本发明涉及图像处理，具体涉及一种图像质量检测方法及系统。
背景技术：
1、本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。
2、专利号cn113628203b公开了一种图像质量检测方案，其通过所述过曝及所述过暗的区域的数量与总区域数量的比值来确定待检测图像是否存在质量问题；专利号cn113409278b公开了一种图像质量检测方案，其根据所述文字区域的区域信息、各所述文字区域与光源的欧式距离确定所述待处理图像的质量，根据所述待处理图像的质量和预设质量条件确定所述待处理图像的质量检测结果。
3、以上述方案为代表的现有技术，存在以下几方面问题：对图像中的噪声敏感，容易受到外部干扰影响，降低了检测的准确性；检测结果的可解释性较差，具有一定的黑盒特性，不利于用户了解检测结果的原因和依据；对特定环境、设备或场景有依赖性，不具有通用性和适用性，限制了其在不同场景下的应用；现有图像质量检测算法的检测精度普遍不高，适应性差。
技术实现思路
1、为了解决现有技术的不足，本发明提供了一种图像质量检测方法及系统，通过改进的深度学习算法模型，可以自动学习、提取和识别图像中的各种质量问题，对噪声的敏感度低，对特定环境、设备或场景的依赖性弱，质量检测结果的可解释性强，提高了图像质量检测的精度。
2、为了实现上述目的，本发明采用如下技术方案：
3、第一方面，本发明提供了一种图像质量检测方法。
4、一种图像质量检测方法，包括以下过程：
5、获取待检测的图像；
6、待检测的图像依次经过深度学习网络的主干网络、颈部网络和头部网络后，得到第一图像质量检测结果；颈部网络中通过特征金字塔网络进行特征提取，颈部网络中通过多尺度的注意力机制提取多尺度信息。
7、作为本发明第一方面进一步的限定，主干网络包括依次连接的第一卷积层、第一mbconv1层、第一mbconv6层、第二mbconv6层、第三mbconv6层、第四mbconv6层、第五mbconv6层、第六mbconv6层、第一mbconv6层、第二卷积层和第一全连接层；
8、颈部网络包括依次连接的sppf模模块、fpn模块、第一连接层、第一c2f模块、senet网络、第二连接层、第二c2f模块、第三卷积层、第三连接层、第三c2f模块、第四卷积层、第四连接层和第四c2f模块；
9、头部网络包括三个分支，第一分支包括依次连接的第一dropout层、第五卷积层和第一giou层，第二分支包括依次连接的第二dropout层、第六卷积层和第二giou层，第三分支包括依次连接的第三dropout层、第七卷积层和第三giou层；
10、第四mbconv6层与第二连接层连接，第二卷积层与第一连接层连接，第一全连接层与sppf模模块连接，sppf模模块与第四连接层连接，第一c2f模块与第三连接层连接；
11、第一c2f模块与第一分支的第一dropout层连接，第三c2f模块与第二分支的第二dropout层连接，第四c2f模块与第三分支的第三dropout层连接。
12、作为本发明第一方面进一步的限定，第一图像质量检测结果，包括：图像模糊、图像偏色、噪声干扰、条纹干扰、视频遮挡和画面冻结。
13、作为本发明第一方面进一步的限定，还包括如下过程：
14、对待检测的图像，采用灰度图像直方图方法计算，得到待检测的图像对应的灰度图像的灰度均值和灰度方差，根据灰度均值和灰度方差，得到第二图像质量检测结果。
15、作为本发明第一方面更进一步的限定，第二图像质量检测结果，包括：信号丢失、图像过亮、图像过暗、黑白图像和对比度低。
16、第二方面，本发明提供了一种图像质量检测系统。
17、一种图像质量检测系统，包括：
18、图像获取单元，被配置为：获取待检测的图像；
19、质量检测单元，被配置为：待检测的图像依次经过深度学习网络的主干网络、颈部网络和头部网络后，得到第一图像质量检测结果；颈部网络中通过特征金字塔网络进行特征提取，颈部网络中通过多尺度的注意力机制提取多尺度信息。
20、作为本发明第二方面进一步的限定，主干网络包括依次连接的第一卷积层、第一mbconv1层、第一mbconv6层、第二mbconv6层、第三mbconv6层、第四mbconv6层、第五mbconv6层、第六mbconv6层、第一mbconv6层、第二卷积层和第一全连接层；
21、颈部网络包括依次连接的sppf模模块、fpn模块、第一连接层、第一c2f模块、senet网络、第二连接层、第二c2f模块、第三卷积层、第三连接层、第三c2f模块、第四卷积层、第四连接层；
22、头部网络包括三个分支，第一分支包括依次连接的第一dropout层、第五卷积层和第一giou层，第二分支包括依次连接的第二dropout层、第六卷积层和第二giou层，第三分支包括依次连接的第三dropout层、第七卷积层和第三giou层；
23、第四mbconv6层与第二连接层连接，第二卷积层与第一连接层连接，第一全连接层与sppf模模块连接，sppf模模块与第四连接层连接，第一c2f模块与第三连接层连接；
24、第一c2f模块与第一分支的第一dropout层连接，第三c2f模块与第二分支的第二dropout层连接，第四c2f模块与第三分支的第三dropout层连接。
25、第三方面，本发明提供了一种计算机设备，包括：处理器和计算机可读存储介质；
26、处理器，适于执行计算机程序；
27、计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被所述处理器执行时，实现如本发明第一方面所述的图像质量检测方法。
28、第四方面，本发明提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序适于被处理器加载并执行如本发明第一方面所述的图像质量检测方法。
29、第五方面，本发明提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时，实现如本发明第一方面所述的图像质量检测方法。
30、与现有技术相比，本发明的有益效果是：
31、本发明创新性的提出了一种图像质量检测方法，设计了一种新型的深度学习模型，通过改进的深度学习算法模型，可以自动学习、提取和识别图像中的各种质量问题，包括图像模糊、条纹、雪花等，从而实现对图像质量的智能检测和分类；对噪声的敏感度低，质量检测结果的可解释性强，提高了图像质量检测的精度；具有更高的准确性和智能化，能够更好地适应复杂多变的图像质量检测场景，为图像处理和应用领域提供更为可靠和有效的解决方案。
32、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
1.一种图像质量检测方法，其特征在于，包括以下过程：
2.如权利要求1所述的图像质量检测方法，其特征在于，
3.如权利要求1所述的图像质量检测方法，其特征在于，
4.如权利要求1所述的图像质量检测方法，其特征在于，
5.如权利要求2所述的图像质量检测方法，其特征在于，
6.一种图像质量检测系统，其特征在于，包括：
7.如权利要求6所述的图像质量检测系统，其特征在于，
8.一种计算机设备，其特征在于，包括：处理器和计算机可读存储介质；
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序适于被处理器加载并执行如权利要求1至5任一项所述的图像质量检测方法。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时，实现如权利要求1至5任一项所述的图像质量检测方法。
