缺失字符检测、缺失字符检测模型的建立方法及装置
阅读说明：本技术 缺失字符检测、缺失字符检测模型的建立方法及装置 (Missing character detection and missing character detection model establishing method and device ) 是由 肖航 张子昊 于 2019-09-29 设计创作，主要内容包括：本申请公开一种缺失字符检测、缺失字符检测模型的建立方法及装置,属于图像处理技术领域,该方法包括：获取待检测图像,将待检测图像输入缺失字符检测模型中,根据缺失字符检测模型输出的待检测图像中各像素的概率信息生成第一目标图像,对第一目标图像进行轮廓提取,根据提取的轮廓信息确定待检测图像中喷码字符的个数,若喷码字符的个数小于预设个数,则确定待检测图像中的喷码字符有缺失,其中,缺失字符检测模型输出的各像素的概率信息包括每个像素属于喷码字符的概率,这样,以像素为单位对喷码字符进行缺失检测,检测的准确度较高,且待检测图像在尺寸上的变化也不易对检测效果产生影响。(The application discloses missing character detection and missing character detection model establishing methods and devices, belongs to the technical field of image processing, and comprises the following steps: the method comprises the steps of obtaining an image to be detected, inputting the image to be detected into a missing character detection model, generating a first target image according to probability information of each pixel in the image to be detected, which is output by the missing character detection model, extracting the outline of the first target image, determining the number of code-spraying characters in the image to be detected according to the extracted outline information, and determining that the code-spraying characters in the image to be detected are missing if the number of the code-spraying characters is smaller than a preset number, wherein the probability information of each pixel output by the missing character detection model comprises the probability that each pixel belongs to the code-spraying characters.)
技术领域
本申请涉及图像处理技术领域，尤其涉及一种缺失字符检测、缺失字符检测模型的建立方法及装置。
背景技术
工业生产中，产品在出厂之前大多需要在外包装上印制生产日期或生成批号等字符信息，并且，这些字符一般是采用喷码机来生成的，然而当喷码机的喷墨缺失时，会出现喷码字符缺失的现象。
目前，对喷码字符的缺失检测采用的方案是：获取图像后，计算图像中喷码字符的像素面积，若确定喷码字符的像素面积小于预设阈值，则认为图像中的喷码字符有缺失；若确定喷码字符的像素面积不小于预设阈值，则认为图像中的喷码字符没有缺失。在该方案中，图像不能有尺寸上的变化，因为图像尺寸变化后喷码字符的像素面积也会发生改变，预设阈值将不再有效，并且，预设阈值设置过高容易造成漏检，预设阈值设置过低容易造成错检，检测的准确率也难以保证。
发明内容
本申请实施例提供一种缺失字符检测、缺失字符检测模型的建立方法及装置，用以解决现有技术中在进行缺失字符检测时存在的对待检测图像的尺寸要求严格、且准确率难以保证的问题。
第一方面，本申请实施例提供的一种缺失字符检测方法，包括：
获取待检测图像；
将所述待检测图像输入到建立的缺失字符检测模型中，以确定所述待检测图像中各像素的概率信息，每个像素的概率信息包括第一概率信息，所述第一概率信息包括该像素属于喷码字符的概率；
根据所述缺失字符检测模型输出的所述待检测图像中各像素的第一概率信息，生成第一目标图像；
对所述第一目标图像进行轮廓提取，根据提取的轮廓信息确定所述待检测图像中的喷码字符信息，所述喷码字符信息包括喷码字符的个数；
若确定所述喷码字符的个数小于预设个数，则确定所述待检测图像中的喷码字符有缺失。
第二方面，本申请实施例提供的一种缺失字符检测模型的建立方法，包括：
获取图像样本，所述图像样本中包含至少一个喷码字符；
将所述图像样本输入到深度学习网络模型中，以确定所述图像样本中各像素的概率信息，每个像素的概率信息包括第一概率信息，所述第一概率信息包括该像素属于喷码字符的概率；
根据所述深度学习网络模型输出的所述图像样本中各像素的第一概率信息和预先生成的第一标签图像，确定所述深度学习网络模型的第一损失值；
根据所述第一损失值调整所述深度学习网络模型的参数，建立缺失字符检测模型。
第三方面，本申请实施例提供的一种缺失字符检测装置，包括：
获取模块，用于获取待检测图像；
确定模块，用于将所述待检测图像输入到建立的缺失字符检测模型中，以确定所述待检测图像中各像素的概率信息，每个像素的概率信息包括第一概率信息，所述第一概率信息包括该像素属于喷码字符的概率；
生成模块，用于根据所述缺失字符检测模型输出的所述待检测图像中各像素的第一概率信息，生成第一目标图像；
处理模块，用于对所述第一目标图像进行轮廓提取，根据提取的轮廓信息确定所述待检测图像中的喷码字符信息，所述喷码字符信息包括喷码字符的个数，若确定所述喷码字符的个数小于预设个数，则确定所述待检测图像中的喷码字符有缺失。
第四方面，本申请实施例提供的一种缺失字符检测模型的建立装置，包括：
获取模块，用于获取图像样本，所述图像样本中包含至少一个喷码字符；
概率确定模块，用于将所述图像样本输入到深度学习网络模型中，以确定所述图像样本中各像素的概率信息，每个像素的概率信息包括第一概率信息，所述第一概率信息包括该像素属于喷码字符的概率；
损失值确定模块，用于根据所述深度学习网络模型输出的所述图像样本中各像素的第一概率信息和预先生成的第一标签图像，确定所述深度学习网络模型的第一损失值；
调整模块，用于根据所述第一损失值调整所述深度学习网络模型的参数，建立缺失字符检测模型。
第五方面，本申请实施例提供的一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中：
存储器存储有可被至少一个处理器执行的指令，该指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项方法。
第六方面，本申请实施例提供的一种计算机可读介质，存储有计算机可执行指令，所述计算机可执行指令用于执行上述任一项方法。
本申请实施例中，获取到待检测图像后，将待检测图像输入到建立的缺失字符检测模型中，以确定待检测图像中各像素的概率信息，根据缺失字符检测模型输出的待检测图像中各像素属于喷码字符的概率，生成第一目标图像，进而对第一目标图像进行轮廓提取，根据提取的轮廓信息确定待检测图像中的喷码字符信息，如喷码字符的个数，若确定喷码字符的个数小于预设个数，则确定待检测图像中的喷码字符有缺失，其中，缺失字符检测模型输出的概率信息包括每个像素属于喷码字符的概率，这样，以像素为单位对喷码字符进行缺失检测，检测粒度可细化到像素级别，检测的准确度较高，且待检测图像在尺寸上的变化也不易对检测效果产生影响。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例提供的一种缺失字符检测方法的流程图；
图2为本申请实施例提供的又一种缺失字符检测方法的流程图；
图3为本申请实施例提供的一种缺失字符检测模型的建立方法的流程图；
图4为本申请实施例提供的一种确定深度学习网络模型的第一损失值的流程图；
图5为本申请实施例提供的又一种缺失字符检测模型的建立方法的流程图；
图6为本申请实施例提供的一种图像样本的示意图；
图7为本申请实施例提供的一种初始图像的示意图；
图8为本申请实施例提供的一种根据初始图像生成的图像样本的示意图；
图9为本申请实施例提供的一种对图像样本进行标签的示意图；
图10为本申请实施例提供的一种第一标签图像的示意图；
图11为本申请实施例提供的一种第二标签图像的示意图；
图12为本申请实施例提供的一种深度学习网络模型的结构示意图；
图13为本申请实施例提供的一种检测缺失字符的过程示意图；
图14为本申请实施例提供的一种缺失字符检测结果的示意图；
图15为本申请实施例提供的又一种缺失字符检测结果的示意图；
图16为本申请实施例提供的一种用于实现缺失字符检测方法和/或缺失字符检测模型建立方法的电子设备的硬件结构示意图；
图17为本申请实施例提供的一种缺失字符检测装置的结构示意图；
图18为本申请实施例提供的一种缺失字符检测模型建立装置的结构示意图。
具体实施方式
为了解决现有技术中在进行缺失字符检测时存在的对待检测图像的尺寸要求严格、且准确率难以保证的问题，本申请实施例提供了一种缺失字符检测、缺失字符检测模型的建立方法及装置。
以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
参见图1，图1为本申请实施例提供的一种缺失字符检测方法的流程图，该方法的流程包括以下步骤：
S101：获取待检测图像。
实际应用中，产品的生产日期、生产批次等字符信息一般都喷码在固定位置，因此，只需对产品的固定位置进行图像采集即可得到待检测图像。
S102：将待检测图像输入到建立的缺失字符检测模型中，以确定待检测图像中各像素的概率信息，每个像素的概率信息包括第一概率信息，第一概率信息包括该像素属于喷码字符的概率。
本申请实施例中建立的缺失字符检测模型可确定待检测图像中每个像素属于喷码字符的概率，以便从像素级别上辨别喷码字符是否有缺失，提升检测准确率。
S103：根据缺失字符检测模型输出的待检测图像中各像素的第一概率信息，生成第一目标图像。
其中，第一目标图像与待检测图像中的像素一一对应，且第一目标图像中包含有待检测图像中每个像素是否属于喷码字符的信息。
具体实施时，对待检测图像中的每个像素，可确定该像素属于喷码字符的概率与预设概率的大小关系，进而根据待检测图像中各像素属于喷码字符的概率与预设概率的大小关系，生成第一目标图像，其中，对待检测图像中的每个像素，若该像素属于喷码字符的概率大于预设概率，则第一目标图像中与该像素对应的像素为喷码字符的标注值；若该像素属于喷码字符的概率不大于预设概率，则第一目标图像中与该像素对应的像素为表示背景的预设值。
比如，可先获取第一灰度图像，该第一灰度图像与待检测图像中的像素一一对应，之后，对待检测图像中的每个像素，若确定该像素属于喷码字符的概率大于预设概率如0.5，则在第一灰度图像上将与该像素对应的像素标记为喷码字符的标注值比如“1”；若确定该像素属于喷码字符的概率不大于预设概率，则在第一灰度图像上将与该像素对应的像素标记为表示背景的预设值比如“0”，这样，相当于将待检测图像中的各喷码字符绘制在了第一灰度图像上，且第一灰度图像中不包含喷码字符之外的对象，便于后续确定待检测图像中的喷码字符信息，因此，可将各像素的取值修改后的第一灰度图像作为第一目标图像。
S104：对第一目标图像进行轮廓提取，根据提取的轮廓信息确定待检测图像中的喷码字符信息，其中，喷码字符信息包括喷码字符的个数。
具体实施时，可利用opencv库的cv2.findContours函数对第一目标图像进行轮廓提取，得到喷码字符的轮廓信息，进而根据得到的喷码字符的轮廓信息，分析确定待检测图像中的喷码字符信息如喷码字符的个数，其中，喷码字符的轮廓信息包括喷码字符的每个轮廓像素点的位置信息。
S105：若确定喷码字符的个数小于预设个数，则确定待检测图像中的喷码字符有缺失。
工业生产中，产品外包装上喷涂的喷码字符个数一般都是固定的，因此，如果确定喷码字符的个数小于预设个数，则说明待检测图像中的喷码字符有缺失。
另外，工业生产中，喷码字符一般都由固定行如N行喷码点组成，也就是说，每个喷码字符都包括N行喷码点，如果把每行喷码点看作一类，那么，在喷码点不缺失的情况下，每个喷码字符都包含N类喷码点，N为大于1的整数。
基于此，本申请实施例还提供一种即检测图像中的喷码字符是否有缺失又检测图像中的喷码点是否有缺失的缺失字符检测方法。具体地，图2为本申请实施例提供的又一种缺失字符检测方法的流程图，包括以下步骤：
S201：获取待检测图像，其中，待检测图像中包含至少一个喷码字符，每个喷码字符不缺失时包含N类喷码点，N为整数。
假设N＝7，即待检测图像中的每个喷码字符包括7行喷码点，按照喷码点行数从上到下的顺序依次为第1类喷码点、第2类喷码点……第7类喷码点，其中，第1类喷码点的标注值可为“1”，第2类喷码点的标注值可为“2”……第7类喷码点的标注值可为“7”。
S202：将待检测图像输入到建立的缺失字符检测模型中，以确定待检测图像中各像素的概率信息，其中，每个像素的概率信息包括第一概率信息和第二概率信息。
这里，第一概率信包括该像素属于喷码字符的概率；第二概率信息包括该像素属于各类喷码点的概率和该像素属于背景的概率，其中，背景是指待检测图像中除喷码点之外的所有对象。也就是说，待检测图像中的像素共分为N个喷码点类和1个背景类，待检测图像中不属于喷码点的像素都归为背景类，且背景类可用预设值进行标记如“0”。
S203：根据缺失字符检测模型输出的待检测图像中各像素的第一概率信息，生成第一目标图像。
该步骤的实施过程参见S103的实施过程，在此不再赘述。
S204：对第一目标图像进行轮廓提取，根据提取的轮廓信息确定待检测图像中的喷码字符信息，其中，喷码字符信息包括喷码字符的个数和每个喷码字符的位置信息。
上述步骤S104中，对表示轮廓的每个像素进行分析，不仅可确定待检测图像中的喷码字符个数，还可确定每个喷码字符的位置信息。
S205：判断喷码字符的个数是否小于预设个数，若是，则进入S206；否则，进入S207。
S206：确定待检测图像中的喷码字符有缺失。
S207：根据缺失字符检测模型输出的待检测图像中各像素的第二概率信息，生成第二目标图像。
其中，第二目标图像与待检测图像中的像素一一对应，且第二目标图像中包含有待检测图像中每个像素所属喷码点的类别信息。
具体实施时，对待检测图像中的每个像素，取该像素的第二概率信息中概率最大的类别为该像素所属的类别，进而根据待检测图像中各像素所属的类别，生成第二目标图像，其中，对待检测图像中的每个像素，若该像素所属的类别为背景，则第二目标图像中与该像素对应的像素为表示背景的预设值；若该像素所属的类别为第i类喷码点，则第二目标图像中与该像素对应的像素为第i类喷码点所属类别的标注值，1≤i≤N，且i为整数。
比如，可先获取第二灰度图像，该第二灰度图像与待检测图像中的像素一一对应，之后，对待检测图像中的每个像素，取该像素的第二概率信息中概率最大的类别为该像素所属的类别，若该像素所属的类别为背景，则在第二灰度图像上将与该像素对应的像素标记为表示背景的预设值如“0”；若该像素所属的类别为第i类喷码，则在第二灰度图像上将与该像素对应的像素标记为第i类喷码点所属类别的标注值，这样，相当于在第二灰度图像上绘制出了待检测图像中各喷码点的图像，且第二灰度图像中不包含除喷码点之外的对象，便于后续判断待检测图像中的喷码点是否有缺失，因此，可将各像素值修改后的第二灰度图像作为第二目标图像。
S208：根据各喷码字符的位置信息和第二目标图像，确定待检测图像中各喷码字符的喷码点是否有缺失。
具体地，根据每个喷码字符的位置信息，确定该喷码字符在第二目标图像中对应的像素区域，若该像素区域中各像素的喷码点类别小于N，则确定待检测图像中该喷码字符的喷码点有缺失；若该像素区域中各像素的喷码点类别不小于N，则确定待检测图像中该喷码字符的喷码点没有缺失，其中，该像素区域中各像素的喷码点类别等于该像素区域中表示喷码点所属类别的标注值的种类。
这样，不必确定待检测图像中的每个喷码字符是什么，只需判断每个喷码字符中包含的喷码点类别是否达到N，即可确定喷码字符中的喷码点是否有缺失，检测的速度也比较快。
上述流程中，当确定待检测图像中的喷码字符缺失或喷码字符的喷码点有缺失时，还可发出告警信息，以便提醒相关人员及时采取处理措辞。另外，对识别出的每个对象(包括喷码字符和喷码点)，还可根据该对象的位置信息在待检测图像中对该对象进行标注，以显示地展示检测结果，用户体验也较好。
对应于上述实施例，如图3所示，为本申请实施例提供的一种缺失字符检测模型的建立方法的流程图，该方法的流程包括以下步骤：
S301：获取图像样本，其中，图像样本中包含至少一个喷码字符。
实际应用中，虽然生产线上会出现喷码字符缺失或喷码点缺失的图像，但搜集这些图像的过程会比较久，不利于快速建立缺失字符检测模型，因此，本申请实施还提供一种生成图像样本的方法。
具体地，获取初始图像，该初始图像中包含至少一个喷码字符，之后，循环执行：根据初始图像中喷码字符的位置标注信息，对初始图像中的喷码字符进行遮挡处理，确定循环次数达到设定次数时，将遮挡处理后的初始图像作为图像样本，其中，每次选择的遮挡区域的尺寸可以相同或不同，并且，当每次选择的遮挡区域的尺寸不同时可使最终生成的图像样本中喷码字符的缺失情况接近真实的喷码字符缺失情况。
S302：将图像样本输入到深度学习网络模型中，以确定图像样本中各像素的概率信息，每个像素的概率信息包括第一概率信息，第一概率信息包括该像素属于喷码字符的概率。
具体实施时，将图像样本输入到深度学习网络模型中之后，可控制深度学习网络模型对图像样本进行特征提取，进而根据提取的图像特征预测图像样本中各像素的概率信息。
S303：根据深度学习网络模型输出的图像样本中各像素的第一概率信息和预先生成的第一标签图像，确定深度学习网络模型的第一损失值。
其中，第一标签图像与图像样本中的像素一一对应，且第一标签图像中包含有图像样本中每个像素是否属于喷码字符的信息。
具体实施时，可根据以下步骤生成第一标签图像：
获取图像样本中每个喷码字符的轮廓标注信息，该轮廓标注信息包括该喷码字符中每个轮廓标注点的位置信息，进而根据图像样本中每个喷码字符中各轮廓标注点的位置信息，生成第一标签图像，其中，对图像样本中的每个喷码字符，第一标签图像中与该喷码字符中各轮廓标注点对应的像素形成一个字符轮廓，该字符轮廓内的像素为喷码字符的标注值，而第二标签图像中未落入任一字符轮廓内的像素为表示背景的预设值。
比如，可获取第一灰度图像，第一灰度图像和图像样本中的像素一一对应，并获取图像样本中每个喷码字符的轮廓标注信息，该轮廓标注信息包括该喷码字符中每个轮廓标注点的位置信息，然后，对每个喷码字符，根据该喷码字符中每个轮廓标注点的位置信息，在第一灰度图像上确定与该轮廓标注点对应的像素，确定第一灰度图像上各轮廓标注点对应的像素所形成的字符轮廓，进而将字符轮廓内每个像素的取值修改为喷码字符的标注值比如“1”，并将第二标签图像中未落入任一字符轮廓内的像素标记为表示背景的预设值比如“0”，这样，相当于在第一灰度图像中绘制了图像样本中的各喷码字符，且第一灰度图像中不包含其它对象，便于后续判断图像样本中的喷码字符是否有缺失，因此，可将各像素的取值修改后的第一灰度图像作为第一标签图像。
实际应用中，图像样本中喷码字符所占的区域一般比较小，非喷码字符所占的区域比较大，这样，深度学习网络模型的第一损失值将会由大多数的非喷码字符的像素点控制，而对喷码字符的识别效果会比较差。
鉴于第一标签图像中喷码字符所占区域中像素的取值为标注值，非喷码字符所占区域中像素的取值为预设值，当标注值大于预设值时，如果将每个像素的误差值和第一标签图像中对应像素的取值进行相乘，那么，可大大减弱非喷码字符的像素点对深度学习网络模型的第一损失值的控制。因此，本申请实施例中，根据图像样本中每个像素属于喷码字符的概率和第一标签图像中对应像素的取值，确定深度学习网络模型的第一损失值。
具体地，参见图4，为本申请实施例提供的一种确定深度学习网络模型的第一损失值的流程图，该流程包括以下步骤：
S401a：对图像样本中的每个像素，根据该像素属于喷码字符的概率和第一标签图像中对应像素的取值，确定该像素的第一损失值，确定该像素的第一损失值与第一标签图像中对应像素的取值的乘积，将该像素的第一损失值更新为乘积结果。
比如，根据以下公式确定图像样本中第i个像素的第一损失值bce loss(xi,yi)：
bce loss(xi,yi)＝-[yilogxi+(1-yi)log(1-xi)]；
其中，xi为图像样本中第i个像素属于喷码字符的概率，yi为第一标签图像中第i个像素的取值。
那么，图像样本中第i个像素更新后的第一损失值ourbce loss(xi,yi)为：
our bce loss(xi,yi)＝bce loss(xi,yi)*yi。
S402a：确定图像样本中各像素的第一损失值的平均值为深度学习网络模型的第一损失值。
即，
S304：根据深度学习网络模型的第一损失值调整深度学习网络模型的参数，建立缺失字符检测模型。
具体实施时，可利用梯度下降法调整深度学习网络模型的参数，直至确定深度学习网络模型的第一损失值小于预设损失值时，将当前的深度学习网络模型作为建立的缺失字符检测模型。
如图5所示，为本申请实施例提供的又一种缺失字符检测模型的建立方法的流程图，该方法的流程包括以下步骤：
S501：获取图像样本，其中，图像样本中包含至少一个喷码字符，每个喷码字符不缺失时包含N类喷码点，N为大于1的整数。
假设N＝7，即图像样本中的喷码字符有7行喷码点，按照喷码点行数从上到下的顺序依次分为第1类喷码点、第2类喷码点……第7类喷码点，其中，第1类喷码点所属类别的标注值可为“1”，第2类喷码点所属类别的标注值可为“2”……第7类喷码点所属类别的标注值可为“7”。
另外，生成图像样本的实施过程可参见S301的实施过程，在此不再赘述。
S502：将图像样本输入到深度学习网络模型中，以确定图像样本中各像素的概率信息，其中，每个像素的概率信息包括第一概率信息和第二概率信息。
这里，第一概率信包括该像素属于喷码字符的概率；第二概率信息包括该像素属于各类喷码点的概率和该像素属于背景的概率。
具体实施时，将图像样本输入到深度学习网络模型中之后，可控制深度学习网络模型对图像样本进行特征提取，进而根据提取的图像特征预测图像样本中每个像素的概率信息。
S503：根据深度学习网络模型输出的图像样本中各像素的第一概率信息和预先生成的第一标签图像，确定深度学习网络模型的第一损失值。
该步骤的实施过程可参见上述S303的实施过程，在此不再赘述。
S504：根据深度学习网络模型输出的图像样本中各像素的第二概率信息和预先生成的第二标签图像，确定深度学习网络模型的第二损失值。
其中，第二标签图像与图像样本中的像素一一对应，第二标签图像中包含有图像样本中每个像素所属喷码点的类别信息。
具体实施时，可根据以下步骤生成第二标签图像：
获取图像样本中每个喷码点的轮廓标注信息，该轮廓标注信息包括喷码点的每个轮廓标注点的位置信息，进而根据图像样本中每个喷码点中各轮廓标注点的位置信息，生成第二标签图像，其中，对图像样本中的每个喷码点，第二标签图像中与喷码点中各轮廓标注点对应的像素形成一个喷码点轮廓，喷码点轮廓内的像素为喷码点所属类别的标注值，第二标签图像中未落入任一喷码点轮廓内的像素为表示背景的预设值。
比如，获取第二灰度图像，第二灰度图像与图像样本中的像素一一对应，并获取图像样本中每个喷码点的轮廓标注信息，此轮廓标注信息包括该喷码点的每个轮廓标注点的位置信息，对每个喷码点，根据该喷码点中每个轮廓标注点的位置信息，在第二灰度图像上确定与该轮廓标注点对应的像素，确定第二灰度图像上各轮廓标注点对应的像素所形成的喷码点轮廓，将喷码点轮廓内各像素的取值修改为该喷码点所属喷码点类别的标注值，并将第二灰度图像中未落入任一喷码点轮廓内的像素修改为表示背景的预设值比如“0”，这样，相当于在第二灰度图像中绘制出了图像样本中的各喷码点，且第二灰度图像中不包含其它对象，便于后续判断图像样本中的喷码点是否有缺失，因此，可将像素值修改后的第二灰度图像作为第二标签图像。
进一步地，根据图像样本中各像素的第二概率信息和第二标签图像，确定深度学习网络模型的第二损失值。
具体地，对图像样本中每个像素，取该像素的第二概率信息中概率最大的类别为该像素所属的类别，根据该像素所属的类别和第二标签图像中对应像素所属的类别，确定该像素的第二损失值。
比如，对图像样本中第i个像素，假设深度学习网络模型预测的是第i个像素属于第j类喷码点，第二标签图像中标记的是第i个像素属于第k类喷码点，可使用交叉熵损失函数(Cross Entropy)计算第i个像素的第二损失值CrossEntropyLoss(i,y'i)：
CrossEntropyLoss(i,y'i)＝-y'i log(pi)；
其中，pi是深度学习网络模型预测的第i个像素属于第j类喷码点的概率；当j＝k，即预测类别和标注类别一致时，y'i＝1，当j≠k，即预测类别和标注类别不一致时，y'i＝0，1≤i≤N，1≤j≤N。
之后，可计算图像样本中各像素的第二损失值的平均值，将该平均值确定为深度学习网络模型的第二损失值。
即，
S505：根据第一损失值和第二损失值，确定深度学习网络模型的总损失值,根据总损失值调整深度学习网络模型的参数。
比如，可根据以下公式计算深度学习网络模型的总损失值Loss：
Loss＝w*our bce loss+(1-w)*CrossEntropyLoss，其中，w为预先设定的权重，比如w＝0.5。
进一步地，可利用梯度下降法调整深度学习网络模型的参数，直至确定深度学习网络模型的总损失值小于预设损失值时，将当前的深度学习网络模型作为建立的缺失字符检测模型。
需要说明的是在图5所示的流程中，S503和S504之间没有严格的先后顺序关系。
下面结合具体的实施例对本申请实施例进行介绍。
本申请实施例的主要思路是，将每个喷码字符中的喷码点进行分类，比如每个喷码字符均由从上到下的7行喷码点组成，则将喷码点分为7个类别，第1行喷码点为第1类别，第2行喷码点为第2类别...第7行喷码点为第7类别。在此类别划分基础之上，利用缺失字符检测模型对喷码字符中的喷码点进行分类预测，对预测出的每个喷码字符，统计该喷码字符中包含的喷码点类别数，如果类别数达不到7，则说明该喷码字符某一行的喷码点有缺失，否则，认为该喷码字符中的喷码点不存在缺失现象。
具体地，本申请实施例具体流程如下。
第一步：获取图像样本。
如图6所示，为本申请实施例获取的易拉罐罐底带喷码字符的图像样本。
为了降低获取图像样本的时间成本，本申请实施例还可自动生成喷码缺失的图像样本。参见图7，具体实施时，先从初始图像中采集一小块管底背景图像作为拾取框，如矩形框所示，然后调整拾取框的大小，调到适合大小后将拾取框随机覆盖到图7中喷码字符的所在区域，如果覆盖到喷码字符上，就产生了字符缺失的图像样本；如果覆盖到喷码点上，就产生了喷码点缺失的图像样本，图8示出了一种覆盖结果。
第二步，生成标签图像。
在图像样本上使用矩形框对检测对象进行标注，其中，检测对象即包括图像样本中的喷码字符又包括每个喷码字符中的喷码点，标注效果如图9所示，并且，将标注的每个轮廓点的位置信息保存在json文件中。
本申请实施例中，因为要同时预测图像样本中喷码字符和喷码点的位置，所以预先生成两幅标签图像：第一标签图像和第二标签图像。
首先，生成第一标签图像。
具体地，获取son文件中表示图像样本中喷码字符轮廓的轮廓标注信息，对每个轮廓标注点，根据该轮廓标注点的位置信息在一张黑色背景(像素值为0)的灰度图像确定该轮廓标注点对应的像素点，将各轮廓标注点对应的像素点组成的闭合区域(即字符轮廓)用白色像素(像素值为1)填充，得到第一标签图像，如图10所示。
然后，生成第二标签图像。
具体地，获取json文件中表示图像样本中每个喷码字符的各喷码点的轮廓标注信息，对每个喷码点，根据该喷码点的轮廓标注点的位置信息在一张黑色背景(像素值为0)的灰度图像上确定该轮廓标注点对应的像素点，将各轮廓标注点对应的像素点组成的闭合区域(即喷码点轮廓)用该喷码点所属类别的标注值进行填充，其中，若该喷码点为第1类喷码点，则闭合区域内的像素用“1”填充，若该喷码点为第2类喷码点，则闭合区域内的像素用“2”填充……若该喷码点为第7类喷码点，则闭合区域内的像素用“7”填充，最终得到第二标签图像，如图11所示。
需要说明的是，图11所示的图像代表对图像样本中的像素进行分类，其中，1个背景类(不属于任何喷码点的像素均归为背景类)，7个喷码点类，总共是8类像素。
第三步，训练缺失字符检测模型。
本申请实施例采用的深度学习网络模型的结构如图12所示，具体实施时，将图像样本输入到深度学习网络模型中，由深度学习网络模型利用特征金字塔网络(FeaturePyramid Network，FPN)对图像样本进行不同尺度的特征提取，将不同尺度的特征图进行融合，再对融合后的特征图进行卷积运算，输出图像样本中各像素的概率信息，每个像素的概率信息中包含第一概率信息和第二概率信息，其中，第一概率信息包括该像素属于喷码字符的概率，第二概率信息包括该像素属于各类喷码点的概率和该像素属于背景的概率。
进一步地，根据深度学习网络模型输出的图像样本中各像素的概率信息和预先生成的标签图像，计算损失值。
具体地，根据深度学习网络模型输出的图像样本中各像素的第一概率信息和第一标签图像，确定深度学习网络模型的第一损失值。
这里，使用的损失函数为bce loss，具体地，根据以下公式确定图像样本中第i个像素的第一损失值bce loss(xi,yi)：
bce loss(xi,yi)＝-[yilogxi+(1-yi)log(1-xi)]；
其中，xi为图像样本中第i个像素属于喷码字符的概率，yi为第一标签图像中第i个像素的取值。
由于图像样本中属于喷码字符的像素比较少，不属于喷码字符的像素比较多，所以计算的损失值由大多数的不属于喷码字符的像素控制，这会导致深度学习网络模型对喷码字符的检测效果差，为此，本申请实施例对损失函数进行了改进，改进之后图像样本中第i个像素的损失函数为：
our bce loss(xi,yi)＝bce loss(xi,yi)*yi。
这是因为在第一标签图像中属于喷码字符的像素的取值为“1”，不属于喷码字符的像素取值为“0”，那么，在得到图像样本中第i个像素的损失值之后，计算第i个像素的损失值与第一标签图像该像素的取值，可尽可能地减小非头发像素的损失值，削弱非头发像素对最终损失值的影响，提升头发像素对最终损失值的贡献。
然后，再对各像素点的our bce loss计算均值，得到深度学习网络模型的第一损失值，即：
其中，M代表图像样本的像素个数。
并且，根据图像样本中各像素的第二概率信息和第二标签图像，确定深度学习网络模型的第二损失值。
具体地，对图像样本中第i个像素，假设深度学习网络模型预测的是第i个像素属于第j类喷码点，第二标签图像中标记的是第i个像素属于第k类喷码点，使用CrossEntropy计算第i个像素的第二损失值CrossEntropyLoss(i,y'i)：
CrossEntropyLoss(i,y'i)＝-y'i log(pi)；
其中，pi是深度学习网络模型预测的第i个像素属于第j类喷码点的概率；当j＝k，即预测类别和标注类别一致时，y'i＝1，当j≠k，即预测类别和标注类别不一致时，y'i＝0，1≤i≤N，1≤j≤N。
之后，可计算图像样本中各像素的第二损失值的平均值，将该平均值确定为深度学习网络模型的第二损失值。
即，
最后，将两个损失值加权相加，得到总损失，比如采用如下公式：
Loss＝0.5×BCELoss+0.5×CrossEntropyLoss。
进一步地，根据损失值反向修正卷积核中的卷积参数，Loss越小，代表预测结果与标签越相同，预测错的像素越少。当损失值小于一定值时，认为深度学习网络模型可自动完成对图像样本中不同像素的分类，结束训练。
第四步，应用字符缺失检测模型。
如图13所示，为本申请实施例提供的一种检测喷码字符是否有缺失的过程示意图，具体实施时，将获取的待检测图像输入到缺失字符检测模型中，得到待检测图像各像素的概率信息，每个像素的概率信息包括第一概率信息和第二概率信息，其中，第一概率信包括该像素属于喷码字符的概率；第二概率信息包括该像素属于各类喷码点的概率和该像素属于背景的概率。
进一步地，根据缺失字符检测模型输出的待检测图像中各像素的第一概率信息，生成第一目标图像，对第一目标图像进行轮廓提取，根据提取的轮廓信息确定待检测图像中的喷码字符信息，该喷码字符信息包括喷码字符的个数和每个喷码字符的位置信息，若确定喷码字符的个数小于预设个数，则确定待检测图像中的喷码字符有缺失。
具体实施时，根据以下步骤生成第一目标图像：
对待检测图像中的每个像素，确定该像素属于喷码字符的概率与预设概率的大小关系，进而根据待检测图像中各像素属于喷码字符的概率与预设概率的大小关系，生成第一目标图像，其中，对待检测图像中的每个像素，若该像素属于喷码字符的概率大于预设概率如0.5，则第一目标图像中与该像素对应的像素为喷码字符的标注值如“1”；否则，第一目标图像中与该像素对应的像素为表示背景的预设值如“0”。
另外，若确定喷码字符的个数不小于预设个数，则还可根据缺失字符检测模型输出的待检测图像中各像素的第二概率信息，生成第二目标图像，
具体实施时，根据以下步骤生成第二目标图像：
对待检测图像中的每个像素，取该像素的第二概率信息中概率最大的类别为该像素所属的类别，进而根据待检测图像中各像素所属的类别，生成第二目标图像，其中，对待检测图像中的每个像素，若该像素所属的类别为背景，则第二目标图像中与该像素对应的像素为表示背景的预设值；若该像素所属的类别为第i类喷码点，则第二目标图像中与该像素对应的像素为第i类喷码点的标注值，1≤i≤N，且i为整数。
进一步地，可根据第二目标图像和各喷码字符的位置信息，确定待检测图像中各喷码字符的喷码点是否有缺失。
具体地，根据每个喷码字符的位置信息，确定该喷码字符在第二目标图像中对应的像素区域，若该像素区域中包含的喷码点类别(即表示喷码点的取值种类)小于7，则确定待检测图像中该喷码字符的喷码点有缺失；若该像素区域中包含的喷码点类别不小于7，则确定待检测图像中该喷码字符的喷码点没有缺失。
参见图14，图14示出了两种预测结果，其中，一个矩形框代表预测出的一个喷码字符，每种数字代表一类喷码点，其中，左侧矩形框内识别出①②③④⑤⑥⑦共7类喷码点，代表左边的喷码字符没有出现喷码点缺失现象；右侧矩形框内只识别出①②③⑦共4类喷码点，没有包含④⑤⑥类喷码点，代表右边的喷码字符存在喷码点缺失现象。
假设正常情况下，待检测图像中第一行有13个喷码字符，第二行有13个喷码字符，并假设喷码缺失检测结果如图15所示，其中，第一行有11个喷码字符，第二行有7个喷码字符，则说明图15中第一行缺失2个字符，第二行缺失6个字符，并且，15中第一行的11个喷码字符中有6个喷码字符存在喷码点缺失现象，第二行的7个喷码字符中2个喷码字符存在喷码点缺失现象。
本申请实施例中，基于分割的深度学习网络模型对待检测图像中的每个像素进行分类，不但可得到该像素属于喷码字符的概率，而且可识别出该像素属于各类喷码点的概率，进而根据这些概率信息确定待检测图像中的喷码字符是由缺失，每个喷码字符的喷码点是否有缺失，识别的精度更高。另外，算法强大适应性好，可以应对不同场景的变化，鲁棒性也比较好。
参见图16所示，为本申请实施例提供的一种电子设备的结构示意图，该电子设备包括收发器1601以及处理器1602等物理器件，其中，处理器1602可以是一个中央处理单元(central processing unit，CPU)、微处理器、专用集成电路、可编程逻辑电路、大规模集成电路、或者为数字处理单元等等。收发器1601用于电子设备和其他设备进行数据收发。
该电子设备还可以包括存储器1603用于存储处理器1602执行的软件指令，当然还可以存储电子设备需要的一些其他数据，如电子设备的标识信息、电子设备的加密信息、用户数据等。存储器1603可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储器1603也可以是非易失性存储器(non-volatilememory)，例如只读存储器(read-only memory，ROM)，快闪存储器(flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)、或者存储器1603是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器1603可以是上述存储器的组合。
本申请实施例中不限定上述处理器1602、存储器1603以及收发器1601之间的具体连接介质。本申请实施例在图16中仅以存储器1603、处理器1602以及收发器1601之间通过总线1604连接为例进行说明，总线在图16中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图16中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
处理器1602可以是专用硬件或运行软件的处理器，当处理器1602可以运行软件时，处理器1602读取存储器1603存储的软件指令，并在所述软件指令的驱动下，执行前述实施例中涉及的缺失字符检测方法和/或缺失字符检测模型建立方法。
当本申请实施例中提供的方法以软件或硬件或软硬件结合实现的时候，电子设备中可以包括多个功能模块，每个功能模块可以包括软件、硬件或其结合。
具体的，参见图17所示，为本申请实施例提供的一种缺失字符检测装置的结构示意图，包括获取模块1701、确定模块1702、生成模块1703、处理模块1704。
获取模块1701，用于获取待检测图像；
确定模块1702，用于将所述待检测图像输入到建立的缺失字符检测模型中，以确定所述待检测图像中各像素的概率信息，每个像素的概率信息包括第一概率信息，所述第一概率信息包括该像素属于喷码字符的概率；
生成模块1703，用于根据所述缺失字符检测模型输出的所述待检测图像中各像素的第一概率信息，生成第一目标图像；
处理模块1704，用于对所述第一目标图像进行轮廓提取，根据提取的轮廓信息确定所述待检测图像中的喷码字符信息，所述喷码字符信息包括喷码字符的个数，若确定所述喷码字符的个数小于预设个数，则确定所述待检测图像中的喷码字符有缺失。
可选地，所述生成模块1703具体用于：
对所述待检测图像中的每个像素，确定该像素属于喷码字符的概率与预设概率的大小关系；
根据所述待检测图像中各像素属于喷码字符的概率与预设概率的大小关系，生成第一目标图像；其中，对所述待检测图像中的每个像素，若该像素属于喷码字符的概率大于所述预设概率，则所述第一目标图像中与该像素对应的像素为喷码字符的标注值；否则，所述第一目标图像中与该像素对应的像素为表示背景的预设值。
可选地，所述待检测图像中每个喷码字符不缺失时包含N类喷码点，每个像素的概率信息还包括第二概率信息，所述第二概率信息包括该像素属于各类喷码点的概率和该像素属于背景的概率，所述喷码字符信息还包括每个喷码字符的位置信息，N为大于1的整数，以及
所述生成模块1703，还用于若确定所述喷码字符的个数不小于所述预设个数，则根据所述缺失字符检测模型输出的所述待检测图像中各像素的第二概率信息，生成第二目标图像；
所述处理模块1704，还用于根据各喷码字符的位置信息和所述第二目标图像，确定所述待检测图像中各喷码字符的喷码点是否有缺失。
可选地，所述生成模块1703具体用于：
对所述待检测图像中的每个像素，取该像素的第二概率信息中概率最大的类别为该像素所属的类别；
根据所述待检测图像中各像素所属的类别，生成第二目标图像；其中，对所述待检测图像中的每个像素，若该像素所属的类别为背景，则所述第二目标图像中与该像素对应的像素为表示背景的预设值；若该像素所属的类别为第i类喷码点，则所述第二目标图像中与该像素对应的像素为第i类喷码点所属类别的标注值，1≤i≤N，且i为整数。
可选地，所述处理模块1704具体用于：
根据每个喷码字符的位置信息，确定该喷码字符在所述第二目标图像中对应的像素区域；
若所述像素区域中包含的喷码点类别小于N，则确定所述待检测图像中该喷码字符的喷码点有缺失；
若所述像素区域中包含的喷码点类别不小于N，则确定所述待检测图像中该喷码字符的喷码点没有缺失。
参见图18所示，为本申请实施例提供的一种缺失字符检测模型的建立装置的结构示意图，包括获取模块1801、概率确定模块1802、损失值确定模块1803、调整模块1804。
获取模块1801，用于获取图像样本，所述图像样本中包含至少一个喷码字符；
概率确定模块1802，用于将所述图像样本输入到深度学习网络模型中，以确定所述图像样本中各像素的概率信息，每个像素的概率信息包括第一概率信息，所述第一概率信息包括该像素属于喷码字符的概率；
损失值确定模块1803，用于根据所述深度学习网络模型输出的所述图像样本中各像素的第一概率信息和预先生成的第一标签图像，确定所述深度学习网络模型的第一损失值；
调整模块1804，用于根据所述第一损失值调整所述深度学习网络模型的参数，建立缺失字符检测模型。
可选地，还包括生成模块1805，用于根据以下步骤生成所述第一标签图像：
获取所述图像样本中每个喷码字符的轮廓标注信息，所述轮廓标注信息包括该喷码字符中每个轮廓标注点的位置信息；
根据所述图像样本中每个喷码字符中各轮廓标注点的位置信息，生成所述第一标签图像，其中，对所述图像样本中的每个喷码字符，所述第一标签图像中与所述喷码字符中各轮廓标注点对应的像素形成一个字符轮廓，所述字符轮廓内的像素为喷码字符的标注值，所述第二标签图像中未落入任一字符轮廓内的像素为表示背景的预设值。
可选地，所述喷码字符的标注值大于所述表示背景的预设值，所述损失值确定模块1803具体用于：
对所述图像样本中的每个像素，根据该像素属于喷码字符的概率和所述第一标签图像中对应像素的取值，确定该像素的第一损失值，将该像素的第一损失值更新为该像素的第一损失值与所述第一标签图像中对应像素的取值的乘积；
确定所述图像样本中各像素的第一损失值的平均值为所述深度学习网络模型的第一损失值。
可选地，若所述图像样本中每个喷码字符不缺失时包含N类喷码点，每个像素的概率信息还包括第二概率信息，所述第二概率信息包括该像素属于各类喷码点的概率和该像素属于背景的概率，所述喷码字符信息还包括每个喷码字符的位置信息，N为大于1的整数，以及
所述生成模块1805，还用于根据所述深度学习网络模型输出的所述图像样本中各像素的第二概率信息和预先生成的第二标签图像，确定所述深度学习网络模型的第二损失值；
所述调整模块1804，还用于根据所述第一损失值和所述第二损失值，确定所述深度学习网络模型的总损失值，根据所述总损失值调整所述深度学习网络模型的参数。
可选地，所述生成模块1805还用于根据以下步骤生成所述第二标签图像：
获取所述图像样本中每个喷码点的轮廓标注信息，所述轮廓标注信息包括所述喷码点的每个轮廓标注点的位置信息；
根据所述图像样本中每个喷码点中各轮廓标注点的位置信息，生成所述第二标签图像，其中，对所述图像样本中的每个喷码点，所述第二标签图像中与所述喷码点中各轮廓标注点对应的像素形成一个喷码点轮廓，所述喷码点轮廓内的像素为所述喷码点所属类别的标注值，所述第二标签图像中未落入任一喷码点轮廓内的像素为表示背景的预设值。
可选地，所述损失值确定模块1803具体用于：
对所述图像样本中的每个像素，取该像素的第二概率信息中概率最大的类别为该像素所属的类别，根据该像素所属的类别和所述第二标签图像中对应像素所属的类别，确定该像素的第二损失值；
根据各像素的第二损失值，确定所述深度学习网络模型的第二损失值。
可选地，所述获取模块1801具体用于：
获取初始图像，所述初始图像中包含至少一个喷码字符；
循环执行：根据所述初始图像中喷码字符的位置标注信息，对所述初始图像中的喷码字符进行遮挡处理，确定循环次数到达设定次数时，将遮挡处理后的所述初始图像作为所述图像样本；
其中，每次进行遮挡处理时遮挡区域的尺寸相同或者不同。
本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本申请各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。各个模块相互之间的耦合可以是通过一些接口实现，这些接口通常是电性通信接口，但是也不排除可能是机械接口或其它的形式接口。因此，作为分离部件说明的模块可以是或者也可以不是物理上分开的，既可以位于一个地方，也可以分布到同一个或不同设备的不同位置上。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
本申请实施例还提供了一种计算机可读介质，存储有计算机可执行指令，所述计算机可执行指令用于执行上述任一所述方法。
在一些可能的实施方式中，本申请提供的缺失字符检测、缺失字符检测模型的建立方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在电子设备上运行时，所述程序代码用于使所述电子设备执行上述任一所述方法。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
本申请的实施方式的用于缺失字符检测、缺失字符检测模型的建立的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在计算设备上运行。然而，本申请的程序产品不限于此，在本文件中，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。
可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。
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、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种识别翻拍图像的方法、装置及设备