[發(fā)明專(zhuān)利]口罩識(shí)別模型的訓(xùn)練方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202210549746.2
• 申請(qǐng)日: 2022-05-20
• 公開(kāi)（公告）號(hào): CN114898434A
• 公開(kāi)（公告）日: 2022-08-12
• 發(fā)明（設(shè)計(jì)）人: 孟海秀;萬(wàn)業(yè)聰;姚星星;施森閩;鄭旭東
• 申請(qǐng)（專(zhuān)利權(quán)）人: 卡奧斯工業(yè)智能研究院（青島）有限公司;海爾卡奧斯物聯(lián)生態(tài)科技有限公司;海爾數(shù)字科技（青島）有限公司
• 主分類(lèi)號(hào): G06V40/16
• 分類(lèi)號(hào): G06V40/16;G06V10/764;G06V10/774;G06V10/82
• 代理公司: 北京同立鈞成知識(shí)產(chǎn)權(quán)代理有限公司 11205
• 代理人: 王蕊;劉芳

1.一種口罩識(shí)別模型的訓(xùn)練方法，其特征在于，包括：

將第一訓(xùn)練集中的各圖片分別切割成多個(gè)圖像塊，并對(duì)所述圖像塊進(jìn)行標(biāo)簽標(biāo)注，得到第二訓(xùn)練集，所述第一訓(xùn)練集為第一人臉口罩?jǐn)?shù)據(jù)集，所述第二訓(xùn)練集中的圖像塊的標(biāo)簽包括圖像塊在圖片中的位置信息和圖像塊中人臉是否佩戴口罩的類(lèi)別信息；

將第三訓(xùn)練集中的各圖片分別切割成多個(gè)圖像塊，并對(duì)所述圖像塊進(jìn)行標(biāo)簽標(biāo)注，得到第四訓(xùn)練集，所述第三訓(xùn)練集為第二人臉口罩?jǐn)?shù)據(jù)集，所述第四訓(xùn)練集中的圖像塊的標(biāo)簽包括圖像塊在圖片中的位置信息和圖像塊中人臉是否佩戴口罩的類(lèi)別信息；

使用所述第二訓(xùn)練集對(duì)第一預(yù)設(shè)模型進(jìn)行預(yù)訓(xùn)練，得到預(yù)訓(xùn)練模型，所述第一預(yù)設(shè)模型包括主干網(wǎng)絡(luò)和剩余部分網(wǎng)絡(luò)，在預(yù)訓(xùn)練過(guò)程中所述第一預(yù)設(shè)模型的主干網(wǎng)絡(luò)的參數(shù)被凍結(jié)；

使用所述第四訓(xùn)練集和第二預(yù)設(shè)模型進(jìn)行正式訓(xùn)練，得到口罩識(shí)別模型，所述第二預(yù)設(shè)模型包括主干網(wǎng)絡(luò)和剩余部分網(wǎng)絡(luò)，所述第二訓(xùn)練模型的主干網(wǎng)絡(luò)的參數(shù)為所述預(yù)訓(xùn)練模型的主干網(wǎng)絡(luò)的參數(shù)，所述第二預(yù)設(shè)模型的剩余部分網(wǎng)絡(luò)的初始參數(shù)為所述預(yù)訓(xùn)練模型的剩余部分網(wǎng)絡(luò)的參數(shù)，在正式訓(xùn)練過(guò)程中所述第二預(yù)設(shè)模型的主干網(wǎng)絡(luò)的參數(shù)被凍結(jié)。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述第一預(yù)設(shè)模型采用YOLOV4-tiny網(wǎng)絡(luò)模型，所述使用所述第二訓(xùn)練集對(duì)第一預(yù)設(shè)模型進(jìn)行預(yù)訓(xùn)練，得到預(yù)訓(xùn)練模型，包括：

將ImageNet數(shù)據(jù)集上訓(xùn)練得到的參數(shù)加載到所述第一預(yù)設(shè)模型的主干網(wǎng)絡(luò)上；

加載完成之后，凍結(jié)所述第一預(yù)設(shè)模型的主干網(wǎng)絡(luò)；

使用如下迭代過(guò)程更新所述第一預(yù)設(shè)模型的剩余部分網(wǎng)絡(luò)的參數(shù)，直至迭代條件滿(mǎn)足，則將訓(xùn)練得到的模型作為所述預(yù)訓(xùn)練模型：

每次將所述第二訓(xùn)練集中的第一數(shù)量的圖像塊輸入所述第一預(yù)設(shè)模型進(jìn)行訓(xùn)練，得到訓(xùn)練結(jié)果；

根據(jù)輸入的圖像塊的標(biāo)簽以及輸入的圖像塊的訓(xùn)練結(jié)果，確定YOLO損失值；

根據(jù)所述YOLO損失值進(jìn)行反向傳播，得到所述第一預(yù)設(shè)模型的剩余部分網(wǎng)絡(luò)的更新參數(shù)；

使用所述更新參數(shù)更新所述第一預(yù)設(shè)模型的剩余部分網(wǎng)絡(luò)的參數(shù)。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述第二預(yù)設(shè)模型采用YOLOV4-tiny網(wǎng)絡(luò)模型，所述使用所述第四訓(xùn)練集和第二預(yù)設(shè)模型進(jìn)行正式訓(xùn)練，得到口罩識(shí)別模型，包括：

將所述預(yù)訓(xùn)練模型的主干網(wǎng)絡(luò)的參數(shù)加載到所述第二預(yù)設(shè)模型的主干網(wǎng)絡(luò)上；

加載完成之后，凍結(jié)所述第二預(yù)設(shè)模型的主干網(wǎng)絡(luò)；

將所述預(yù)訓(xùn)練模型的剩余部分網(wǎng)絡(luò)的參數(shù)加載到所述第二預(yù)設(shè)模型的剩余部分網(wǎng)絡(luò)上；

使用如下迭代過(guò)程更新所述第二預(yù)設(shè)模型的剩余部分網(wǎng)絡(luò)的參數(shù)，直至迭代條件滿(mǎn)足，則將訓(xùn)練得到的模型作為所述口罩識(shí)別模型：

每次將所述第四訓(xùn)練集中的第一數(shù)量的圖像塊輸入所述第二預(yù)設(shè)模型進(jìn)行訓(xùn)練，得到訓(xùn)練結(jié)果；

根據(jù)輸入的圖像塊的標(biāo)簽以及輸入的圖像塊的訓(xùn)練結(jié)果，確定YOLO損失值；

根據(jù)所述YOLO損失值進(jìn)行反向傳播，得到所述預(yù)設(shè)模型的剩余部分網(wǎng)絡(luò)的更新參數(shù)；

使用所述更新參數(shù)更新所述第二預(yù)設(shè)模型的剩余部分網(wǎng)絡(luò)的參數(shù)。

4.根據(jù)權(quán)利要求1-3任一項(xiàng)所述的方法，其特征在于，將所述第一訓(xùn)練集和所述第三訓(xùn)練集中的各圖片分別切割成多個(gè)圖像塊，包括：

從所述圖片的任意一個(gè)角開(kāi)始，以預(yù)設(shè)像素滑動(dòng)圖像框，將所述圖像框內(nèi)的圖像切割下來(lái)形成所述圖像塊，其中，所述預(yù)設(shè)像素的大小小于所述圖像框的長(zhǎng)度和寬度；

根據(jù)所述圖片標(biāo)有的圖片框的坐標(biāo)和所述滑動(dòng)圖像框的大小得到所述圖像塊的框的坐標(biāo)。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，將所述第一訓(xùn)練集和所述第三訓(xùn)練集中的各圖片分別切割成多個(gè)圖像塊之前，還包括：

對(duì)所述第一訓(xùn)練集和所述第三訓(xùn)練集中的圖片進(jìn)行數(shù)據(jù)增強(qiáng)處理，所述數(shù)據(jù)增強(qiáng)處理包括以下處理中的一種或者多種：隨機(jī)調(diào)整圖片大小、隨機(jī)調(diào)整圖片對(duì)比度、隨機(jī)調(diào)整圖片色調(diào)、隨機(jī)調(diào)整圖片亮度、隨機(jī)為圖片添加噪聲、隨機(jī)改變圖片色彩模型、隨機(jī)裁剪圖片。