[發明專利]網絡模型的訓練方法、目標檢測方法及相關裝置

有效

• 申請號: 202011080337.X
• 申請日: 2020-10-10
• 公開（公告）號: CN112184688B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 代雙亮
• 申請（專利權）人: 廣州極飛科技股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/13;G06V10/44;G06V10/774;G06V10/82;G06N3/0464;G06Q10/04;G06Q50/02
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 張欣欣

1.一種網絡模型的訓練方法，其特征在于，包括：

獲取訓練樣本圖像；所述訓練樣本圖像是農作物的圖像，所述農作物的圖像包含農作物的穗或穗粒；所述訓練樣本圖像中包含與待檢測物體的輪廓相匹配的真實標記信息；所述真實標記信息包括檢測區域的信息和中心點信息，所述檢測區域與所述待檢測物體的輪廓相匹配，所述檢測區域的信息包括尺寸大小信息和角度信息；

構建初始檢測模型以及對應所述初始檢測模型的多個損失函數；

基于所述訓練樣本圖像以及所述多個損失函數對初始檢測模型進行訓練，直至所述初始檢測模型收斂，以得到目標檢測模型；所述目標檢測模型用于得到待檢測目標的中心點信息；任意一個所述中心點信息對應一個檢測區域；所述檢測區域與待檢測目標的輪廓匹配；任意兩個所述檢測區域之間的重疊面積小于預設重合閾值；所述多個損失函數包括第一損失函數和第二損失函數，所述第一損失函數的損失值用來量化檢測區域尺寸大小與預測的尺寸大小之間的差異，所述第二損失函數的損失值用來量化檢測區域的角度信息與預測的角度信息之間的差異。

2.根據權利要求1所述的網絡模型的訓練方法，其特征在于，

所述基于所述訓練樣本圖像以及所述多個損失函數對初始檢測模型進行訓練，包括：

根據所述初始檢測模型獲得訓練樣本圖像對應的預測標記信息；

根據多個損失函數計算所述預測標記信息與所述真實標記信息之間的多個損失值；

根據所述多個損失值對所述初始檢測模型的參數進行調整。

3.根據權利要求2所述的網絡模型的訓練方法，其特征在于，所述預測標記信息包括預測尺寸大小信息和預測角度信息；

所述根據多個損失函數計算所述預測標記信息與所述真實標記信息之間的多個損失值，包括：

根據所述第一損失函數計算所述尺寸大小信息與所述預測尺寸大小信息的第一損失值；

根據所述第二損失函數計算所述角度信息與所述預測角度信息的第二損失值；

根據所述多個損失值對所述初始檢測模型的參數進行調整，包括：

當所述第一損失值大于或等于預設第一損失閾值，且所述第二損失值大于或等于預設第二損失閾值，調整所述初始檢測模型的參數；

當所述第一損失值小于預設第一損失閾值，且所述第二損失值小于預設第二損失閾值，停止調整所述初始檢測模型的參數，獲得所述目標檢測模型。

4.根據權利要求3所述的網絡模型的訓練方法，其特征在于，所述多個損失函數還包括第三損失函數；所述預測標記信息還包括預測中心點信息；

根據多個損失函數計算所述預測標記信息與所述真實標記信息之間的多個損失值，包括：

根據所述第三損失函數計算所述中心點信息與所述預測中心點信息的第三損失值；根據所述多個損失值對所述初始檢測模型的參數進行調整，包括：

當所述第三損失值大于或等于預設第三損失閾值，調整所述初始檢測模型的參數；

當所述第三損失值小于預設第三損失閾值，停止調整所述初始檢測模型的參數，獲得所述目標檢測模型。

5.根據權利要求4所述的網絡模型的訓練方法，其特征在于，還包括：

獲得的所述目標檢測模型的輸出結果為所述預測中心點信息的中心點熱力圖；所述中心點熱力圖為所述目標檢測模型對所述中心點進行高斯處理后得到的圖像。

6.根據權利要求1-5任意一項所述的網絡模型的訓練方法，其特征在于，所述訓練樣本圖像中包括農作物，所述待檢測物體為所述農作物的穗或者所述農作物的穗粒。