【技术实现步骤摘要】
网络模型的训练方法、目标检测方法及相关装置
本专利技术涉及农作物生产管理
，具体而言，涉及一种网络模型的训练方法、目标检测方法及相关装置。
技术介绍
随着信息技术的智能化发展，智能信息系统已成为农业信息分析及农业信息化管理中的重要组成部分，特别是在农作物产量监测和产量准确预方面有着极其重要的作用。目前，在进行农作物产量统计的过程中，首先需要检测农田内农作物的数量，而现有的检测算法大多数是基于水平的检测算法，这种检测方式容易出现农作物检测区域的大量重叠现象，造成漏检或者错检，降低了产量预测的准确度。因此，如何避免农作物检测时出现的重叠现象，从而降低漏率检或错检率，提高产量预测的准确度，是需要解决的技术问题。
技术实现思路
有鉴于此，本专利技术提供一种网络模型的训练方法、目标检测方法及相关装置，用以降低目标检测时由于物体重叠等原因出现漏检或者错检的风险。第一方面,本专利技术提供一种网络模型的训练方法，包括：获取训练样本图像；所述训练样本图像中包含与待检测物体的轮廓相匹配的真实标记信息；构...
【技术保护点】
1.一种网络模型的训练方法，其特征在于，包括：/n获取训练样本图像；所述训练样本图像中包含与待检测物体的轮廓相匹配的真实标记信息；/n构建初始检测模型以及对应所述初始检测模型的多个损失函数；/n基于所述训练样本图像以及所述多个损失函数对初始检测模型进行训练，直至所述初始检测模型收敛，以得到目标检测模型。/n
【技术特征摘要】
1.一种网络模型的训练方法，其特征在于，包括：
获取训练样本图像；所述训练样本图像中包含与待检测物体的轮廓相匹配的真实标记信息；
构建初始检测模型以及对应所述初始检测模型的多个损失函数；
基于所述训练样本图像以及所述多个损失函数对初始检测模型进行训练，直至所述初始检测模型收敛，以得到目标检测模型。
2.根据权利要求1所述的网络模型的训练方法，其特征在于，所述真实标记信息包括检测区域的信息，所述检测区域与所述待检测物体的轮廓相匹配；
所述基于所述训练样本图像以及所述多个损失函数对初始检测模型进行训练，包括：
根据所述初始检测模型获得训练样本图像对应的预测标记信息；
根据多个损失函数计算所述预测标记信息与所述真实标记信息之间的多个损失值；
根据所述多个损失值对所述初始检测模型的参数进行调整。
3.根据权利要求2所述的网络模型的训练方法，其特征在于，所述检测区域的信息包括尺寸大小信息和角度信息，所述多个损失函数包括第一损失函数和第二损失函数；所述预测标记信息包括预测尺寸大小信息和预测角度信息；
所述根据多个损失函数计算所述预测标记信息与所述真实标记信息之间的多个损失值，包括：
根据所述第一损失函数计算所述尺寸大小信息与所述预测尺寸大小信息的第一损失值；
根据所述第二损失函数计算所述角度信息与所述预测角度信息的第二损失值；
根据所述多个损失值对所述初始检测模型的参数进行调整，包括：
当所述第一损失值大于或等于预设第一损失阈值，且所述第二损失值大于或等于预设第二损失阈值，调整所述初始检测模型的参数；
当所述第一损失值小于预设第一损失阈值，且所述第二损失值小于预设第二损失阈值，停止调整所述初始检测模型的参数，获得所述目标检测模型。
4.根据权利要求3所述的网络模型的训练方法，其特征在于，所述真实标记信息还包括中心点信息，所述多个损失函数还包括第三损失函数；所述预测标记信息还包括预测中心点信息；
根据多个损失函数计算所述预测标记信息与所述真实标记信息之间的多个损失值，包括：
根据所述第三损失函数计算所述中心点信息与所述预测中心点信息的第三损失值；根据所述多个损失值对所述初始检测模型的参数进行调整，包括：
当所述第三损失值大于或等于预设第三损失阈值，调整所述目初始检测模型的参数；
当所述第三损失值小于预设第三损失阈值，停止调整所述初始检测模型的参数，获得所述目标检测模型。
5.根据权利要求4所述的网络模型的训练方法，其特征在于，还包括：
获得的所述目标检测模型的输出结果为所述预测中心点信息的中心点热力图；所述中心点热力图为所述目标检测模型对所述中心点进行高斯处理后得到的图像。
6.根据权利要求1-5任意一项所述的网络模型的训练方法，其特征在于，所述训练样本图像中包括农作物，所述待检测物体为所述农作物的穗或者所述农作物的穗粒。
7.一种目标检测方法，其特征在于，包括：
获取待检测的目标图像；
调用预先训练的目标检测模型；所述目标检测模型是由预设的训练样本图像训练获得；所述训练样本图像中包含与待检测目标的轮廓相匹配的真实...
【专利技术属性】
技术研发人员：代双亮，
申请(专利权)人：广州极飞科技有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。