图像分类方法、装置及电子设备与流程

本技术涉及图像处理，特别是涉及一种图像分类方法、装置及电子设备。

背景技术：

1、极耳翻折成像图像质量评价方法，可以对极耳成像所出现的问题进行预先判别，以辅助锂电产线工程师及时调整成像设备。

2、由于一张图像可能存在多种缺陷，现有技术中，采用分类模型对极耳图像进行分类，分类模型输出多种分类各自对应的置信度，将置信度较大的几个分类作为图像的分类结果，例如，若选择置信度较大的前三个分类，且这三个分类均为异常类，则说明图像包括这三个分类对应的异常。但是，若这三个分类中有正常类和异常类，则图像既属于正常类，又属于异常类，图像的分类结果存在矛盾，分类结果明显存在错误。

技术实现思路

1、本技术提供一种图像分类方法、装置及电子设备，用以对极耳图像的分类结果进行进一步判断，对存在错误的分类结果进行纠正，提高图像分类准确率。

2、第一方面，本技术提供一种图像分类方法，包括：

3、获取第一极耳图像；

4、将所述第一极耳图像输入至分类模型，得到多个分类各自对应的置信度，所述多个分类包括正常类和多个异常类；

5、在根据所述多个分类各自对应的置信度确定所述第一极耳图像属于所述正常类的情况下，若多个分类各自对应的置信度满足误判条件，则将所述第一极耳图像的分类修正为目标异常类，其中，所述目标异常类根据多个异常类对应的置信度确定；

6、所述误判条件为：

7、所述第一极耳图像的正常类对应的置信度小于第一阈值，且所述第一极耳图像的多个异常类中有至少一个异常类对应的置信度大于各自对应的第二阈值。

8、本实施例中，通过对第一极耳图像的多个分类各自对应的置信度进行分析，在第一极耳图像属于正常类的情况下，若多个分类各自对应的置信度满足误判条件，则将所述第一极耳图像的分类修正为目标异常类，通过上述步骤，可以对被判定为正常类的第一极耳图像进行进一步判定，纠正第一极耳图像的分类，减少误判率，提高分类准确率。

9、在本技术一实施例中，所述目标异常类为所述至少一个异常类中置信度最大的异常类。

10、本实施例中，将第一极耳图像的分类纠正为置信度最大的异常类，以提高分类准确率。

11、在本技术一实施例中，在将所述第一极耳图像输入至分类模型之前，所述方法还包括：

12、获取样本集，所述样本集包括多张第二极耳图像，每张第二极耳图像标注有对应的分类，所述多张第二极耳图像对应多个分类；

13、采用所述样本集对初始网络模型进行训练，得到分类模型。

14、本实施例中，采用样本集对初始网络模型进行训练，得到分类模型，便于后续使用分类模型对第一极耳图像进行分类。

15、在本技术一实施例中，所述方法还包括：

16、获取多张第三极耳图像，所述多张第三极耳图像属于所述正常类；

17、将所述多张第三极耳图像输入至所述分类模型，得到每张第三极耳图像被识别为正常类的置信度；

18、计算每张图像被识别为正常类的置信度的均值，得到所述第一阈值。

19、本实施例中，通过基于极耳图像被识别为正常类的置信度进行计算，来确定第一阈值，可以使得第一阈值的确定更加精准，便于后续基于第一阈值对误判条件进行判定，从而使得对第一极耳图像的分类更加准确。

20、在本技术一实施例中，所述方法还包括：

21、获取多张第四极耳图像，所述多张第四极耳图像属于多个异常类中的第一异常类；

22、将所述多张第四极耳图像输入至所述分类模型，得到每张第四极耳图像被识别为第一异常类的置信度；

23、计算每张第四极耳图像被识别为第一异常类的置信度的均值，得到所述第一异常类对应的第二阈值。

24、本实施例中，通过基于极耳图像被识别为第一异常类的置信度进行计算，来确定第一异常类对应的第二阈值，可以使得第二阈值的确定更加精准，便于后续基于第二阈值对误判条件进行判定，从而使得对第一极耳图像的分类更加准确。

25、在本技术一实施例中，在得到多个分类各自对应的置信度之后，在将所述第一极耳图像的分类修正为目标异常类之前，所述方法还包括：

26、对所述第一极耳图像的多个分类各自对应的置信度进行从大到小排序，得到排序结果；

27、若所述排序结果中排序在前的至少一个置信度包括正常类对应的置信度，则判定所述第一极耳图像属于所述正常类。

28、本实施例中，在确定第一极耳图像的分类时，取排序结果中排序在前的至少一个置信度对应的分类作为第一极耳图像的分类，若这至少一个置信度中包括第一极耳图像被识别为正常类的置信度，则判定第一极耳图像属于正常类，此种情况下，第一极耳图像存在被误判的可能性，需要进行进一步判定，以纠正第一极耳图像的分类，减少误判率，提高分类准确率。

29、在本技术一实施例中，所述多个异常类包括打光不均、抖动、过暗、过曝、模糊、尾部过大、棱镜脏污和左超视野中的至少一个。

30、本实施例中，根据极耳成像中出现的问题设置多个异常类，在对第一极耳图像进行分类时，可以提高图像分类的精细度。

31、第二方面，本技术实施例提供一种图像分类装置，包括：

32、第一获取模块，用于获取第一极耳图像；

33、第二获取模块，用于将所述第一极耳图像输入至分类模型，得到多个分类各自对应的置信度，所述多个分类包括正常类和多个异常类；

34、修正模块，用于在根据所述多个分类各自对应的置信度确定所述第一极耳图像属于所述正常类的情况下，若多个分类各自对应的置信度满足误判条件，则将所述第一极耳图像的分类修正为目标异常类，其中，所述目标异常类根据多个异常类对应的置信度确定；

35、所述误判条件为：

36、所述第一极耳图像的正常类对应的置信度小于第一阈值，且所述第一极耳图像的多个异常类中有至少一个异常类对应的置信度大于各自对应的第二阈值。

37、本实施例中，通过对第一极耳图像的多个分类各自对应的置信度进行分析，在第一极耳图像属于正常类的情况下，若多个分类各自对应的置信度满足误判条件，则将所述第一极耳图像的分类修正为目标异常类，通过上述步骤，可以对被判定为正常类的第一极耳图像进行进一步判定，纠正第一极耳图像的分类，减少误判率，提高分类准确率。

38、在本技术一实施例中，所述目标异常类为所述至少一个异常类中置信度最大的异常类。

39、本实施例中，将第一极耳图像的分类纠正为置信度最大的异常类，以提高分类准确率。

40、在本技术一实施例中，所述装置还包括：

41、第三获取模块，用于获取样本集，所述样本集包括多张第二极耳图像，每张第二极耳图像标注有对应的分类，所述多张第二极耳图像对应多个分类；

42、训练模块，用于采用所述样本集对初始网络模型进行训练，得到分类模型。

43、本实施例中，采用样本集对初始网络模型进行训练，得到分类模型，便于后续使用分类模型对第一极耳图像进行分类。

44、在本技术一实施例中，所述装置还包括：

45、第四获取模块，用于获取多张第三极耳图像，所述多张第三极耳图像属于所述正常类；

46、第五获取模块，用于将所述多张第三极耳图像输入至所述分类模型，得到每张第三极耳图像被识别为正常类的置信度；

47、第一计算模块，用于计算每张图像被识别为正常类的置信度的均值，得到所述第一阈值。

48、本实施例中，通过基于极耳图像被识别为正常类的置信度进行计算，来确定第一阈值，可以使得第一阈值的确定更加精准，便于后续基于第一阈值对误判条件进行判定，从而使得对第一极耳图像的分类更加准确。

49、在本技术一实施例中，所述装置还包括：

50、第六获取模块，用于获取多张第四极耳图像，所述多张第四极耳图像属于多个异常类中的第一异常类；

51、第七获取模块，用于将所述多张第四极耳图像输入至所述分类模型，得到每张第四极耳图像被识别为第一异常类的置信度；

52、第二计算模块，用于计算每张第四极耳图像被识别为第一异常类的置信度的均值，得到所述第一异常类对应的第二阈值。

53、本实施例中，通过基于极耳图像被识别为第一异常类的置信度进行计算，来确定第一异常类对应的第二阈值，可以使得第二阈值的确定更加精准，便于后续基于第二阈值对误判条件进行判定，从而使得对第一极耳图像的分类更加准确。

54、在本技术一实施例中，所述装置还包括：

55、排序模块，用于对所述第一极耳图像的多个分类各自对应的置信度进行从大到小排序，得到排序结果；

56、判定模块，用于若所述排序结果中排序在前的至少一个置信度包括正常类对应的置信度，则判定所述第一极耳图像属于所述正常类。

57、本实施例中，在确定第一极耳图像的分类时，取排序结果中排序在前的至少一个置信度对应的分类作为第一极耳图像的分类，若这至少一个置信度中包括第一极耳图像被识别为正常类的置信度，则判定第一极耳图像属于正常类，此种情况下，第一极耳图像存在被误判的可能性，需要进行进一步判定，以纠正第一极耳图像的分类，减少误判率，提高分类准确率。

58、在本技术一实施例中，所述多个异常类包括打光不均、抖动、过暗、过曝、模糊、尾部过大、棱镜脏污和左超视野中的至少一个。

59、本实施例中，根据极耳成像中出现的问题设置多个异常类，在对第一极耳图像进行分类时，可以提高图像分类的精细度。

60、第三方面，本技术实施例提供一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的图像分类方法的步骤。

61、上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。