目标对象检测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种目标对象检测方法、装置、计算机设备和存储介质。所述方法包括：获取目标图像；通过已训练好的目标检测模型对所述目标图像进行目标对象检测，得到所述目标图像中每个目标对象对应的初始检测框与相应置信度；所述目标检测模型是基于动态调整网络结构后的神经网络模型预先训练得到的；根据所述置信度从所述初始检测框中选取候选检测框；从所述候选检测框中筛选符合检测场景要求的目标检测框。采用本方法能够提高目标对象检测的检测精度与鲁棒性。精度与鲁棒性。精度与鲁棒性。

【技术实现步骤摘要】
目标对象检测方法、装置、计算机设备和存储介质


[0001]本申请涉及目标检测
，特别是涉及一种目标对象检测方法、装置、计算机设备和存储介质。

技术介绍

[0002]数字化与自动化是各行各业的发展方向，在烟草、邮政、医药、物流、连锁超市、百货商场与制造工业等场景，通常会设置自动化的分拣线，以实现目标对象的检测，并基于所检测出的目标对象进行后续的数字化业务。由此，如何对分拣线上的目标对象进行检测是值得关注的问题。
[0003]目前，通常是基于图像模糊、图像二值化、开闭合运算与边缘检测等图像图形学运算来从目标图像中检测目标对象。但是该种目标对象检测方式，难以适应检测场景下复杂多样的生产环境与各式各样材质的目标对象，存在检测精度低与鲁棒性差等问题。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高目标对象检测的检测精度与鲁棒性的目标对象检测方法、装置、计算机设备和存储介质。
[0005]一种目标对象检测方法，所述方法包括：
[0006]获取目标图像；
[0007]通过已训练好的目标检测模型对所述目标图像进行目标对象检测，得到所述目标图像中每个目标对象对应的初始检测框与相应置信度；所述目标检测模型是基于动态调整网络结构后的神经网络模型预先训练得到的；
[0008]根据所述置信度从所述初始检测框中选取候选检测框；
[0009]从所述候选检测框中筛选符合检测场景要求的目标检测框。
[0010]在其中一个实施例中，所述从所述候选检测框中筛选符合检测场景要求的目标检测框，包括：
[0011]获取针对残缺对象检测框预配置的限定条件；
[0012]从所述候选检测框中剔除与所述限定条件相匹配的候选检测框，得到目标检测框。
[0013]在其中一个实施例中，所述从所述候选检测框中筛选符合检测场景要求的目标检测框，包括：
[0014]按照检测框尺寸从大到小的顺序对各候选检测框进行排序，得到候选检测框序列；
[0015]将所述候选检测框序列中检测框尺寸最大的候选检测框作为参照检测框；
[0016]从所述候选检测框序列中剔除与所述参照检测框的交占比大于预设交占比阈值的候选检测框；
[0017]将剔除处理后所剩余的、且不包括所述参照检测框的候选检测框作为新的候选检
测框序列，并
[0018]返回至所述将所述候选检测框序列中检测框尺寸最大的候选检测框作为参照检测框的步骤继续执行，直至剔除处理后所剩余的、且不包括所述参照检测框的候选检测框小于两个时，停止迭代，得到目标检测框。
[0019]在其中一个实施例中，所述从所述候选检测框序列中剔除与所述参照检测框的交占比大于预设交占比阈值的候选检测框，包括：
[0020]计算所述参照检测框与其他剩余候选检测框之间的交占比；
[0021]在所述参照检测框与其他剩余候选检测框的各组合中，确定相应交占比大于预设交占比阈值的目标组合；
[0022]将每个目标组合中检测框尺寸最小的候选检测框从所述候选检测框序列中剔除。
[0023]在其中一个实施例中，所述目标检测模型的训练步骤，包括：
[0024]获取训练样本集；
[0025]构建动态调整网络结构后的神经网络模型；
[0026]基于所述训练样本集对已构建的神经网络模型进行训练，得到已训练好的目标检测模型。
[0027]在其中一个实施例中，所述基于所述训练样本集对已构建的神经网络模型进行训练，得到已训练好的目标检测模型，包括：
[0028]基于所述训练样本集对已构建的神经网络模型进行训练，得到已训练好的初始检测模型；
[0029]对所述初始检测模型的模型参数进行量化，并将所述初始检测模型中的卷积层、批归一化层与激活层进行整合，得到已训练好的目标检测模型。
[0030]在其中一个实施例中，所述获取目标图像，包括：
[0031]获取待检测的初始图像；
[0032]对所述初始图像进行图像预处理得到目标图像。
[0033]一种目标对象检测装置，所述装置包括：
[0034]获取模块，用于获取目标图像；
[0035]检测模块，用于通过已训练好的目标检测模型对所述目标图像进行目标对象检测，得到所述目标图像中每个目标对象对应的初始检测框与相应置信度；所述目标检测模型是基于动态调整网络结构后的神经网络模型预先训练得到的；
[0036]选取模块，用于根据所述置信度从所述初始检测框中选取候选检测框；
[0037]筛选模块，用于从所述候选检测框中筛选符合检测场景要求的目标检测框。
[0038]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述各方法实施例的步骤。
[0039]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤上述各方法实施例的步骤。
[0040]上述目标对象检测方法、装置、计算机设备和存储介质，通过已训练好的目标检测模型对所获取到的目标图像进行目标对象检测，能够快速而准确的得到每个目标对象对应的初始检测框与置信度，基于该准确性较高的置信度从相应初始检测框中选取候选检测框，并基于检测场景要求进一步从候选检测框中筛选目标检测框，以便于基于该符合检测
场景要求的目标检测框，能够快速而准确的从目标图像中定位目标对象，也即实现目标对象的检测，能够提高检测速度与精度。进一步地，目标检测模型是基于动态调整网络结构后的神经网络模型训练得到的，通过该目标检测模型对目标图像进行目标对象检测，能够进一步提高检测速度与精度。这样，结合目标检测模型与检测场景要求确定目标图像中目标对象对应的目标检测框，以实现目标对象的检测，能够适用于相应检测场景下不同生产环境中各式各样材质的目标对象的检测，具有较强的鲁棒性，且能够提高检测精度。
附图说明
[0041]图1为一个实施例中目标对象检测方法的应用环境图；
[0042]图2为一个实施例中目标对象检测方法的流程示意图；
[0043]图3为一个实施例中预配置的残缺对象检测框的原理示意图；
[0044]图4为一个实施例中目标图像对应的候选检测框中存在框中框的示意图；
[0045]图5为一个实施例中对已训练好的初始检测模型进行模型优化得到目标检测模型的原理示意图；
[0046]图6为另一个实施例中目标对象检测方法的流程示意图；
[0047]图7为一个实施例中目标对象检测的原理示意图；
[0048]图8为一个实施例中目标对象检测装置的结构框图；
[0049]图9为一个实施例中计算机设备的内部结构图。
具体实施方式
[0050]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标对象检测方法，其特征在于，所述方法包括：获取目标图像；通过已训练好的目标检测模型对所述目标图像进行目标对象检测，得到所述目标图像中每个目标对象对应的初始检测框与相应置信度；所述目标检测模型是基于动态调整网络结构后的神经网络模型预先训练得到的；根据所述置信度从所述初始检测框中选取候选检测框；从所述候选检测框中筛选符合检测场景要求的目标检测框。2.根据权利要求1所述的方法，其特征在于，所述从所述候选检测框中筛选符合检测场景要求的目标检测框，包括：获取针对残缺对象检测框预配置的限定条件；从所述候选检测框中剔除与所述限定条件相匹配的候选检测框，得到目标检测框。3.根据权利要求1所述的方法，其特征在于，所述从所述候选检测框中筛选符合检测场景要求的目标检测框，包括：按照检测框尺寸从大到小的顺序对各候选检测框进行排序，得到候选检测框序列；将所述候选检测框序列中检测框尺寸最大的候选检测框作为参照检测框；从所述候选检测框序列中剔除与所述参照检测框的交占比大于预设交占比阈值的候选检测框；将剔除处理后所剩余的、且不包括所述参照检测框的候选检测框作为新的候选检测框序列，并返回至所述将所述候选检测框序列中检测框尺寸最大的候选检测框作为参照检测框的步骤继续执行，直至剔除处理后所剩余的、且不包括所述参照检测框的候选检测框小于两个时，停止迭代，得到目标检测框。4.根据权利要求3所述的方法，其特征在于，所述从所述候选检测框序列中剔除与所述参照检测框的交占比大于预设交占比阈值的候选检测框，包括：计算所述参照检测框与其他剩余候选检测框之间的交占比；在所述参照检测框与其他剩余候选检测框的各组合中，确定相应交占比大于预设交占比阈值的目标组合；将每个目标组合中检测框...

【专利技术属性】
技术研发人员：刘文龙，
申请(专利权)人：顺丰科技有限公司，
类型：发明
国别省市：