[發(fā)明專(zhuān)利]網(wǎng)絡(luò)模型的訓(xùn)練方法、目標(biāo)檢測(cè)方法及相關(guān)裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202011080337.X
• 申請(qǐng)日: 2020-10-10
• 公開(kāi)（公告）號(hào): CN112184688B
• 公開(kāi)（公告）日: 2023-04-18
• 發(fā)明（設(shè)計(jì)）人: 代雙亮
• 申請(qǐng)（專(zhuān)利權(quán)）人: 廣州極飛科技股份有限公司
• 主分類(lèi)號(hào): G06T7/00
• 分類(lèi)號(hào): 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(zhuān)利代理事務(wù)所(特殊普通合伙) 11463
• 代理人: 張欣欣

本發(fā)明提供的網(wǎng)絡(luò)模型的訓(xùn)練方法、目標(biāo)檢測(cè)方法及相關(guān)裝置，該方法包括：獲取訓(xùn)練樣本圖像；訓(xùn)練樣本圖像中包含與待檢測(cè)物體的輪廓相匹配的真實(shí)標(biāo)記信息；構(gòu)建初始檢測(cè)模型以及對(duì)應(yīng)所述初始檢測(cè)模型的多個(gè)損失函數(shù)；基于該訓(xùn)練樣本圖像以及上述多個(gè)損失函數(shù)對(duì)初始檢測(cè)模型進(jìn)行訓(xùn)練，直至初始檢測(cè)模型收斂，以得到目標(biāo)檢測(cè)模型。與現(xiàn)有技術(shù)相比，本發(fā)明在獲得目標(biāo)檢測(cè)模型的過(guò)程中，通過(guò)攜帶有與待檢測(cè)物體的輪廓匹配的真實(shí)標(biāo)記信息的訓(xùn)練樣本圖像進(jìn)行訓(xùn)練，因此，獲得的目標(biāo)檢測(cè)模型在進(jìn)行目標(biāo)檢測(cè)時(shí)，能夠準(zhǔn)確檢測(cè)出目標(biāo)物體的真實(shí)大小，可以降低目標(biāo)檢測(cè)時(shí)由于物體重疊等原因出現(xiàn)漏檢、錯(cuò)檢的風(fēng)險(xiǎn)。

技術(shù)領(lǐng)域

本發(fā)明涉及農(nóng)作物生產(chǎn)管理技術(shù)領(lǐng)域，具體而言，涉及一種網(wǎng)絡(luò)模型的訓(xùn)練方法、目標(biāo)檢測(cè)方法及相關(guān)裝置。

背景技術(shù)

隨著信息技術(shù)的智能化發(fā)展，智能信息系統(tǒng)已成為農(nóng)業(yè)信息分析及農(nóng)業(yè)信息化管理中的重要組成部分，特別是在農(nóng)作物產(chǎn)量監(jiān)測(cè)和產(chǎn)量準(zhǔn)確預(yù)方面有著極其重要的作用。

目前，在進(jìn)行農(nóng)作物產(chǎn)量統(tǒng)計(jì)的過(guò)程中，首先需要檢測(cè)農(nóng)田內(nèi)農(nóng)作物的數(shù)量，而現(xiàn)有的檢測(cè)算法大多數(shù)是基于水平的檢測(cè)算法，這種檢測(cè)方式容易出現(xiàn)農(nóng)作物檢測(cè)區(qū)域的大量重疊現(xiàn)象，造成漏檢或者錯(cuò)檢，降低了產(chǎn)量預(yù)測(cè)的準(zhǔn)確度。

因此，如何避免農(nóng)作物檢測(cè)時(shí)出現(xiàn)的重疊現(xiàn)象，從而降低漏率檢或錯(cuò)檢率，提高產(chǎn)量預(yù)測(cè)的準(zhǔn)確度，是需要解決的技術(shù)問(wèn)題。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明提供一種網(wǎng)絡(luò)模型的訓(xùn)練方法、目標(biāo)檢測(cè)方法及相關(guān)裝置，用以降低目標(biāo)檢測(cè)時(shí)由于物體重疊等原因出現(xiàn)漏檢或者錯(cuò)檢的風(fēng)險(xiǎn)。

第一方面,本發(fā)明提供一種網(wǎng)絡(luò)模型的訓(xùn)練方法，包括：獲取訓(xùn)練樣本圖像；所述訓(xùn)練樣本圖像中包含與待檢測(cè)物體的輪廓相匹配的真實(shí)標(biāo)記信息；構(gòu)建初始檢測(cè)模型以及對(duì)應(yīng)所述初始檢測(cè)模型的多個(gè)損失函數(shù)；基于所述訓(xùn)練樣本圖像以及所述多個(gè)損失函數(shù)對(duì)初始檢測(cè)模型進(jìn)行訓(xùn)練，直至所述初始檢測(cè)模型收斂，以得到目標(biāo)檢測(cè)模型。

第二方面，本發(fā)明提供一種目標(biāo)檢測(cè)方法，包括：獲取待檢測(cè)的目標(biāo)圖像；調(diào)用預(yù)先訓(xùn)練的目標(biāo)檢測(cè)模型；所述目標(biāo)檢測(cè)模型是由預(yù)設(shè)的訓(xùn)練樣本圖像訓(xùn)練獲得；所述訓(xùn)練樣本圖像中包含與待檢測(cè)目標(biāo)的輪廓相匹配的真實(shí)標(biāo)記信息；根據(jù)所述目標(biāo)檢測(cè)模型對(duì)所述目標(biāo)圖像進(jìn)行目標(biāo)檢測(cè)，以得到所述目標(biāo)圖像對(duì)應(yīng)的目標(biāo)信息，所述目標(biāo)信息為所述待檢測(cè)目標(biāo)的中心點(diǎn)信息。

第三方面，本發(fā)明提供一種網(wǎng)絡(luò)模型的訓(xùn)練裝置，包括：獲取模塊，用于獲取訓(xùn)練樣本圖像；所述訓(xùn)練樣本圖像中包含與待檢測(cè)物體的輪廓相匹配的真實(shí)標(biāo)記信息；構(gòu)建模塊，用于構(gòu)建初始檢測(cè)模型以及對(duì)應(yīng)所述初始檢測(cè)模型的多個(gè)損失函數(shù)；訓(xùn)練模塊，用于基于所述訓(xùn)練樣本圖像以及所述多個(gè)損失函數(shù)對(duì)初始檢測(cè)模型進(jìn)行訓(xùn)練，直至所述初始檢測(cè)模型收斂，以得到目標(biāo)檢測(cè)模型。

第四方面,本發(fā)明提供一種目標(biāo)檢測(cè)裝置，包括：獲取模塊，用于獲取待檢測(cè)的目標(biāo)圖像；調(diào)用模塊，用于調(diào)用預(yù)先訓(xùn)練的目標(biāo)檢測(cè)模型；所述目標(biāo)檢測(cè)模型是由預(yù)設(shè)的訓(xùn)練樣本圖像訓(xùn)練獲得；所述訓(xùn)練樣本圖像中包含與待檢測(cè)的目標(biāo)的輪廓相匹配的真實(shí)標(biāo)記信息；檢測(cè)模塊，用于根據(jù)所述目標(biāo)檢測(cè)模型對(duì)所述目標(biāo)圖像進(jìn)行目標(biāo)檢測(cè)，以得到所述目標(biāo)圖像對(duì)應(yīng)的目標(biāo)信息，所述目標(biāo)信息為所述待檢測(cè)目標(biāo)的中心點(diǎn)信息。

第五方面,本發(fā)明提供一種電子設(shè)備,包括處理器和存儲(chǔ)器，所述存儲(chǔ)器存儲(chǔ)有能夠被所述處理器執(zhí)行的機(jī)器可執(zhí)行指令，所述處理器可執(zhí)行所述機(jī)器可執(zhí)行指令以實(shí)現(xiàn)如第一方面所述的網(wǎng)絡(luò)模型的訓(xùn)練方法或如第二方面所述目標(biāo)檢測(cè)方法。

第六方面,本發(fā)明提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如第一方面所述的網(wǎng)絡(luò)模型的訓(xùn)練方法或如第二方面所述目標(biāo)檢測(cè)方法。