pcb板的预测修复图像g(x)；然后，可以根据pcb板的无缺陷真实图像y、预测修复图像g(x)、以及预设的第二损失函数。其中，预设的第二损失函数如下公式(3)所示，
[0169]
l'
g2
＝∑[||y
i-g(xi)||]
ꢀꢀ
公式(3)
[0170]
公式(3)中，yi表示pcb板的无缺陷真实图像y中的第i个像素点，g(xi)表示pcb板的预测修复图像g(x)中的第i个像素点，l’g2
表示预训练生成器的第二生成损失。
[0171]
d、根据预测修复图像的判别结果和预设的第三损失函数，确定所述对抗损失。
[0172]
判别器将对预测修复图像g(x)进行判别，输出预测修复图像g(x)的判别结果；然后，可以根据预测修复图像g(x)的判别结果，统计判别器将预训练生成器的生成图像误判为真实图像的概率；再根据判别器将预训练生成器的生成图像误判为真实图像的概率、预设的第三损失函数，确定判别器在第二阶段的训练损失。其中，预设的第三损失函数如下公式(4)所示，
[0173]
ld＝d(g(x)，y)
ꢀꢀ
公式(4)
[0174]
公式(4)中，d(g(x),y)表示判别器将预测修复图像g(x)误判为真实图像的概率，ld表示判别器的对抗损失。
[0175]
进一步地，判别器还对有缺陷真实图像进行判别，得到有缺陷真实图像的的判别结果。其中，有缺陷真实图像的判别结果用于指示无缺陷真实图像是否为真实图像。此时，判别器在第二阶段的训练损失设置为包括判别器将预训练生成器生成的预测修复图像g(x)误判为真实图像的概率、以及将有缺陷真实图像x误判为无缺陷真实图像y的概率。例如，可以进一步根据如下公式(5)所示的第三损失函数，确定判别器在第二阶段的训练损失：
[0176]
ld＝d(g(x)，y)+d(x，y)
ꢀꢀ
公式(5)
[0177]
公式(5)中，d(g(x),y)表示判别器将预测修复图像g(x)误判为真实图像的概率，d(x,y)表示判别器将有缺陷真实图像x误判为无缺陷真实图像y的概率，ld表示判别器的对抗损失。
[0178]
第二损失函数用于指示预训练生成器在第二阶段的训练损失，上述第二损失函数仅为举例，具体可以根据实际需求而设置，不以此为限。
[0179]
第三损失函数用于指示判别器在第二阶段的训练损失，上述预设的第三损失函数仅为举例，具体可以根据实际需求而设置，不以此为限。
[0180]
3032、根据所述第二生成损失和所述对抗损失，对所述预训练生成器的网络参数和所述判别器的网络参数进行调整，直至符合预设的第二停止训练条件时，将所述预训练生成器作为所述目标生成器。
[0181]
比如，可以将第二生成损失和对抗损失按照一定权重比相加，作为生成式对抗网络在第二阶段的训练损失；并按照生成式对抗网络在第二阶段的训练损失对预训练生成器的网络参数和判别器的网络参数进行调整，直至生成对抗网络收敛。此时，可以采用收敛后的生成对抗网络中的生成器作为步骤202中的目标生成器，用于根据原始图像生成目标图像的复原图像。
[0182]
在同时训练预训练生成器和判别器的第二阶段，通过采用无缺陷真实图像y、与根
据有缺陷真实图像x生成的预测修复图像g(x)，确定预训练生成器的生成损失对预训练生成器进行训练；即潜在地将原始的无缺陷真实图像y作为监督信息，让预训练生成器更好地学习生成无缺陷图像的能力，由于可以更有效地提升预训练生成器生成无缺陷图像的能力，因此使得目标生成器生成的复原图像更精准。
[0183]
步骤2031中，“根据所述复原图像和所述原始图像，确定所述目标物体的异常位置”的方式有多种，示例性地，如图4所示，可以包括以下步骤401～步骤402：
[0184]
401、对比所述复原图像和所述原始图像，得到所述原始图像中的差异像素点。
[0185]
具体地，可以先确定原始图像中与复原图像中同一像素点位置的差异，以确定原始图像中的差异像素点。
[0186]
其中，确定复原图像和原始图像之间同一像素点位置的差异的方式有多种，示例性地，比如，可以将复原图像和原始图像进行插值计算，以确定复原图像和原始图像中同一像素点位置之间差异，从而确定原始图像中的差异像素点。
[0187]
在一些实施例中，差异像素点是原始图像中与复原图像对应位置像素点存在差异的像素点。例如，原始图像中坐标为(x,y)的第i个像素点与复原图像中坐标也为(x,y)的第j个像素点之间存在差异，则原始图像中的第i个像素点为差异像素点。
[0188]
在一些实施例中，差异像素点是原始图像中与复原图像对应位置像素点之间差异较大(比如差异判别分数大于预设分数阈值)的像素点。比如，原始图像中坐标为(x1,y1)的第i1个像素点与复原图像中坐标也为(x1,y1)的第j1个像素点差异判别分数大于预设分数阈值，则原始图像中的第i1个像素点为差异像素点。又如，原始图像中坐标为(x2,y2)的第i2个像素点与复原图像中坐标也为(x2,y2)的第j2个像素点差异判别分数小于预设分数阈值，则原始图像中的第i2个像素点不是差异像素点。
[0189]
402、将所述差异像素点的所在位置作为所述目标物体的异常位置。
[0190]
例如，差异像素点的所在位置通过坐标表示，原始图像中的差异像素点为差异像素点1～6，像素点1～6所在位置分别为：(1,1)、(2,1)、(3,1)、(2,1)、(2,2)、(2,3)，则目标物体的异常位置为差异像素点1～6的所在位置：(1,1)、(2,1)、(3,1)、(2,1)、(2,2)、(2,3)。
[0191]
如图5所示，下面以目标物体是产线上的pcb板、原始图像是pcb板的缺陷图像、物体异常位置检测是检测pcb板的缺陷、目标生成器是上述步骤303中训练后的生成式对抗网络中的生成器为例，举例说明如何实现物体异常位置检测。
[0192]
(1)采集pcb板的有缺陷图像、pcb板的无缺陷图像作为训练数据集，并以pcb板的无缺陷图像作为监督信息，参照上述步骤301～步骤303对预设的生成式对抗网络进行训练，得到用于检测pcb板缺陷的目标生成器。
[0193]
(2)通过产线上的工业摄像头获取pcb板的缺陷图像。
[0194]
(3)将pcb板的缺陷图像输入上述步骤303中训练后的生成式对抗网络中，以调用上述(1)中训练后的生成式对抗网络中的生成器，根据pcb板的缺陷图像进行修复，生成pcb板的复原图像。
[0195]
(4)将(2)中所获取的pcb板的缺陷图像、与(3)中所生成的pcb板的复原图像进行对比，例如进行插值计算，对比出pcb板的缺陷图像与pcb板的复原图像之间的差异，并将pcb板的缺陷图像与pcb板的复原图像之间的差异位置作为pcb板的缺陷位置，得到pcb板的异常位置。
[0196]
(5)在pcb板的缺陷图像中截取pcb板的异常位置区域的图像，作为pcb板的缺陷图像的异常信息。
[0197]
pcb板线路复杂多变，单纯的目标检测较难精准地检测出pcb板的缺陷，通过生成pcb板的复原图像与pcb板的原图像进行对比，可以更精准快速地检测出pcb板的缺陷。
[0198]
为了更好实施本技术实施例中物体异常位置检测方法，在物体异常位置检测方法基础之上，本技术实施例中还提供一种物体异常位置检测装置，如图6所示，为本技术实施例中物体异常位置检测装置的一个实施例结构示意图，该物体异常位置检测装置600包括：
[0199]
获取单元601，用于获取目标物体的原始图像；
[0200]
生成单元602，用于调用预设的目标生成器根据所述原始图像生成所述目标物体的复原图像；
[0201]
确定单元603，用于根据所述复原图像和所述原始图像，确定所述原始图像的异常信息，所述异常信息用于指示所述目标物体的异常位置。
[0202]
在本技术一种可能的实现方式中，所述目标生成器基于预设的生成式对抗网络训练得到，所述生成式对抗网络包括生成器和判别器，所述物体异常位置检测装置600还包括训练单元(图中未示出)，所述训练单元具体用于：
[0203]
获取训练数据集，所述训练数据集包括至少第一训练样本和第二训练样本；
[0204]
使用所述第一训练样本对所述生成器的网络参数进行调整，直至符合预设的第一停止训练条件时，将所述生成器作为预训练生成器，所述第一训练样本包括多个样本物体的有缺陷真实图像；
[0205]
使用所述第二训练样本对所述预训练生成器的网络参数和所述判别器的网络参数进行调整，直至符合预设的第二停止训练条件时，将所述预训练生成器作为所述目标生成器，其中，所述第二训练样本包括多个样本物体的有缺陷真实图像。
[0206]
在本技术一种可能的实现方式中，在使用第一训练样本对所述生成器的网络参数进行调整过程中，所述生成式对抗网络的训练损失为所述生成器的第一生成损失；在使用第二训练样本对所述预训练生成器的网络参数和所述判别器的网络参数进行调整过程中，所述生成式对抗网络的训练损失包括所述生成器的第二生成损失和所述判别器的对抗损失，所述训练单元具体用于：
[0207]
根据所述生成器基于所述第一训练样本中的有缺陷真实图像生成的预测修复图像，确定所述第一生成损失；
[0208]
根据所述第一生成损失对所述生成器的网络参数进行调整，直至符合预设的第一停止训练条件时，将所述生成器作为预训练生成器；
[0209]
根据所述预训练生成器基于所述第二训练样本中的有缺陷真实图像生成的预测修复图像，确定所述第二生成损失和所述对抗损失；
[0210]
根据所述第二生成损失和所述对抗损失，对所述预训练生成器的网络参数和所述判别器的网络参数进行调整，直至符合预设的第二停止训练条件时，将所述预训练生成器作为所述目标生成器。
[0211]
在本技术一种可能的实现方式中，所述第一训练样本包括至少一对样本图像，每对所述样本图像包括样本物体的有缺陷真实图像和无缺陷真实图像，所述无缺陷真实图像作为所述有缺陷真实图像的标签，所述训练单元具体用于：
[0212]
调用所述生成器根据所述有缺陷真实图像生成其对应的预测修复图像；
[0213]
根据所述预测修复图像、所述无缺陷真实图像和预设的第一损失函数，确定所述第一生成损失。
[0214]
在本技术一种可能的实现方式中，所述第二训练样本包括至少一对样本图像，每对所述样本图像包括样本物体的有缺陷真实图像和无缺陷真实图像，所述无缺陷真实图像作为所述有缺陷真实图像的标签，所述训练单元具体用于：
[0215]
调用所述预训练生成器根据所述有缺陷真实图像生成其对应的预测修复图像；
[0216]
调用所述判别器确定所述预测修复图像的判别结果，所述判别结果用于指示所述预测修复图像是否为真实图像；
[0217]
根据所述预测修复图像、所述无缺陷真实图像和预设的第二损失函数，确定所述第二生成损失；
[0218]
根据所述判别结果和预设的第三损失函数，确定所述对抗损失。
[0219]
在本技术一种可能的实现方式中，所述生成式对抗网络的生成器为unet网络，所述生成式对抗网络的判别器为卷积神经网络结构。
[0220]
在本技术一种可能的实现方式中，所述目标物体是目标pcb板，所述原始图像是所述目标pcb板的缺陷图像，所述生成单元602具体用于：
[0221]
调用所述目标生成器根据所述缺陷图像生成所述目标pcb板的复原图像；
[0222]
在本技术一种可能的实现方式中，所述确定单元603具体用于：
[0223]
根据所述复原图像和所述缺陷图像，确定所述缺陷图像的异常信息，所述异常信息用于指示所述目标pcb的异常位置。
[0224]
在本技术一种可能的实现方式中，所述确定单元603具体用于：
[0225]
根据所述复原图像和所述原始图像，确定所述目标物体的异常位置；
[0226]
根据所述异常位置，确定所述原始图像的异常信息，所述异常信息包括以下至少一种信息：所述异常位置的坐标信息、所述异常位置的区域指示框和所述异常位置的区域图像。
[0227]
在本技术一种可能的实现方式中，所述确定单元603具体用于：
[0228]
对比所述复原图像和所述原始图像，得到所述原始图像的差异像素点；
[0229]
将所述差异像素点的所在位置作为所述目标物体的异常位置。
[0230]
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
[0231]
由于该物体异常位置检测装置可以执行本技术如图1至图5对应任意实施例中物体异常位置检测方法中的步骤，因此，可以实现本技术如图1至图5对应任意实施例中物体异常位置检测方法所能实现的有益效果，详见前面的说明，在此不再赘述。
[0232]
此外，为了更好实施本技术实施例中物体异常位置检测方法，在物体异常位置检测方法基础之上，本技术实施例还提供一种电子设备，参阅图7，图7示出了本技术实施例电子设备的一种结构示意图，具体的，本技术实施例提供的电子设备包括处理器701，处理器701用于执行存储器702中存储的计算机程序时实现如图1至图5对应任意实施例中物体异常位置检测方法的各步骤；或者，处理器701用于执行存储器702中存储的计算机程序时实
现如图6对应实施例中各单元的功能。
[0233]
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器702中，并由处理器701执行，以完成本技术实施例。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。
[0234]
电子设备可包括，但不仅限于处理器701、存储器702。本领域技术人员可以理解，示意仅仅是电子设备的示例，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，例如电子备还可以包括输入输出设备、网络接入设备、总线等，处理器701、存储器702、输入输出设备以及网络接入设备等通过总线相连。
[0235]
处理器701可以是中央处理单元(central processing unit，cpu)，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，处理器是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分。
[0236]
存储器702可用于存储计算机程序和/或模块，处理器701通过运行或执行存储在存储器702内的计算机程序和/或模块，以及调用存储在存储器702内的数据，实现计算机装置的各种功能。存储器702可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据(比如音频数据、视频数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0237]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的物体异常位置检测装置、电子设备及其相应单元的具体工作过程，可以参考如图1至图5对应任意实施例中物体异常位置检测方法的说明，具体在此不再赘述。
[0238]
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
[0239]
为此，本技术实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本技术如图1至图5对应任意实施例中物体异常位置检测方法中的步骤，具体操作可参考如图1至图5对应任意实施例中物体异常位置检测方法的说明，在此不再赘述。
[0240]
其中，该计算机可读存储介质可以包括：只读存储器(rom，read only memory)、随机存取存储器(ram，random access memory)、磁盘或光盘等。
[0241]
由于该计算机可读存储介质中所存储的指令，可以执行本技术如图1至图5对应任意实施例中物体异常位置检测方法中的步骤，因此，可以实现本技术如图1至图5对应任意实施例中物体异常位置检测方法所能实现的有益效果，详见前面的说明，在此不再赘述。
[0242]
以上对本技术实施例所提供的一种物体异常位置检测方法、装置、电子设备及计
算机可读存储介质进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。