[發明專利]一種用于多類別垃圾場景識別的目標檢測模型的訓練方法

有效

• 申請號: 202111606977.4
• 申請日: 2021-12-27
• 公開（公告）號: CN113989498B
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 張志嵩;張帆;陳映;曹松;任必為
• 申請（專利權）人: 北京文安智能技術股份有限公司
• 主分類號: G06V10/25
• 分類號: G06V10/25;G06V10/774;G06V10/82;G06K9/62;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供了一種用于多類別垃圾場景識別的目標檢測模型的訓練方法，包括：構造基礎目標檢測模型；在p個卷積層中，選取連續的m個卷積層，將選中的每個卷積層均替換為空洞卷積；依次設置m個空洞卷積的孔洞率，滿足任意相鄰的兩個空洞卷積的孔洞率的最大公約數為1，以獲取優化目標檢測模型；使用樣本圖像訓練集對優化目標檢測模型訓練，以獲取用于多類別垃圾場景識別的目標檢測模型。本發明解決了現有技術中的目標檢測模型因其感受野范圍小，從而對具有廣闊視野的場景圖像存在垃圾目標檢測精度低的問題，將此類場景圖像作為模型輸入進行垃圾識別檢測，所得到的檢測結果往往會出現多點位垃圾識別無效或垃圾檢測誤報的現象。

技術領域

本發明涉及圖像處理技術領域，具體而言，涉及一種用于多類別垃圾場景識別的目標檢測模型的訓練方法。

背景技術

目標檢測是一種基于目標幾何和統計特征的圖像理解算法，目標檢測是將目標對象的定位和識別合二為一，例如：基于計算機視覺算法，利用通過機器學習獲得的目標檢測模型檢測出圖像中不同類別的目標對象，即以矩形框標注出目標的位置，并識別出目標對象的類別。

目標檢測在垃圾識別分類中應用廣泛，相關技術中，目標檢測模型由于通過人工少量更改輸入參數，因此目標檢測模型可識別的垃圾類別有限；不僅如此，隨著拍攝終端設備的快速發展，拍攝的場景圖像的視野范圍更廣闊，場景圖像的格式文件更大，受到現有的目標檢測模型的感受野范圍小的影響，目標檢測模型對此類場景圖像存在垃圾目標檢測精度低的問題，將此類場景圖像作為模型輸入進行垃圾識別檢測，所得到的檢測結果往往會出現多點位垃圾識別無效或垃圾檢測誤報的現象。

發明內容

本發明的主要目的在于提供一種于多類別垃圾場景識別的目標檢測模型的訓練方法，以解決現有技術中的目標檢測模型因其感受野范圍小，從而對具有廣闊視野的場景圖像存在垃圾目標檢測精度低的問題，將此類場景圖像作為模型輸入進行垃圾識別檢測，所得到的檢測結果往往會出現多點位垃圾識別無效或垃圾檢測誤報的現象。

為了實現上述目的，本發明提供了一種用于多類別垃圾場景識別的目標檢測模型的訓練方法，包括：步驟S1，構造基于CenterNet網絡結構的包含有p個卷積層的基礎目標檢測模型；步驟S2，在p個卷積層中，選取包括首個卷積層在內的連續的m個卷積層，將選中的每個卷積層均替換為空洞卷積，其中，m個空洞卷積在p個卷積層中的許可占比范圍閾值為[1/10，1/3]；步驟S3，依次設置m個空洞卷積的孔洞率，滿足任意相鄰的兩個空洞卷積的孔洞率的最大公約數為1，以獲取優化目標檢測模型；步驟S4，構造樣本圖像訓練集，樣本圖像訓練集的每張樣本圖像均包含至少一類垃圾場景，使用樣本圖像訓練集對優化目標檢測模型訓練，以獲取用于多類別垃圾場景識別的目標檢測模型。

進一步地，步驟S3還包括判定優化目標檢測模型的可用狀態：

當優化目標檢測模型的第m個空洞卷積的感受野與基礎目標檢測模型的第m個卷積層的感受野的比值落入感受野優化閾值比例范圍內時，判定優化目標檢測模型可用，執行步驟S4；

當優化目標檢測模型的感受野與基礎目標檢測模型的感受野的比值落入感受野優化閾值比例范圍外時，判定優化目標檢測模型不可用，重復步驟S2或步驟S3。

進一步地，當判定優化目標檢測模型不可用，重復步驟S2時，在許可占比范圍閾值內，依次增加或減小選取的m個卷積層的個數，直至優化目標檢測模型的感受野與基礎目標檢測模型的感受野的比值落入感受野優化閾值比例范圍內。

進一步地，當判定優化目標檢測模型不可用，重復步驟S3時，增大或減小m個空洞卷積的孔洞率，直至優化目標檢測模型的感受野與基礎目標檢測模型的感受野的比值落入感受野優化閾值比例范圍內。

進一步地，感受野優化閾值比例范圍為（1，4]。

進一步地，基礎目標檢測模型的感受野的迭代計算公式為：