基于卷积神经网络的目标检测模型训练方法、设备和介质技术

本申请公开了基于卷积神经网络的目标检测模型训练方法、设备和介质，其中方法包括以下步骤：将训练集中的图像逐个输入目标检测模型；训练集中的图像均具有含有检测目标及检测目标ID的目标框，及一组不同尺度不同位置的预选框；计算每个预选框与目标框的交并比；提取交并比大于等于设定阀值的预选框的标签特征数据作为正样本，提取交并比小于设定阀值的预选框的标签特征数据作为负样本；标签特征数据包括预选框的检测目标ID、对点坐标数值和中心坐标数值；用正样本和负样本训练目标检测模型。本申请通过增加中心标签特征数据，并相应地增加中心损失函数，提高了目标检测模型的训练精度，从而提高了目标检测模型的检测精度。

Training method, equipment and medium of target detection model based on convolutional neural network

【技术实现步骤摘要】
基于卷积神经网络的目标检测模型训练方法、设备和介质
本公开一般涉及目标检测
，具体涉及基于卷积神经网络的目标检测模型训练方法、设备和介质。
技术介绍
图像分类，检测及分割是计算机视觉领域的三大任务。图像分类模型是将图像划分为单个类别，通常对应于图像中最突出的物体。但是现实世界的很多图片通常包含不只一个物体，此时如果使用图像分类模型为图像分配一个单一标签其实是非常粗糙的，并不准确。对于这样的情况，就需要目标检测模型，目标检测模型可以识别一张图片的多个物体，并可以定位出不同物体(给出边界框)。目标检测在很多场景有用，如无人驾驶和安防系统。现有的基于卷积神经网络的目标检测模型训练方法由于诸多原因，还存在识别精度不高和误识别的问题。
技术实现思路
鉴于现有技术中的上述缺陷或不足，期望提供一种检测精度高的基于卷积神经网络的目标检测模型训练方法、设备和介质。第一方面本申请提供一种基于卷积神经网络的目标检测模型训练方法，所述方法包括以下步骤：将训练集中的图像逐个输入目标检测模型；所述训练集中的图像均具有含有检测目标及检测目标ID的目标框，及一组不同尺度不同位置的预选框；计算每个所述预选框与所述目标框的交并比；提取交并比大于等于设定阀值的预选框的标签特征数据作为正样本，提取交并比小于设定阀值的预选框的标签特征数据作为负样本；所述标签特征数据包括所述预选框的检测目标ID、对点坐标数值和中心坐标数值；用所述正样本和负样本训练所述目标检测模型。根据本申请实施例提供的技术方案，所述中心坐标数值通过以下公式计算得到：bx＝δ(tx)+cxby＝δ(ty)+cy这里的δ表示以下函数：其中(bx,by)为中心坐标数值，bw为中心坐标宽度,bh为中心坐标高度；(tx,ty)为预测标签特征数据中的右下点坐标数值，tw为预测标签特征数据中的右下点宽度,th为右下点高度。根据权利要求1所述的基于卷积神经网络的目标检测模型训练方法，其特征在于，所述目标检测模型包括以下损失函数：其中mask为所述目标框的目标ID；class_num为目标类别数；yitrue为目标框的实际中心坐标的y轴位置数值；yipre为目标框的预测中心坐标的y轴位置数值；Box_num为模型前馈产生的检测框数量；kitrue为实际坐标信息；kipre为预测坐标信息；(x,y)为中心坐标；(w,h)为预选框与目标框的交点坐标；citrue为实际置信度；cipre为预测置信度；ignore为预测标签特征数据中的预测目标ID。根据本申请实施例提供的技术方案，所述训练集由通过实际场景获取含有检测目标的图像集经以下步骤处理得到：从通过实际场景获取含有检测目标的图像集中筛选出出符合要求的图像；将筛选出的图像做数据增强，得到扩充数据集；将扩充数据集均分得到训练集、测试集和验证集。根据本申请实施例提供的技术方案，所述数据增强的方法包括图片翻转、图片平移和图片锐化。根据本申请实施例提供的技术方案，还包括：用测试集测试训评价完目标检测模型后，用所述测试集中的误检图像再次训练所述目标检测模型。第二方面，本申请提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述任意一项目所述基于卷积神经网络的目标检测模型训练方法的步骤。第三方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任意一项所述基于卷积神经网络的目标检测模型训练方法的步骤。本申请提供的模板检测模型的训练方法中，通过增加中心标签特征数据，并相应地增加中心损失函数，提高了目标检测模型的训练精度，从而提高了目标检测模型的检测精度。本申请的技术方案中，通过采用交并比来选择正样本和负样本，提高了正样本和负样本的提取精准度，有助于模型的训练精度。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1为本申请实施例一的流程图；图2为本申请实施例二的原理框图；具体实施方式下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与专利技术相关的部分。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。请参考图1为本实施例提供的一种基于卷积神经网络的目标检测模型训练方法，所述方法包括以下步骤：s10、将训练集中的图像逐个输入目标检测模型；所述训练集中的图像均具有含有检测目标及检测目标ID的目标框，及一组不同尺度不同位置的预选框；检测目标ID根据需要识别的目标来确定，例如，目标检测模型的目标是要识别出样品A、样品B和样品C，则此时检测目标的ID可以分别为01、02、03。s20、计算每个所述预选框与所述目标框的交并比；交并比越大，表示预选框与目标框的重合部分越多；s30、提取交并比大于等于设定阀值的预选框的标签特征数据作为正样本，提取交并比小于设定阀值的预选框的标签特征数据作为负样本；所述标签特征数据包括所述预选框的检测目标ID、对点坐标数值和中心坐标数值；在本实施例中，设定阀值为0.6，在其他实施例中，设定阀值也可以是0.5-0.7之间的其他数值。s40、用所述正样本和负样本训练所述目标检测模型。在本实施例中，所述中心坐标数值通过以下公式计算得到：bx＝δ(tx)+cxby＝δ(ty)+cy这里的δ表示以下函数，：该函数的主要功能时是将tx缩放到0-1之间，从而保证中心点在所要提取特征的预选框的区域内。其中(bx,by)为中心坐标数值，bw为中心坐标宽度(即为在坐标系中的x轴数值),bh为中心坐标高度(即为在坐标系中的y轴数值)；(tx,ty)为预测标签特征数据中的右下点坐标数值，tw为预测标签特征数据中的右下点宽度(即为在坐标系中的x轴数值),th为右下点高度(即为在坐标系中的y轴数值)。相应的，本实施例中，所述目标检测模型包括以下损失函数：其中mask为所述目标框的目标ID；class_num为目标类别数；yitrue为目标框的实际中心坐标的y轴位置数值；yipre为目标框的预测中心坐标的y轴位置数值；Box_num为模型前馈产生的检测框数量；kitrue为实际坐标信息；kipre为预测坐标信息；(x,y)为中心坐标；(本文档来自技高网...

【技术保护点】
1.基于卷积神经网络的目标检测模型训练方法，其特征在于，所述方法包括以下步骤：/n将训练集中的图像逐个输入目标检测模型；所述训练集中的图像均具有含有检测目标及检测目标ID的目标框，及一组不同尺度不同位置的预选框；/n计算每个所述预选框与所述目标框的交并比；/n提取交并比大于等于设定阀值的预选框的标签特征数据作为正样本，提取交并比小于设定阀值的预选框的标签特征数据作为负样本；所述标签特征数据包括所述预选框的检测目标ID、对点坐标数值和中心坐标数值；/n用所述正样本和负样本训练所述目标检测模型。/n

【技术特征摘要】
1.基于卷积神经网络的目标检测模型训练方法，其特征在于，所述方法包括以下步骤：
将训练集中的图像逐个输入目标检测模型；所述训练集中的图像均具有含有检测目标及检测目标ID的目标框，及一组不同尺度不同位置的预选框；
计算每个所述预选框与所述目标框的交并比；
提取交并比大于等于设定阀值的预选框的标签特征数据作为正样本，提取交并比小于设定阀值的预选框的标签特征数据作为负样本；所述标签特征数据包括所述预选框的检测目标ID、对点坐标数值和中心坐标数值；
用所述正样本和负样本训练所述目标检测模型。


2.根据权利要求1所述的基于卷积神经网络的目标检测模型训练方法，其特征在于，
所述中心坐标数值通过以下公式计算得到：
bx＝δ(tx)+cx
by＝δ(ty)+cy






这里的δ表示以下函数：



其中(bx,by)为中心坐标数值，bw为中心坐标宽度,bh为中心坐标高度；(tx,ty)为预测标签特征数据中的右下点坐标数值，tw为预测标签特征数据中的右下点宽度,th为右下点高度。


3.根据权利要求1所述的基于卷积神经网络的目标检测模型训练方法，其特征在于，所述目标检测模型包括以下损失函数：
类别损失函数
位置损失函数
中心损失函数
置信度损失函数
其中mask为所述目标框的目标ID；class_num为目标类别数；yitrue为目标框的实际中心坐标的y轴位置数值；yipre为目标框的预测中心坐标的y轴位置数值；
...

【专利技术属性】
技术研发人员：王奇锋，童亨成，王杰，仵浩，王胜，刘明月，靳朋伟，章星星，何良语，
申请(专利权)人：河北爱尔工业互联网科技有限公司，
类型：发明
国别省市：河北;13