[發明專利]環境檢測模型的生成方法、計算機設備及可讀存儲介質

在審

• 申請號: 201910477777.X
• 申請日: 2019-06-03
• 公開（公告）號: CN110321928A
• 公開（公告）日: 2019-10-11
• 發明（設計）人: 羅英群;歐陽一村;邢軍華;曾志輝;賀濤;許文龍
• 申請（專利權）人: 深圳中興網信科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京友聯知識產權代理事務所(普通合伙) 11343
• 代理人: 尚志峰;汪海屏

本發明提出了一種環境檢測模型的生成方法、計算機設備及可讀存儲介質，其中，環境檢測模型的生成方法包括：接收樣本圖片，對樣本圖片中的樣本進行分類；分別統計屬于不同分類的樣本的數量，根據樣本的數量確定樣本中的小樣本；根據小樣本利用生成對抗網絡模型生成補充樣本，將補充樣本補充到小樣本；以樣本與補充樣本組成訓練集，以訓練集訓練待訓練模型，生成環境檢測模型。本發明提出的環境檢測模型的生成方法，通過生成對抗網絡模型生產補充樣本，以補充到小樣本中，進而起到平衡樣本的作用，因此，使得待檢測模型對每個種類的樣本均能得到充分地訓練，進而在提升環境檢測模型的準確性與精度。

技術領域

本發明涉環境檢測技術領域，具體而言，涉及一種環境檢測模型的生成方法、一種計算機設備及一種計算機可讀存儲介質。

背景技術

隨著深度學習應用在圖像和視頻目標檢測領域取得的成功，越來越多新的技術開始進一步提高目標檢測的精度和速度。目前目標檢測大致可以分為兩類：One-stage(單級)和Two-stage(雙級)，前者以各個不同版本的YOLO算法和SSD算法為代表，它們的特點是在檢測的過程中提取候選框和提取目標的特征使用的是同一個網絡，或者說兩者合并為同一個過程，也因此被稱為One-stage；而后者，即Two-stage的方法則是將提取候選框的過程和提取目標特征的過程分割開來，也因此Two-stage所消耗的時間比One-stage要多不少。總之，兩者各有利弊，如果更多考慮實時性，One-stage的模型會更合適，反之如考慮準確性，則Two-stage會成為更好的選擇。

但是，目前無論是哪類目標檢測方法，包括Faster R-CNN模型、SSD算法和YOLO算法的最新版本等，在目標檢測的過程中仍存在一定的缺陷，即類別不平衡導致的某些類別樣本檢測精度過低；例如：類別1在樣本中占據絕對比例95％，而剩余的類別2在樣本中僅占據5％，則無論用哪種檢測模型，對類別2的識別率都會很低，因為樣本中存在明顯的樣本不平衡問題。針對這個問題，不少研究者提出使用樣本增強的方法，包括對樣本進行角度，位置，亮度等等的調整，但都存在增強樣本之間特征過于類似的問題，使得準確率并沒有像預期一樣得到較大提升。

發明內容

本發明旨在至少解決現有技術中存在的樣本類別失衡所導致的檢測模型精度低的技術問題。

為此，本發明的第一方面實施例提出了一種提高檢測模型識別精度的環境檢測模型的生成方法。

本發明的第二方面實施例提出了一種計算機設備。

本發明的第三方面實施例提出了一種計算機可讀存儲介質。

有鑒于此，根據本發明的第一方面實施例，本發明提出了一種環境檢測模型的生成方法，包括：接收樣本圖片，對樣本圖片中的樣本進行分類；分別統計屬于不同分類的樣本的數量，根據樣本的數量確定樣本中的小樣本；根據小樣本利用生成對抗網絡模型生成補充樣本，將補充樣本補充到小樣本；以樣本與補充樣本組成訓練集，以訓練集訓練待訓練模型，生成環境檢測模型。

本發明提出的環境檢測模型的生成方法，在接收樣本圖片后，對樣本圖片中的樣本進行分類，并統計不同分類的樣本的數量，找到其中樣本中的小樣本，再根據小樣本的內容，通過生成對抗網絡模型生產補充樣本，以補充到小樣本中，進而起到平衡樣本的作用，以樣本與補充樣本組成訓練集，對待訓練模型進行訓練，重而生產環境檢測模型，由于補充樣本平衡了整個樣本，因此，使得待檢測模型對每個種類的樣本均能得到充分地訓練，進而在提升環境檢測模型的準確性與精度。

另外，本發明提供的上述實施例中的環境檢測模型的生成方法還可以具有如下附加技術特征：

在上述技術方案中，優選地，接收樣本圖片，對樣本圖片中的樣本進行分類的步驟，具體包括：接收樣本圖片；提取樣本圖片中的樣本；根據樣本的是否污染環境的狀態，對樣本進行分類。