本发明专利技术公开了一种口罩检测模型的训练方法和口罩检测方法，提高计算检测效率。本发明专利技术提供的方法包括：获取训练图像；将训练图像输入到初始的口罩检测模型，并对训练图像进行特征提取，得到训练图像特征；基于自适应归一化敏感度计算方式，对每个待剪枝层进行剪枝敏感度分析，确定每个待剪枝层对应的剪枝比例；针对每个待剪枝层，基于剪枝比例，对待剪枝层进行剪枝处理，获得剪枝图像特征，并根据剪枝图像特征更新口罩检测模型；对口罩检测模型进行精度评估，得到评估值；若评估值低于预设评估值，则返回获取训练图像的步骤继续执行，若评估值不低于预设评估值，则将得到的口罩检测模型作为训练好的口罩检测模型。型作为训练好的口罩检测模型。型作为训练好的口罩检测模型。
【技术实现步骤摘要】
口罩检测模型的训练方法、口罩检测方法及相关设备
[0001]本专利技术涉及图像识别领域，尤其涉及一种口罩检测模型的训练方法、口罩检测方法、装置、计算机设备及存储介质。
技术介绍
[0002]全球疫情下，对公共场所中人员是否佩戴口罩的检测系统需求量急剧上升，为控制口罩检测系统的成本，将口罩检测系统部署在边缘板上是一种经济的做法。比如百度Edgeboard FZ3B是一款基于FPGA架构、面向嵌入式与边缘部署的边缘计算板。
[0003]近年来，目标检测算法大多使用了深度学习的方法，且这类方法显示出了一个良好的检测性能，其中最常用的方法就是卷积神经网络。为了增强卷积神经网络的非线性拟合能力，卷积神经网络被设计的更深更宽，这也就使得卷积神经网络十分依赖算力与存储空间，尽管卷积神经网络利用多层神经网络和图像局部性的优点减少了大量参数，但计算量仍然很庞大，这也就导致了卷积神经网络模型不适用于大多数算力资源有限的设备。
[0004]因此，现有方式中，将卷积神经网络模型应用在资源有限的设备上时，存在计算检测效率较低的问题。
技术实现思路
[0005]本专利技术实施例提供一种口罩检测模型的训练方法、口罩检测方法、装置、计算机设备及存储介质，以提高将卷积神经网络模型应用在资源有限的设备上时的计算检测效率。
[0006]一种口罩检测模型的训练方法，包括：
[0007]获取训练图像，其中，所述训练图像包括有口罩图像和无口罩图像；
[0008]将所述训练图像输入到初始的口罩检测模型，并对所述训练图像进行特征提取，得到训练图像特征，其中，所述训练图像特征包括多个待剪枝层，所述初始的口罩检测模型为YOLO网络模型；
[0009]基于自适应归一化敏感度计算方式，对每个所述待剪枝层进行剪枝敏感度分析，确定每个所述待剪枝层对应的剪枝比例；
[0010]针对每个待剪枝层，基于剪枝比例，对待剪枝层进行剪枝处理，获得剪枝图像特征，并根据所述剪枝图像特征更新所述口罩检测模型；
[0011]对所述口罩检测模型进行精度评估，得到评估值；
[0012]若所述评估值低于预设评估值，则返回所述获取训练图像的步骤继续执行；
[0013]若所述评估值不低于所述预设评估值，则将得到的口罩检测模型作为训练好的口罩检测模型。
[0014]一种口罩检测方法，包括：
[0015]获取待检测图像；
[0016]将所述待检测图像输入训练好的口罩检测模型中，其中，所述训练好的口罩检测模型为根据权利要求1至5任一项方法进行训练得到；
[0017]通过所述训练好的口罩检测模型对所述待检测图像进行识别，得到识别结果，其中，所述识别结果包括有口罩图像和无口罩图像。
[0018]一种口罩检测模型的剪枝装置，包括：
[0019]训练图像获取模块，用于获取训练图像，其中，所述训练图像包括有口罩图像和无口罩图像；
[0020]特征提取模块，用于将所述训练图像输入到初始的口罩检测模型，并对所述训练图像进行特征提取，得到训练图像特征，其中，所述训练图像特征包括多个待剪枝层，所述初始的口罩检测模型为YOLO网络模型；
[0021]敏感度分析模块，用于基于自适应归一化敏感度计算方式，对每个所述待剪枝层进行剪枝敏感度分析，确定每个所述待剪枝层对应的剪枝比例；
[0022]口罩检测模型更新模块，用于针对每个所述待剪枝层，基于所述剪枝比例，对所述待剪枝层进行剪枝处理，获得剪枝图像特征，并根据所述剪枝图像特征更新所述口罩检测模型；
[0023]评估模块，用于对所述口罩检测模型进行精度评估，得到评估值；
[0024]第一对比模块，用于若所述评估值低于预设评估值，则返回所述获取训练图像的步骤继续执行；
[0025]第二对比模块，用于若所述评估值不低于所述预设评估值，则将得到的口罩检测模型作为训练好的口罩检测模型。
[0026]一种口罩检测装置，包括：
[0027]待检测图像获取模块，用于获取待检测图像；
[0028]输入模块，用于将所述待检测图像输入训练好的口罩检测模型中，其中，所述训练好的口罩检测模型为根据权利要求1至5任一项方法进行训练得到；
[0029]识别模块，用于通过所述训练好的口罩检测模型对所述待检测图像进行识别，得到识别结果，其中，所述识别结果包括有口罩图像和无口罩图像。
[0030]一种计算机设备，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，所述处理器执行所述计算机程序时实现上述口罩检测模型的训练方法，或者，所述处理器执行所述计算机程序时实现上述口罩检测方法。
[0031]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述口罩检测模型的训练方法，或者，所述计算机程序被处理器执行时实现上述口罩检测方法。
[0032]本专利技术实施例中的口罩检测模型的训练方法、装置、计算机设备及存储介质，通过获取训练图像，将训练图像输入到初始的口罩检测模型，并对训练图像进行特征提取，得到训练图像特征，其中，训练图像特征包括至少两个待剪枝层，初始的口罩检测模型为YOLO网络模型，基于自适应归一化敏感度计算方式，对每个待剪枝层进行剪枝敏感度分析，确定每个待剪枝层对应的剪枝比例，进而针对每个待剪枝层，基于剪枝比例，对待剪枝层进行剪枝处理，获得剪枝图像特征，并根据剪枝图像特征更新所述口罩检测模型；对口罩检测模型进行精度评估，得到评估值；若评估值低于预设评估值，则返回所述获取训练图像的步骤继续执行；若评估值不低于预设评估值，则将得到的口罩检测模型作为训练好的口罩检测模型。通过对训练图像对应的训练图像特征的待剪枝层进行剪枝处理，减少了对计算精度并没有
影响的部分，有效的减少了计算量，从而提高了计算效率。
附图说明
[0033]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0034]图1是本专利技术一实施例中口罩检测模型的训练方法、口罩检测方法的一应用环境示意图；
[0035]图2是本专利技术一实施例中口罩检测模型的训练方法的一流程图；
[0036]图3是本专利技术一实施例中口罩检测方法的一流程图；
[0037]图4是本专利技术一实施例中口罩检测模型的训练装置的结构示意图；
[0038]图5是本专利技术一实施例中口罩检测装置的结构示意图；
[0039]图6是本专利技术一实施例中计算机设备的一示意图。
具体实施方式
[0040]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种口罩检测模型的训练方法，其特征在于，包括：获取训练图像，其中，所述训练图像包括有口罩图像和无口罩图像；将所述训练图像输入到初始的口罩检测模型，并对所述训练图像进行特征提取，得到训练图像特征，其中，所述训练图像特征包括多个待剪枝层，所述初始的口罩检测模型为YOLO网络模型；基于自适应归一化敏感度计算方式，对每个所述待剪枝层进行剪枝敏感度分析，确定每个所述待剪枝层对应的剪枝比例；针对每个所述待剪枝层，基于所述剪枝比例，对所述待剪枝层进行剪枝处理，获得剪枝图像特征，并根据所述剪枝图像特征更新所述口罩检测模型；对所述口罩检测模型进行精度评估，得到评估值；若所述评估值低于预设评估值，则返回所述获取训练图像的步骤继续执行；若所述评估值不低于所述预设评估值，则将得到的口罩检测模型作为训练好的口罩检测模型。2.根据权利要求1所述的方法，其特征在于，所述基于自适应归一化敏感度计算方式，对每个所述待剪枝层进行剪枝敏感度分析，确定每个所述待剪枝层对应的剪枝比例的步骤包括：采用所述初始的口罩检测模型的分类器对每个所述训练图像的训练图像特征进行分类识别，得到识别结果，并基于识别结果确定模型初始精度；对每个待剪枝层，剪除与预设剪枝比例相等的卷积核，并采用更新后的卷积核对每个训练图像进行特征提取，得到临时特征；采用所述初始的口罩检测模型的分类器对每个所述临时特征进行分类识别，并根据识别结果确定模型现有精度；将所述模型初始精度减去所述模型现有精度，得到精度差值；将所述精度差值除以所述待剪枝层中与预设剪枝比例相等的卷积核的个数，获得平均损失精度，并将所述平均损失精度作为所述待剪枝层的剪枝敏感度；根据所述剪枝敏感度，确定每个所述待剪枝层对应的剪枝比例。3.根据权利要求2所述的方法，其特征在于，所述对每个待剪枝层，剪除与预设剪枝比例相等的卷积核，并采用更新后的卷积核对每个训练图像进行特征提取，得到临时特征之后，所述方法还包括：对每个待剪枝层，进行通道剪枝，其中，所述通道剪枝根据通道权重剪除卷积核对应的通道。4.根据权利要求2所述的方法，其特征在于，所述根据所述剪枝敏感度，确定每个所述待剪枝层对应的剪枝比例包括：其中，所述m
i
为第i层所述待剪枝层对应的剪枝敏感度，所述p为所述待剪枝层的数量，所述n
i
为第i层所述待剪枝层的卷积核个数，所述k
i
为第i层所述待剪枝层对应的剪枝敏感度，所述为第i层所述待剪枝层对应的剪枝比例，i为[1，P]中任一整数。
5.根据权利要...
【专利技术属性】
技术研发人员：张健，
申请(专利权)人：深圳信息职业技术学院，
类型：发明
国别省市：
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。