[發(fā)明專利]光斑檢測模型的訓(xùn)練方法、光斑檢測方法、設(shè)備及介質(zhì)

有效

• 申請?zhí)枺?/td>: 202010690456.0
• 申請日: 2020-07-17
• 公開（公告）號: CN111862035B
• 公開（公告）日: 2023-07-28
• 發(fā)明（設(shè)計）人: 雷晨雨
• 申請（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/00;G06V10/774;G06V10/764;G06V10/82;G06N3/0464;G06N3/048;G06N3/08
• 代理公司: 深圳國新南方知識產(chǎn)權(quán)代理有限公司 44374
• 代理人: 周純

1.一種光斑檢測模型的訓(xùn)練方法，其特征在于，包括：

在不含光斑區(qū)域的樣本圖像上生成偽造光斑區(qū)域以獲取偽造光斑圖像，所述偽造光斑區(qū)域為大小隨機、形狀隨機、灰度值隨機且像素值隨機的白色區(qū)域；

獲取用于光斑檢測的訓(xùn)練集，所述訓(xùn)練集包括含有偽造光斑區(qū)域的偽造光斑圖像以及含有光斑區(qū)域的真實光斑圖像；

利用所述訓(xùn)練集對光斑檢測模型進行訓(xùn)練；

利用訓(xùn)練后的所述光斑檢測模型對測試集中的樣本進行檢測，得到檢測結(jié)果；

根據(jù)所述檢測結(jié)果獲取檢測錯誤樣本，利用所述檢測錯誤樣本更新所述訓(xùn)練集；

其中，所述光斑檢測模型包括第一卷積層、依次連接的多個組卷積模塊、第二卷積層、全局池化層以及全連接層，每個組卷積模塊包括一個或多個第一基本單元以及一個或多個第二基本單元；所述第一基本單元包括位于第一分支的步長為2且卷積核大小為3x3的深度可分離卷積層、批量歸一化層、卷積核大小為1x1的卷積層、批量歸一化層及修正線性激活層，位于第二分支的卷積核大小為1x1的卷積層、批量歸一化層、修正線性激活層、步長為2且卷積核大小為3x3的深度可分離卷積層、批量歸一化層、卷積核大小為1x1的卷積層、批量歸一化層及修正線性激活層，將第一分支和第二分支的特征圖在通道維度上進行拼接的拼接層以及將特征圖在通道維度上進行重組的通道混合層；所述第二基本單元包括將輸入特征圖的通道分成第一分支和第二分支的通道分離層，位于第二分支的卷積核大小為1x1的卷積層、批量歸一化層、修正線性激活層、卷積核大小為3x3的深度可分離卷積層、批量歸一化層、卷積核大小為1x1的卷積層、批量歸一化層及修正線性激活層，將第一分支和第二分支的特征圖在通道維度上進行拼接的拼接層以及將特征圖在通道維度上進行重組的通道混合層。

2.根據(jù)權(quán)利要求1所述的光斑檢測模型的訓(xùn)練方法，其特征在于，所述在不含光斑區(qū)域的樣本圖像上隨機生成偽造光斑區(qū)域以獲取偽造光斑圖像，包括：

在不含光斑區(qū)域的樣本圖像的隨機位置生成隨機數(shù)量且大小隨機的白色區(qū)域；

對所述白色區(qū)域進行高斯模糊濾波處理；

對所述白色區(qū)域的像素值進行隨機擾動處理；

將所述白色區(qū)域和所述樣本圖像進行圖像合成得到所述偽造光斑圖像。

3.根據(jù)權(quán)利要求2所述的光斑檢測模型的訓(xùn)練方法，其特征在于，所述白色區(qū)域呈矩形或橢圓形，所述白色區(qū)域的旋轉(zhuǎn)角度隨機。

4.根據(jù)權(quán)利要求2所述的光斑檢測模型的訓(xùn)練方法，其特征在于，所述偽造光斑區(qū)域的大小位于預(yù)設(shè)尺寸范圍內(nèi)，所述偽造光斑區(qū)域的灰度值位于預(yù)設(shè)灰度值范圍內(nèi)，所述偽造光斑區(qū)域的像素值位于預(yù)設(shè)像素值范圍內(nèi)；

所述在不含光斑區(qū)域的樣本圖像上生成偽造光斑區(qū)域以獲取偽造光斑圖像之后，還包括：

將所述偽造光斑圖像上傳至區(qū)塊鏈中，以使得所述區(qū)塊鏈對所述偽造光斑圖像進行加密存儲。

5.根據(jù)權(quán)利要求1所述的光斑檢測模型的訓(xùn)練方法，其特征在于，所述根據(jù)所述檢測結(jié)果獲取檢測錯誤樣本，利用所述檢測錯誤樣本更新所述訓(xùn)練集之后，還包括：

利用更新的所述訓(xùn)練集繼續(xù)對所述光斑檢測模型進行訓(xùn)練，直至所述檢測錯誤樣本的數(shù)量小于預(yù)設(shè)閾值為止。

6.根據(jù)權(quán)利要求1所述的光斑檢測模型的訓(xùn)練方法，其特征在于，所述獲取用于光斑檢測的訓(xùn)練集之前，還包括：

通過普通卷積運算和批量歸一化運算，將深度可分離卷積形成輕量級網(wǎng)絡(luò)基本單元；

將所述輕量級網(wǎng)絡(luò)基本單元有序堆疊形成神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；

在所述神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)上加入輸入層、全局池化層及全連接層，形成所述光斑檢測模型。

7.一種光斑檢測方法，其特征在于，包括：

獲取待識別圖像；

將所述待識別圖像輸入到預(yù)先訓(xùn)練的光斑檢測模型，獲取光斑檢測識別結(jié)果，所述光斑檢測模型是采用權(quán)利要求1～6任一項所述的光斑檢測模型的訓(xùn)練方法進行訓(xùn)練得到的。