[發明專利]目標檢測網絡訓練方法及系統及網絡及裝置及介質

有效

• 申請號: 202010841756.4
• 申請日: 2020-08-20
• 公開（公告）號: CN111709951B
• 公開（公告）日: 2020-11-13
• 發明（設計）人: 不公告發明人
• 申請（專利權）人: 成都數之聯科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/08
• 代理公司: 成都云縱知識產權代理事務所(普通合伙) 51316
• 代理人: 熊曦;陳婉鵑

本發明公開了目標檢測網絡訓練方法及系統及網絡及裝置及介質，涉及目標檢測領域，包括：對訓練數據標注信息回歸框；將目標掩碼以分組比例K劃分為partA和partB兩部分；針對partA部分，結合目標掩碼對應的目標掩碼信息，將原始圖像上對應的目標掩碼區域掩碼得到history圖像；針對partB部分保留partB部分在原始圖像上對應的全部標注信息，得到待輸入圖像；將history圖像和待輸入圖像輸入待訓練目標檢測網絡，原始圖像經過目標檢測網第一層之后得到第一特征圖，history圖像經過目標檢測網第一層之后得到第二特征圖，將第一特征圖與第二特征圖相加后輸入到目標檢測網后續層進行相關計算訓練目標檢測網絡；本發明能夠使目標檢測網絡在高度重疊的目標下，依然能有很好的檢測效果。

技術領域

本發明涉及目標檢測領域，具體地，涉及一種目標檢測網絡訓練方法及系統及目標檢測網絡或模型及目標檢測系統及目標檢測網絡訓練裝置及計算機可讀存儲介質。

背景技術

在現有的工業缺陷檢測的業務場景中，往往會伴有很多重疊的缺陷數據，現有解決重疊缺陷的檢測方法主要包括以下兩種方式：第一種是對一張圖多次預測，每一次預測排除上一次預測的結果，然后綜合每一次的預測結果最終得到包含所有目標的檢測結果，雖然此方式對重疊目標的檢測效果比原始檢測方法更好，但多余運算資源的開銷較大，不利于實際的項目落地。第二種方式是在圖片上mask（掩碼）隨機一組groudtruth（圖像標注信息）的boundingbox（標注信息中的回歸框）來預測剩余的boundingbox。這種方式雖然提升效果也很明顯，但如果在重疊程度較高的目標之間，使用boundingbox進行mask會導致與其重疊的目標的部分或者全部特征也被mask，使其特征缺失較多，不利于模型學習。

目前的目標檢測框架對于這部分重疊的目標檢測效果并不好，其中的主要原因在于以下兩點：

1）當多缺陷位于重疊位置時，在重疊下方的缺陷被上方缺陷所覆蓋，導致位于重疊下方的缺陷特征與此類缺陷完整特征存在較大差異，因此難以被檢測出。

2）即使第一點所述情況的缺陷能夠被檢測器檢出，但往往其置信度會偏低，在后處理階段也會被用于抑制重疊框的NMS所抑制。

因此檢測重疊目標也是目標檢測任務的一大難點。

發明內容

本發明結合上述兩種方式的優缺點，發明出利用目標輪廓mask的方式，克服了上述兩種方式的不足，使目標檢測網絡在重疊的目標下，依然能有很好的檢測效果。

為實現上述目的，本發明提供了一種目標檢測網絡訓練方法，所述方法包括：

初始化分組比例K；

采集擁有標注信息的訓練數據，訓練數據包括：原始輸入的圖像以及其對應的標注信息，標注信息包括目標框及掩碼；

將圖像上缺陷目標以分組比例K劃分為partA和partB兩部分，目標掩碼為一張圖像上所有的缺陷及各缺陷對應的掩碼；

針對partA部分，結合目標掩碼對應的目標掩碼信息，將原始圖像上對應的目標掩碼區域掩碼，得到history圖像；針對partB部分，保留partB部分在原始圖像上對應的全部標注信息，得到待輸入圖像；

將history圖像和待輸入圖像輸入待訓練目標檢測網絡，待輸入圖像經過目標檢測網第一層之后得到第一特征圖，history圖像經過目標檢測網第一層之后得到第二特征圖，將第一特征圖與第二特征圖相加后輸入目標檢測網后續層進行相關計算訓練目標檢測網絡。

其中，將一特征圖與第二特征圖相加作用在于使網絡能夠學習到兩個特征圖的所包含的信息，而不是單一的特征圖，即結果融合。