[发明专利]图像分类方法、装置、设备及介质

说明书

本发明公开了一种图像分类方法、装置、设备及介质，该图像分类方法通过将初始正常图像以及初始缺陷图像输入至包含初始参数的预设分类模型中，以通过预设分类模型对初始正常图像以及初始缺陷图像进行解耦恢复处理，确定图像恢复损失值、图像解耦损失值、图像分类损失值以及特征区分损失值；根据图像恢复损失值、图像解耦损失值、图像分类损失值以及特征区分损失值，确定预设分类模型的总损失值；在总损失值未达到预设的收敛条件时，更新迭代预设分类模型的初始参数，直至总损失值达到预设的收敛条件时，将收敛之后的预设分类模型记录为图像分类模型。本发明提高了图像分类的准确性。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像分类方法、装置、设备及介质。

背景技术

随着科学技术的发展，计算机视觉技术也越多应用于各个领域，以实现如图像分类等技术效果，但是在图像分类任务中存在仅有细微差异的不平衡图像分类问题，由于细微特征的差异极度不容易分辨，并且由于仅存在细微特征的样本图像较少；现有技术中，一般通过深度学习模型等分类模型对图像进行分类，但是深度学习模型需要大量的标注数据进行训练，但是仅存在细微特征的样本图像较少，并且细微特征的标注往往依靠资深的医生进行标注，而每一个医生的标注标准不统一，进而导致基于深度学习的图像分类难度较大，因此导致图像分类准确性较低。

发明内容

本发明实施例提供一种图像分类方法、装置、设备及介质，以解决图像分类准确性较低的问题。

一种图像分类方法，包括：

接收包含待分类图像的图像分类指令；

将所述待分类图像输入至图像分类模型中，以通过所述图像分类模型对所述待分类图像进行图像分类，得到图像分类结果；所述图像分类模型是根据图像分类模型训练方法训练得到的；所述图像分类模型训练方法包括下述步骤：

获取预设图像样本集；所述预设图像样本集中包括至少一个样本分类图像组；一个所述样本分类图像组包括初始正常图像以及初始缺陷图像；

将所述初始正常图像以及所述初始缺陷图像输入至包含初始参数的预设分类模型中，以通过所述预设分类模型对所述初始正常图像以及所述初始缺陷图像进行解耦恢复处理，确定在解耦恢复处理过程中预设分类模型的图像恢复损失值、图像解耦损失值、图像分类损失值以及特征区分损失值；

根据所述图像恢复损失值、图像解耦损失值、图像分类损失值以及特征区分损失值，确定所述预设分类模型的总损失值；

在所述总损失值未达到预设的收敛条件时，更新迭代所述预设分类模型的初始参数，直至所述总损失值达到所述预设的收敛条件时，将收敛之后的所述预设分类模型记录为所述图像分类模型。

一种图像分类装置，包括：

指令接收模块，用于接收包含待分类图像的图像分类指令；

图像分类模块，用于将所述待分类图像输入至图像分类模型中，以通过所述图像分类模型对所述待分类图像进行图像分类，得到图像分类结果；所述图像分类模型是根据图像分类模型训练方法训练得到的；所述图像分类模型训练方法包括下述步骤：

获取预设图像样本集；所述预设图像样本集中包括至少一个样本分类图像组；一个所述样本分类图像组包括初始正常图像以及初始缺陷图像；

将所述初始正常图像以及所述初始缺陷图像输入至包含初始参数的预设分类模型中，以通过所述预设分类模型对所述初始正常图像以及所述初始缺陷图像进行解耦恢复处理，确定在解耦恢复处理过程中预设分类模型的图像恢复损失值、图像解耦损失值，图像分类损失值以及特征区分损失值；

根据所述图像恢复损失值、图像解耦损失值、图像分类损失值以及特征区分损失值，确定所述预设分类模型的总损失值；