图像检测方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种图像检测方法、装置、设备及存储介质，涉及图像识别领域，该方法包括：获取待检测图像和模型训练数据集；获取改进YOLO网络模型，其中，改进YOLO网络模型包含有空间金字塔池化SPP网络层和融合因子α，融合因子α用于对SPP网络层处理后的特征图进行融合处理；根据模型训练数据集训练改进YOLO网络模型，生成检测模型；根据检测模型检测待检测图像，生成检测结果。通过本方案可以设计出高性能的网络模型，该模型可以应用于各类场景下，对采集到的图像中的小目标对象进行检测，并具有较高的检测精度。并具有较高的检测精度。并具有较高的检测精度。

【技术实现步骤摘要】
图像检测方法、装置、设备及存储介质


[0001]本申请实施例涉及图像识别领域，尤其涉及一种图像检测方法、装置、设备及存储介质。

技术介绍

[0002]目前，人工智能技术应用于工业生产环境中，进行安全生产的检测管理，例如，对工业场景下的违规吸烟行为进行检测。常见的检测方式有两种，一种是基于行为检测，即以视频为输入，分析连续视频帧中的人体姿态；另一种是基于检测目标（例如，烟支），以高清图片作为输入，采用图像处理技术，判断是否有检测目标。但这两种方式都无法检测到小目标，而且对于特定的检测目标，例如，小的烟支目标，现有的数据集数量较少，无法训练出高性能的模型。

技术实现思路

[0003]本申请实施例提供了一种图像检测方法、装置、设备及存储介质，旨在设计出可以应用于各类场景下的高性能的网络模型，该模型可以对采集到的图像中的小目标对象进行检测，具有较高的检测精度。
[0004]第一方面，本申请实施例提供了一种图像检测方法，该方法包括：获取待检测图像和模型训练数据集；获取改进YOLO网络模型，其中，改进YOLO网络模型包含有空间金字塔池化SPP网络层和融合因子α，融合因子α用于对SPP网络层处理后的特征图进行融合处理；根据模型训练数据集训练改进YOLO网络模型，生成检测模型；根据检测模型检测所述待检测图像，生成检测结果。
[0005]第二方面，本申请实施例还提供了一种图像检测装置，该装置包括：获取模块，用于获取待检测图像和模型训练数据集；获取模块，还用于获取改进YOLO网络模型，其中，改进YOLO网络模型包含有空间金字塔池化SPP网络层和融合因子α，融合因子α用于对SPP网络层处理后的特征图进行融合处理；训练模块，用于根据模型训练数据集训练改进YOLO网络模型，生成检测模型；检测模块，用于根据检测模型检测待检测图像，生成检测结果。
[0006]第三方面，本申请实施例还提供了一种计算机设备，包括：存储器、控制器及存储在存储器上并可在控制器上运行的计算机程序，当控制器执行计算机程序时，实现如本申请任意实施例提供的图像检测方法。
[0007]第四方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被控制器执行时，实现如本申请任意实施例提供的图像检测方法。
[0008]本申请实施例提供了一种图像检测方法、装置、设备及存储介质，该方法包括：获取待检测图像和模型训练数据集；获取改进YOLO网络模型，其中，改进YOLO网络模型包含有
空间金字塔池化SPP网络层和融合因子α，融合因子α用于对SPP网络层处理后的特征图进行融合处理；根据模型训练数据集训练改进YOLO网络模型，生成检测模型；根据检测模型检测待检测图像，生成检测结果。通过本方案可以设计出高性能的网络模型，该模型可以应用于各类场景下，对采集到的图像中的小目标对象进行检测，并具有较高的检测精度。
附图说明
[0009]图1为本申请实施例中的一种图像检测方法的流程图；图2是本申请实施例中的一种训练改进YOLO网络模型，生成检测模型的方法流程图；图3是本申请实施例中的一种图像检测装置的结构示意图；图4是本申请实施例中的另一种图像检测装置的结构示意图；图5是本申请实施例中的计算机设备的结构示意图。
具体实施方式
[0010]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本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
[0011]另外，在本申请实施例中，“可选地”或者“示例性地”等词用于表示作例子、例证或说明。本申请实施例中被描述为“可选地”或者“示例性地”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“可选地”或者“示例性地”等词旨在以具体方式呈现相关概念。
[0012]图1为本申请实施例提供的一种图像检测方法的流程图，该方法可以应用于各类场景下（例如，工业生产场景），以高性能的网络模型对采集到的图像中的小目标对象（例如，图像中的烟头等）进行检测，不仅具有较高的检测精度，还可以以可视化的形式呈现检测结果。该方法可以由本申请实施例提供的图像检测装置来执行，该装置可采用软件和/或硬件的方式实现。在一个具体的实施例中，该装置可以集成在计算机设备中，计算机设备比如可以是服务器。以下实施例将以该装置集成在计算机设备中为例进行说明，如图1所示，该方法可以包括但不限于以下步骤：S101、获取待检测图像和模型训练数据集。
[0013]本申请实施例中的待检测图像可以为以各类设备采集或获取到的图像，例如，在工业生产场景下，利用工业生产现场的摄像头采集到的各类图像。模型训练数据集可以是现有的包含有各类烟支的大量图像构成的数据集。
[0014]进一步地，可以采用标注工具Label Image对现有的各类图像进行标注，并框选出各图像中的烟支目标，标注及框选完成后，生成对应图像的xml格式文件。可选地，该xml格式文件中可以包含有目标框的坐标信息。
[0015]S102、获取改进YOLO网络模型。
[0016]在本申请实施例中，上述改进YOLO网络模型中包含有空间金字塔池化（Spatial Pyramid Pooling，SPP）网络层和融合因子α，该融合因子α可以用于对SPP网络层处理后的不同层次之间的特征图进行融合处理。
[0017]进一步地，本申请实施例中的改进YOLO网络模型中还可以包括自适应空间特征融合（Adaptively Spatial Feature Fusion，ASFF）网络层，用于改善特征的比例不变性，并降低推理开销，充分利用不同尺度的特征。即相比于现有的YOLO网络模型，在本申请实施例中，对YOLO网络模型的网络结构进行了更新设计，并针对设计后的新的网络模型，提出了基于融合因子α对SPP网络层处理后的特征图进行融合处理的处理方式。
[0018]可选地，上述改进YOLO网络模型具体可以为针对YOLOv3网络模型的改进模型，或者，也可以为针对YOLO系列的其他网络模型的改进模型，例如，YOLOv4网络模型或者YOLOv5网络模型等。
[0019]S103、根据模型训练数据集训练改进YOLO网络模型，生成检测模型。
[0020]可选地，可以将模型训练数据集中的数据按照比例（例如，1：9）划分为训练集和测试集，以防止过拟合。其中，训练集用于在模型训练阶段进行模型训练，测试集用于在模型训练阶段进行模型测试，以优化模型的性能。基于模型训练数据集对改进的YOLO网络模型进行训练，将训练后得到的网络模型确定为检测模型。
[0021]进一步地，在模型训练过程中，可以先冻结部分网络参数进行训练，例如，在前10个训练周期内冻结用于预测待检测图像的网络参数，在剩余的训练周期内，解冻之前冻结的参数，并对所有的网络参数进行训练，从而生成检测模型。另外，还可以结合余弦退火学习率调整训练过程中的学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像检测方法，其特征在于，包括：获取待检测图像和模型训练数据集；获取改进YOLO网络模型，其中，所述改进YOLO网络模型包含有自适应空间特征融合ASFF网络层、空间金字塔池化SPP网络层和融合因子α，所述融合因子α用于对所述SPP网络层处理后的特征图进行融合处理；根据模型训练数据集训练所述改进YOLO网络模型，生成检测模型；根据所述检测模型检测所述待检测图像，生成检测结果；所述根据模型训练数据集训练所述改进YOLO网络模型，生成检测模型，包括：基于所述YOLO网络模型包含的Darknet53网络层对所述模型训练数据集进行特征提取，生成三个层次的特征图；基于所述SPP网络层分别对所述三个层次的特征图进行处理，生成三个输出特征图；基于所述融合因子α和所述三个输出特征图，生成三个卷积特征图；基于所述改进YOLO网络模型中的自适应空间特征融合ASFF网络层对所述三个卷积特征图进行处理；将处理所述三个卷积特征图后得到的网络模型确定为检测模型。2.根据权利要求1所述的方法，其特征在于，所述基于所述融合因子α和所述三个输出特征图，生成三个卷积特征图，包括：对第一输出特征图进行卷积处理，生成第一图像；基于所述融合因子α分别对第一输出特征图和第二输出特征图，以及第二输出特征图和第三输出特征图进行融合处理，对应生成第二图像和第三图像；分别对所述第一图像、所述第二图像和所述第三图像进行卷积处理，生成三个卷积特征图；其中，所述第一输出特征图、所述第二输出特征图和所述第三输出特征图为所述三个输出特征图中的图像，且所述第一输出特征图、所述第二输出特征图和所述第三输出特征图的优先级依次从高到低。3.根据权利要求2所述的方法，其特征在于，所述基于所述融合因子α分别对第一输出特征图和第二输出特征图，以及第二输出特征图和第三输出特征图进行融合处理，对应生成第二图像和第三图像，包括：通过第一公式对第一输出特征图和第二输出特征图进行融合处理，生成第二图像；通过所述第一公式对第二输出特征图和第三输出特征图进行融合处理，生成第三图像；其中，所述第一公式含有所述融合因子α。4.根据权利要求3所述的方法，其特征...

【专利技术属性】
技术研发人员：陈录城，贾冬冬，王暖来，姚星星，孟海秀，赵书玲，
申请(专利权)人：海尔数字科技青岛有限公司海尔卡奥斯物联生态科技有限公司，
类型：发明
国别省市：