回收检测的外观影像抠图模型训练方法及抠图方法与流程

1.本发明涉及回收检测技术领域，特别是涉及一种回收检测的外观影像抠图模型训练方法及抠图方法。


背景技术：

2.随着电子产品技术的发展，各种智能设备层出不穷，例如智能手机、笔记本电脑和平板电脑等。目前，伴随着经济和技术的高速发展，智能设备的普及和更新换代速度也越来越快。以智能手机为例，5g时代的到来，加速了智能手机的换代。在智能设备进行迭代的过程中，有效回收是智能设备剩余价值的有效利用手段之一，可减少对环境的化学污染以及减少浪费。
3.因此，伴随着设备的回收过程，各类回收方式也应运而生，如通过回收机或售后服务进行回收等。在回收过程中，外观检测是极为重要的一项环节。以手机回收为例，在采集用于外观检测的设备外观图像时，环境会引入极大干扰。在非标准环境下对手机进行拍摄检测，会有很多外界因素干扰，包括背景图、背景颜色或背景物体等等导致后续图像损耗检测算法会存在很大的误差。


技术实现要素：

4.基于此，有必要针对在非标准环境下进行回收检测中的外观检测的不足，提供一种回收检测的外观影像抠图模型训练方法及抠图方法。
5.一种回收检测的外观影像抠图模型训练方法，包括步骤：
6.获取训练影像样本；
7.对训练影像样本进行抠图处理，获得抠图处理结果；
8.建立卷积神经网络，根据抠图处理结果确定对应的通道影像；
9.根据通道影像训练抠图模型；其中，抠图模型用于输出最优的通道影像。
10.上述的回收检测的外观影像抠图模型训练方法，在获取到训练影像样本后，对训练影像样本进行抠图处理，获得抠图处理结果。进一步地，建立卷积神经网络，根据抠图处理结果确定对应的通道影像，最后根据通道影像训练抠图模型。基于此，训练后的抠图模型可用于输出最优通道影像，完成非标准环境下的抠图作业，剔除环境引入的影像干扰，提高回收检测的效率和准确率。
11.在其中一个实施例中，对训练影像样本进行抠图处理，获得抠图处理结果的过程，包括步骤：
12.将训练影像样本处理为掩模图；
13.将掩模图转换成三分图，作为抠图处理结果。
14.在其中一个实施例中，将训练影像样本处理为掩模图的过程，包括步骤：
15.通过yolov5的物体切割算法将训练影像样本处理为黑白的掩模图。
16.在其中一个实施例中，三分图包括白色图、黑色图和灰色图。
17.在其中一个实施例中，建立卷积神经网络，根据抠图处理结果确定对应的通道影像的过程，包括步骤：
18.通过卷积神经网络的编码器提取抠图处理结果的特征；
19.通过卷积神经网络的解码器根据特征输出通道影像。
20.在其中一个实施例中，建立卷积神经网络，根据抠图处理结果确定对应的通道影像的过程，还包括步骤：
21.通过卷积神经网络的卷积和激活函数，对通道影像进行初步优化；
22.建立损失函数，对初步优化结果进行二次优化，将二次优化后的通道影像进行输出。
23.在其中一个实施例中，损失函数如下式：
[0024][0025][0026]
其中，
∝
p
表示预测值，
∝
t
表示基准值，∈2表示防止过拟合的变量，i
p
表示抠图处理结果，i
t
表示抠图处理前的训练影像样本。
[0027]
在其中一个实施例中，抠图模型的约束条件为损失函数。
[0028]
一种回收检测的外观影像抠图方法，包括步骤：
[0029]
获取待抠图外观影像；
[0030]
将待抠图外观影像输入抠图模型，将抠图模型的输出结果作为抠图结果。
[0031]
上述的回收检测的外观影像抠图方法，在获取到待抠图外观影像后，将待抠图外观影像输入抠图模型，将抠图模型的输出结果作为抠图结果。基于此，完成非标准环境下的抠图作业，剔除环境引入的影像干扰，提高回收检测的效率和准确率。
[0032]
在其中一个实施例中，还包括步骤：
[0033]
将输出结果与预设背景图进行整合，作为抠图结果。
[0034]
一种回收检测的外观影像抠图模型训练装置，包括步骤：
[0035]
样本获取模块，用于获取训练影像样本；
[0036]
抠图处理模块，用于对训练影像样本进行抠图处理，获得抠图处理结果；
[0037]
网络处理模块，用于建立卷积神经网络，根据抠图处理结果确定对应的通道影像；
[0038]
模型训练模块，用于根据通道影像训练抠图模型；其中，抠图模型用于输出最优的通道影像。
[0039]
上述的回收检测的外观影像抠图模型训练装置，在获取到训练影像样本后，对训练影像样本进行抠图处理，获得抠图处理结果。进一步地，建立卷积神经网络，根据抠图处理结果确定对应的通道影像，最后根据通道影像训练抠图模型。基于此，训练后的抠图模型可用于输出最优通道影像，完成非标准环境下的抠图作业，剔除环境引入的影像干扰，提高回收检测的效率和准确率。
[0040]
一种回收检测的外观影像抠图装置，包括步骤：
[0041]
影像获取模块，用于获取待抠图外观影像；
[0042]
模型输出模块，用于将待抠图外观影像输入抠图模型，将抠图模型的输出结果作为抠图结果。
[0043]
上述的回收检测的外观影像抠图装置，在获取到待抠图外观影像后，将待抠图外观影像输入抠图模型，将抠图模型的输出结果作为抠图结果。基于此，完成非标准环境下的抠图作业，剔除环境引入的影像干扰，提高回收检测的效率和准确率。
[0044]
一种计算机存储介质，其上存储有计算机指令，计算机指令被处理器执行时实现上述任一实施例的回收检测的外观影像抠图模型训练方法或回收检测的外观影像抠图方法。
[0045]
上述的计算机存储介质，在获取到训练影像样本后，对训练影像样本进行抠图处理，获得抠图处理结果。进一步地，建立卷积神经网络，根据抠图处理结果确定对应的通道影像，最后根据通道影像训练抠图模型。基于此，训练后的抠图模型可用于输出最优通道影像，完成非标准环境下的抠图作业，剔除环境引入的影像干扰，提高回收检测的效率和准确率。
[0046]
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述任一实施例的回收检测的外观影像抠图模型训练方法或回收检测的外观影像抠图方法。
[0047]
上述的计算机设备，在获取到训练影像样本后，对训练影像样本进行抠图处理，获得抠图处理结果。进一步地，建立卷积神经网络，根据抠图处理结果确定对应的通道影像，最后根据通道影像训练抠图模型。基于此，训练后的抠图模型可用于输出最优通道影像，完成非标准环境下的抠图作业，剔除环境引入的影像干扰，提高回收检测的效率和准确率。
附图说明
[0048]
图1为一实施方式的回收检测的外观影像抠图模型训练方法流程图；
[0049]
图2为另一实施方式的回收检测的外观影像抠图模型训练方法流程图；
[0050]
图3为卷积神经网络处理示意图；
[0051]
图4为一实施方式的回收检测的外观影像抠图方法流程图；
[0052]
图5为一实施方式的回收检测的外观影像抠图模型训练装置模块结构图；
[0053]
图6为一实施方式的回收检测的外观影像抠图装置模块结构图；
[0054]
图7为一实施方式的计算机内部构造示意图。
具体实施方式
[0055]
为了更好地理解本发明的目的、技术方案以及技术效果，以下结合附图和实施例对本发明进行进一步的讲解说明。同时声明，以下所描述的实施例仅用于解释本发明，并不用于限定本发明。
[0056]
本发明实施例提供了一种设备回收系统。
[0057]
一实施方式的设备回收系统包括检测服务器和设备回收终端。
[0058]
在其中一个实施例中，一实施方式的设备回收系统还包括第三方服务器或支付服务器。
[0059]
待回收设备在被回收前的用户一侧，包括可与各服务器或其它侧终端设备进行通
信的终端设备，该终端设备可以为待回收设备或其它智能设备。
[0060]
工作人员一侧，包括可与各服务器或其它侧终端设备进行通信终端设备。
[0061]
在其中一个实施例中，执行通信的终端设备包括手机或电脑等智能设备。作为一个较优的实施方式，执行通信的终端设备具备网络通信能力。
[0062]
其中，待回收设备包括手机、电脑、手表、电视机、家具等智能设备或非智能设备。
[0063]
用户一侧可与检测服务器、第三方服务器或支付服务器进行通信，工作人员一侧可以检测服务器或支付服务器进行通信。
[0064]
其中，支付服务器与用户一侧或工作人员一侧的通信交互，用于完成对用户账户或工作人员账户的收付款。
[0065]
第三方服务器与用户一侧通信，包括购物平台、回收平台或通信平台等，可用于捕获用户剔除的待回收设备的回收请求。
[0066]
设备回收终端与检测服务器建立通信，在对待回收设备执行回收检测得到的检测数据，由检测服务器执行检测分析。
[0067]
在其中一个实施例中，一实施方式的设备回收终端包括：
[0068]
检测模块，用于检测待回收设备，获得检测数据；
[0069]
展示模块，用于展示检测服务器的检测结果；
[0070]
人机交互模块，用于采集对检测结果的展示反馈；
[0071]
通信模块，分别连接检测模块、展示模块和人机交互模块，用于与各服务器进行通信。
[0072]
其中，检测模块用于检测待回收设备，获得检测数据，并通过通信模块将检测数据发送至检测服务器。
[0073]
在其中一个实施例中，检测数据包括待回收设备的外观影像或交互数据。工作人员可通过操作设备回收终端拍摄待回收设备的外观影像，生成视频或图片上传至检测服务器。还可通过操作设备回收终端与待回收设备建立通信连接，获取交互数据。
[0074]
在其中一个实施例中，检测模块包括摄像单元或数据交互单元。
[0075]
摄像单元用于拍摄待回收设备的外观。数据交互单元用于与待回收设备建立通信连接，获取交互数据。
[0076]
在其中一个实施例中，数据交互单元包括无线交互单元或有线交互单元。
[0077]
其中，无线交互单元包括wifi交互单元、4g交互单元、红外交互单元或zigbee交互单元等。有线交互单元包括usb交互单元或总线交互单元。
[0078]
作为一个较优的实施方式，数据交互单元包括usb交互单元。设备回收终端通过集成usb交互单元，在执行回收检测时与待回收设备建立usb连接，获取检测服务器获取检测结果所需的usb交互数据。
[0079]
展示模块用于展示检测结果，包括显示展示、声光展示或语音展示等。
[0080]
在其中一个实施例中，展示模块包括显示单元。其中，显示单元包括显示屏或数码管显示等。通过显示单元将检测结果展示给用户或工作人员等人员。
[0081]
其中，人机交互模块用于实现相关人员与设备回收终端的人机交互，可用于采集展示反馈或调整检测结果展示。
[0082]
作为一个较优的实施方式，人机交互模块与展示模块均为同一触摸显示屏。
[0083]
通信模块具备与各服务器进行通信的能力，包括4g通信、wlan通信或局域网通信等多种通信方式。
[0084]
为了更好地解释本发明实施例的设备回收终端部署特性，以下以一具体应用例来说明在应用中的设备回收终端开发部署。在具体应用例中，可以普通的平板电脑进行设备回收终端开发，该平板电脑具备网络通信和拍摄能力，可用于拍摄待回收设备，将拍摄得到的外观影像上传至检测服务器。同时，针对平板电脑进行改进，通过软件集成或硬件集成，使平板电脑具备usb外接数据线(可同时包括多种外接接口类型的usb数据线)，在回收过程与待回收设备进行连接。并通过软件集成，快速读取或捕获所需的交互数据，上传至检测服务器。同时，在接收到检测服务器下发的检测结果时，可通过显示屏进行显示展示，或通过功放进行语音展示。同时，用户或工作人员等相关人员可通过操作平板电脑，实现采集展示反馈或调整检测结果展示。
[0085]
上述任一实施例的设备回收终端，包括了检测模块、展示模块、人机交互模块和通信模块。基于此，在满足与检测服务器完成回收过程的基础上，将回收检测通过云端的检测服务器实现，降低设备回收终端的成本、稳定性和便携性。
[0086]
基于此，在检测服务器一侧，本发明实施例提供了一种设备回收方法。
[0087]
一实施方式的设备回收方法包括步骤：
[0088]
获取设备回收请求；
[0089]
根据设备回收请求，向工作人员一侧发送回收信息；其中，回收信息用于指示工作人员到终端地址获取设备回收终端，并持有设备回收终端到回收地址对待回收设备执行回收检测；
[0090]
接收设备回收终端执行回收检测所发送的检测数据，对检测数据执行检测并反馈检测结果至设备回收终端；其中，设备回收终端用于展示检测结果；
[0091]
根据检测结果的展示反馈，执行相应的设备回收操作。
[0092]
设备回收请求用于触发设备回收的开始。设备回收请求可由用户一侧、工作人员一侧、各类服务器一侧执行发送，由检测服务器执行获取。或，经过用户一侧、工作人员一侧或各类服务器等多侧间接发送，由检测服务器执行最终获取。
[0093]
在其中一个实施例中，获取设备回收请求的过程，包括步骤：
[0094]
接收待回收设备的用户发送的请求信息，确定为设备回收请求。
[0095]
其中，用户一侧发送的请求信息，包括直接向检测服务器发送，或通过其它侧向检测服务器间接发送。用户通过操作智能设备(包括待回收设备)与检测服务器通信，发送请求信息。
[0096]
在其中一个实施例中，获取设备回收请求的过程，包括步骤：
[0097]
获取待回收设备的用户与第三方服务器的通信交互数据，作为设备回收请求。
[0098]
其中，设备回收请求的发起，不限于用户直接与检测服务器的直接通信。在用户与第三方服务器的通信交互数据中，存在设备回收请求，以通信交互数据作为回收请求。
[0099]
为了更好地解释本实施例，以待回收设备为手机为例。用户在网购平台(第三方服务器)上购买新手机以替换原有旧手机，在网购平台的通信交互中确定可回收旧手机，基于对于的通信交互数据，由网购平台向检测服务器发送数据作为设备回收请求。
[0100]
检测服务器可通过应用程序实现，例如app或各类小程序等。由应用程序进行销售
引流或用户引流，提供与设备回收请求相关的线上服务：购买新设备、以旧换新或设备回收。由用户直接操作该应用程序或第三方服务器与应用程序的接口交流，实现设备回收请求的触发。
[0101]
在其中一个实施例中，在根据设备回收请求，向工作人员一侧发送回收信息的过程之前，还包括步骤：
[0102]
根据通信交互数据确定对应的工作人员。
[0103]
其中，用户与第三方服务器的通信交互数据，对应新设备购买或配送等物流服务，基于此，根据通信交互数据确定用户与第三方服务器的交互过程，确定对应的工作人员。例如，在用户与第三方服务器的交互为网购，则对应的网购商品的物流配送人员，确定为工作人员。
[0104]
在其中一个实施例中，又一实施方式的设备回收方法还包括步骤：
[0105]
根据通信交互数据向工作人员发送送货信息，以指示工作人员根据送货信息将待送设备送达回收地址。
[0106]
送货信息用于实现用户与第三方服务器的通信交互目的。在本实施例中，第三方服务器通过与检测服务器执行交互，实现送货信息的下发，以降低沟通成本。同时，降低工作人员所需沟通的多侧服务器，使其只需与检测服务器通信即可完成相应工作，提高工作的效率并降低出错率。
[0107]
在确定设备回收请求发起后，向工作人员一侧发送回收信息，指示工作人员执行设备回收终端获取、回收地址确认以及回收检测等一系列操作。
[0108]
在其中一个实施例中，回收信息用于确定终端地址和回收地址。工作人员一侧的智能设备可用于向工作人员展示回收信息对应的终端地址和回收地址。
[0109]
作为一个较优的实施方式，终端地址与回收地址相关联。
[0110]
其中，回收地址在设备回收请求的获取过程中，可进行预先确定，例如用户的收货地址或填写的地址信息等。终端地址与回收地址相关联，如根据回收地址确定与其距离最小的终端地址。
[0111]
在一具体应用例中，各设备回收终端被放置在对应的各门店或仓库中，门店或仓库的地址即为终端地址。工作人员根据回收信息，到与回收地址距离最小的终端地址获取设备回收终端，门店或仓库据此更新设备回收终端的库存信息。
[0112]
在待回收设备的回收后，工作人员可将设备回收终端送回对应的终端地址，或根据回收信息至下一回收地址执行回收检测。
[0113]
在其中一个实施例中，回收信息还用于指示工作人员操作设备回收终端。回收信息发送至工作人员一侧的智能设备，为工作人员提供操作展示。其中，操作展示包括文字展示、图片展示或视频展示。
[0114]
在其中一个实施例中，回收信息包括开机码。开机码用于解锁对应的设备回收终端。
[0115]
在其中一个实施例中，在设备回收终端被获取后，还包括步骤：
[0116]
更新设备回收终端对应的被获取信息。
[0117]
以门店或仓库配属设备回收终端为例，相关人员可登录检测服务器查看各终端地址的设备回收终端是否被获取或使用状态，以及时了解设备回收终端的状态。例如，检测服
务器可通过配属对应的小程序、app等，工作人员通过登录对应的小程序，查看门店或仓库的空闲设备回收终端数量、设备回收终端是否有损坏等。在工作人员获取设备回收终端后，将对应的设备回收终端的更新为被获取；在工作人员归还设备回收终端后，将对应的设备回收终端的更新为未被获取。
[0118]
工作人员持有设备回收终端至目标地址，通过设备回收终端采集待回收设备的检测数据，发送至检测服务器获取检测结果。
[0119]
由设备回收终端展示检测结果，包括文字展示、图片展示或视频展示等。
[0120]
作为一个较优的实施方式，在检测数据为待回收设备的图片时，检测结果包括在图片上标注出瑕疵或损伤痕迹，通过标注提示用户。在检测数据为待回收设备与设备回收终端的交互数据时，通过数据异常标注或数据处理结果，以文字化形式展示给用户。
[0121]
在其中一个实施例中，检测结果除了待回收设备的问题检测，还包括回收价格，通过给用户展示回收价格，将检测与报价的过程，前置至目标地址完成。
[0122]
在展示检测结果后，根据展示反馈，执行相应的设备回收操作。
[0123]
在其中一个实施例中，在数据通信层面，展示反馈可由用户一侧、工作人员一侧、各服务器一侧发送至检测服务器。在人机交互层面，展示反馈可由用户操作用户一侧的智能设备、用户操作设备回收终端、工作人员操作工作人员一侧的智能设备、工作人员操作设备回收终端等作出。
[0124]
根据展示反馈，执行相应的设备回收操作，例如确定回收、确定不回收、调整回收价格等等。在其中一个实施例中，检测服务器通过与第三方服务器或支付服务器等的交互，完成设备回收操作。例如，在以旧换新购买过程中，在确定回收待回收设备时，由支付服务器完成相应的用户扣款、用户付款调整、工作人员支付酬金等操作。
[0125]
基于此，在其中一个实施例中，根据检测结果的展示反馈，执行相应的设备回收操作的过程，包括步骤：
[0126]
根据展示反馈，指示工作人员将待回收设备持有至目标地址。
[0127]
其中，通过检测服务器直接或间接向工作人员一侧下发目标地址信息，由工作人员将待回收设备持有至目标地址以完成回收。
[0128]
在其中一个实施例中，根据检测结果的展示反馈，执行相应的设备回收操作的过程，包括步骤：
[0129]
根据展示反馈，调整待回收设备的回收价格。
[0130]
其中，通过展示反馈，由检测服务器与支付服务器完成交互，调整待回收设备的回收价格。
[0131]
在其中一个实施例中，根据检测结果的展示反馈，执行相应的设备回收操作的过程，包括步骤：
[0132]
根据展示反馈，生成物流信息以指示工作人员根据物流信息将待回收设备执行物流投递。
[0133]
其中，检测服务器可将物流信息直接下发至工作人员一侧，或由第三方服务器执行间接下发，以指示工作人员将待回收设备执行物流投递，进一步提高设备回收的效率。
[0134]
在其中一个实施例中，在根据检测结果的展示反馈，执行相应的设备回收操作的过程之后，还包括步骤：
[0135]
向支付服务器发送给付指令，以指示支付服务器针对目标人员的账户完成收付款。
[0136]
在完成回收后，检测服务器通过向支付服务器发送给付指令，指示支付服务器针对目标人员的账户完成收付款。
[0137]
在其中一个实施例中，目标人员包括用户、工作人员或第三方商家等，以完成在设备回收过程中各方收付款的及时结算和智能化。
[0138]
上述任一实施例的设备回收方法，在获取到设备回收请求后，向工作人员一侧发送回收信息，指示工作人员到终端地址获取设备回收终端，并持有设备回收终端到回收地址对待回收设备执行回收检测。接收设备回收终端执行回收检测所发送的检测数据，对检测数据执行检测并反馈检测结果至设备回收终端，由设备回收终端展示检测结果，根据检测结果的展示反馈，执行相应的设备回收操作。基于此，通过远程的检测结果反馈，降低对工作人员的专业性要求，并降低对设备回收终端的硬件能力要求，全方面地降低回收成本。同时，将检测结果展示和反馈前置到回收地址实现，有利于降低回收过程中的纠纷和沟通成本。
[0139]
基于此，在工作人员持有设备回收终端对待回收设备进行回收检测，获得检测数据中的外观影像的过程中，提供一种回收检测的外观影像抠图模型训练方法。
[0140]
图1为一实施方式的回收检测的外观影像抠图模型训练方法流程图，如图1所示，一实施方式的回收检测的外观影像抠图模型训练方法包括步骤s100至步骤s103：
[0141]
s100，获取训练影像样本；
[0142]
s101，对训练影像样本进行抠图处理，获得抠图处理结果；
[0143]
s102，建立卷积神经网络，根据抠图处理结果确定对应的通道影像；
[0144]
s103，根据通道影像训练抠图模型；其中，抠图模型用于输出最优的通道影像。
[0145]
其中，训练影像样本的获取方式与检测数据中的外观影像的获取方式一致或近似，通过在一致或近似非标准环境、一致或近似的拍摄设备对一致或近似的被拍摄对象进行拍摄，采集训练影像样本。同时，训练影像样本的影像参数与外观影像一致或近似。在其中一个实施例中，训练影像样本包括视频或图片。
[0146]
对训练影像样本进行抠图处理，获得抠图处理结果，以剔除干扰的背景环境，抠图后的抠图处理结果为集中观察的特征区域。
[0147]
在其中一个实施例中，图2为另一实施方式的回收检测的外观影像抠图模型训练方法流程图，如图2所示，步骤s101中对训练影像样本进行抠图处理，获得抠图处理结果的过程，包括步骤s200和步骤s201：
[0148]
s200，将训练影像样本处理为掩模图；
[0149]
s201，将掩模图转换成三分图，作为抠图处理结果。
[0150]
通过图像切割或物体切割算法将训练影像样本处理为掩模图。
[0151]
在其中一个实施例中，通过yolov5的物体切割算法根据训练影像样本生成黑白的mask图(掩模图)。
[0152]
在其中一个实施例中，通过膨胀腐蚀多次操作将掩模图处理成三分图。作为一个较优的实施方式，三分图包括白色图、黑色图和灰色图。
[0153]
以下以一具体应用例来解释步骤s200和步骤s201的有益效果：
[0154]
以alphamatting抠图算法为例，其原理是将图片分为三部分，前景，背景，以及两者间的掩膜。三者间的关系如下公式：
[0155]ii
＝
∝
ifi
+(1
ꢀ∝i)bi[0156]
∝i透明度的范围为[0-1]，表示前景背景的占比，f为前景，b为背景。由于事先只能确定训练影像样本上每一个像素点的颜色rgb，但每个像素点的单通道都包含(f，b，
∝
)三个未知数，从数学角度无法建立方程式求解，因此需要先给上述函数增加约束条件，确定三分图作为约束条件。三分图trimap就是提前粗略的将前景(白色)，背景(黑色)，两者间的模糊轮廓(灰色)先抠出来，即提前知道了基准前景f，基准背景b和基准α，让后续的抠图模型以这个约束条件为基础去进行更精细的抠图，求出最贴近检测图片的
∝
。
[0157]
传统的交互式抠图、幕布抠图或机器学习抠图中，其大部分trimap图都由人工提前去粗略抠图。在本实施例中，由于工作人员至用户一侧上门回收检测待回收设备，人工抠图会很影响检测时间和体验。为节省人力及时间，用了yolov5物体分割的原理对训练影像样本先进行大致上的黑白分割，此时拍摄训练影像样本或外观影像时采用人像模式且对好焦，提高分割的准确率，得到mask图片，且mask图只有黑白两种颜色。
[0158]
在得到mask图后，将mask图转成约束条件trimap图片。在其中一个实施例中，运用opencv里面的dilate,erode函数，膨胀跟腐蚀mask图，将其转成三分图trimap。
[0159]
建立卷积神经网络，将抠图处理结果确定为不同颜色的通道影像。
[0160]
在其中一个实施例中，如图2所示，步骤s102中建立卷积神经网络，根据抠图处理结果确定对应的通道影像的过程，包括步骤s202和步骤s203：
[0161]
s202，通过卷积神经网络的编码器提取抠图处理结果的特征；
[0162]
s203，通过卷积神经网络的解码器根据特征输出通道影像。
[0163]
图3为卷积神经网络处理示意图，如图3所示，将训练影像样本和trimap图当作编码器的输入数据，进入编码器流程，提取特征，进行多次卷积跟池化。
[0164]
如图3所示，进入解码器将编码器得到的特征打开，放大前景跟背景的间隙，再进行多次卷积采样，求出一个比较粗糙的
∝
值，那么就可以得到一个粗糙的matte图，前景为白色，背景为黑色，除此之外为透明。
[0165]
在其中一个实施例中，如图2所示，步骤s102中建立卷积神经网络，根据抠图处理结果确定对应的通道影像的过程，还包括步骤s204和步骤s205：
[0166]
s204，通过卷积神经网络的卷积和激活函数，对通道影像进行初步优化；
[0167]
s205，建立损失函数，对初步优化结果进行二次优化，将二次优化后的通道影像进行输出。
[0168]
如图3所示，利用一个小模型优化一下
∝
值。在其中一个实施例中，用了lambda表达式先将特征矩阵进行分片提取重要特征，然后将提取好的特征和得到的matte图再次执行解码器中的卷积+relu操作，得到一个较为细化的
∝
值。
[0169]
在其中一个实施例中，损失函数如下式：
[0170]
[0171][0172]
其中，
∝
p
表示预测值，
∝
t
表示基准值，∈2表示防止过拟合的变量，i
p
表示抠图处理结果，i
t
表示抠图处理前的训练影像样本。
[0173]
如图3所示，建立损失函数，损失函数包含两种，一种是预测出来的
∝
值的损失，如下式：
[0174][0175]
一种是按照预测出的
∝
值与基准前景，基准背景整合后的预测图与原图相比的差距，如下式：
[0176][0177]
在其中一个实施例中，损失函数结合为总损失函数，作为抠图模型的约束条件。
[0178]
在其中一个实施例中，构建好抠图模型后设置各种模型参数对抠图模型进行多次迭代训练，用损失函数作为约束条件获取满足几乎所有影像的最优α值，即可一个最优的通道影像，即抠出来的图。
[0179]
上述任一实施例的回收检测的外观影像抠图模型训练方法，在获取到训练影像样本后，对训练影像样本进行抠图处理，获得抠图处理结果。进一步地，建立卷积神经网络，根据抠图处理结果确定对应的通道影像，最后根据通道影像训练抠图模型。基于此，训练后的抠图模型可用于输出最优通道影像，完成非标准环境下的抠图作业，剔除环境引入的影像干扰，提高回收检测的效率和准确率。
[0180]
在完成抠图模型的训练，工作人员持有设备回收终端对待回收设备进行回收检测，获得检测数据中的外观影像后，提供一种回收检测的外观影像抠图方法。
[0181]
图4为一实施方式的回收检测的外观影像抠图方法流程图，如图4所示，一实施方式的回收检测的外观影像抠图方法包括步骤s300和步骤s301：
[0182]
s300，获取待抠图外观影像；
[0183]
s301，将待抠图外观影像输入抠图模型，将抠图模型的输出结果作为抠图结果。
[0184]
在其中一个实施例中，如图4所示，一实施方式的回收检测的外观影像抠图方法还包括步骤s302：
[0185]
s302，将输出结果与预设背景图进行整合，作为抠图结果。
[0186]
将输出结果与预先准备好的预设背景图进行整合，即放在预设背景图的中心。接着取输出结果的四个角(在设备为矩形时)裁剪一个最接近输出结果的矩形。确定好输出结果的中心点，以中心为固定点，逆时针旋转角度至上下两个角的x坐标一致即可，再调整下大小。对应的待回收设备在外观影像中就较为规整，也符合图像检测输入的图片格式，便于后续的瑕疵损耗检测。
[0187]
上述的回收检测的外观影像抠图方法，在获取到待抠图外观影像后，将待抠图外观影像输入抠图模型，将抠图模型的输出结果作为抠图结果。基于此，完成非标准环境下的抠图作业，剔除环境引入的影像干扰，提高回收检测的效率和准确率。
[0188]
本发明实施例还提供了一种回收检测的外观影像抠图模型训练装置。
[0189]
图5为一实施方式的回收检测的外观影像抠图模型训练装置模块结构图，如图5所示，一实施方式的回收检测的外观影像抠图模型训练装置包括：
[0190]
样本获取模块100，用于获取训练影像样本；
[0191]
抠图处理模块101，用于对训练影像样本进行抠图处理，获得抠图处理结果；
[0192]
网络处理模块102，用于建立卷积神经网络，根据抠图处理结果确定对应的通道影像；
[0193]
模型训练模块103，用于根据通道影像训练抠图模型；其中，抠图模型用于输出最优的通道影像。
[0194]
上述的回收检测的外观影像抠图模型训练装置，在获取到训练影像样本后，对训练影像样本进行抠图处理，获得抠图处理结果。进一步地，建立卷积神经网络，根据抠图处理结果确定对应的通道影像，最后根据通道影像训练抠图模型。基于此，训练后的抠图模型可用于输出最优通道影像，完成非标准环境下的抠图作业，剔除环境引入的影像干扰，提高回收检测的效率和准确率。
[0195]
本发明实施例还提供了一种回收检测的外观影像抠图装置。
[0196]
图6为一实施方式的回收检测的外观影像抠图装置模块结构图，如图6所示，一实施方式的回收检测的外观影像抠图装置包括：
[0197]
影像获取模块200，用于获取待抠图外观影像；
[0198]
模型输出模块201，用于将待抠图外观影像输入抠图模型，将抠图模型的输出结果作为抠图结果。
[0199]
上述的回收检测的外观影像抠图装置，在获取到待抠图外观影像后，将待抠图外观影像输入抠图模型，将抠图模型的输出结果作为抠图结果。基于此，完成非标准环境下的抠图作业，剔除环境引入的影像干扰，提高回收检测的效率和准确率。
[0200]
本发明实施例还提供了一种计算机存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述任一实施例的回收检测的外观影像抠图模型训练方法或回收检测的外观影像抠图方法。
[0201]
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，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0202]
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，
该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ram、rom、磁碟或者光盘等各种可以存储程序代码的介质。
[0203]
与上述的计算机存储介质对应的是，在一个实施例中还提供一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行程序时实现如上述各实施例中的任意一种回收检测的外观影像抠图模型训练方法或回收检测的外观影像抠图方法。
[0204]
该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种回收检测的外观影像抠图模型训练方法或回收检测的外观影像抠图方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0205]
上述计算机设备，在获取到训练影像样本后，对训练影像样本进行抠图处理，获得抠图处理结果。进一步地，建立卷积神经网络，根据抠图处理结果确定对应的通道影像，最后根据通道影像训练抠图模型。基于此，训练后的抠图模型可用于输出最优通道影像，完成非标准环境下的抠图作业，剔除环境引入的影像干扰，提高回收检测的效率和准确率。
[0206]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0207]
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

技术特征：
1.一种回收检测的外观影像抠图模型训练方法，其特征在于，包括步骤：获取训练影像样本；对所述训练影像样本进行抠图处理，获得抠图处理结果；建立卷积神经网络，根据所述抠图处理结果确定对应的通道影像；根据所述通道影像训练抠图模型；其中，所述抠图模型用于输出最优的通道影像。2.根据权利要求1所述的回收检测的外观影像抠图模型训练方法，其特征在于，所述对所述训练影像样本进行抠图处理，获得抠图处理结果的过程，包括步骤：将所述训练影像样本处理为掩模图；将所述掩模图转换成三分图，作为所述抠图处理结果。3.根据权利要求2所述的回收检测的外观影像抠图模型训练方法，其特征在于，所述将所述训练影像样本处理为掩模图的过程，包括步骤：通过yolov5的物体切割算法将所述训练影像样本处理为黑白的掩模图。4.根据权利要求2所述的回收检测的外观影像抠图模型训练方法，其特征在于，所述三分图包括白色图、黑色图和灰色图。5.根据权利要求1所述的回收检测的外观影像抠图模型训练方法，其特征在于，所述建立卷积神经网络，根据所述抠图处理结果确定对应的通道影像的过程，包括步骤：通过所述卷积神经网络的编码器提取所述抠图处理结果的特征；通过所述卷积神经网络的解码器根据所述特征输出通道影像。6.根据权利要求5所述的回收检测的外观影像抠图模型训练方法，其特征在于，所述建立卷积神经网络，根据所述抠图处理结果确定对应的通道影像的过程，还包括步骤：通过所述卷积神经网络的卷积和激活函数，对所述通道影像进行初步优化；建立损失函数，对所述初步优化结果进行二次优化，将二次优化后的通道影像进行输出。7.根据权利要求6所述的回收检测的外观影像抠图模型训练方法，其特征在于，所述损失函数如下式：失函数如下式：其中，
∝
p
表示预测值，
∝
t
表示基准值，∈2表示防止过拟合的变量，i
p
表示所述抠图处理结果，i
t
表示抠图处理前的所述训练影像样本。8.根据权利要求7所述的回收检测的外观影像抠图模型训练方法，其特征在于，所述抠图模型的约束条件为所述损失函数。9.一种回收检测的外观影像抠图方法，其特征在于，包括步骤：获取待抠图外观影像；将所述待抠图外观影像输入抠图模型，将所述抠图模型的输出结果作为抠图结果。10.根据权利要求9所述的回收检测的外观影像抠图方法，其特征在于，还包括步骤：将所述输出结果与预设背景图进行整合，作为所述抠图结果。

技术总结
本发明涉及一种回收检测的外观影像抠图模型训练方法及抠图方法，在获取到训练影像样本后，对训练影像样本进行抠图处理，获得抠图处理结果。进一步地，建立卷积神经网络，根据抠图处理结果确定对应的通道影像，最后根据所述通道影像训练抠图模型。基于此，训练后的抠图模型可用于输出最优通道影像，完成非标准环境下的抠图作业，剔除环境引入的影像干扰，提高回收检测的效率和准确率。回收检测的效率和准确率。回收检测的效率和准确率。


技术研发人员：田寨兴 许锦屏 余卫宇 廖伟权 刘嘉
受保护的技术使用者：广州绿怡信息科技有限公司
技术研发日：2021.12.08
技术公布日：2022/3/8