一种图像检测方法、装置、电子设备及存储介质制造方法及图纸

本申请实施例公开了一种图像检测方法、装置、电子设备及存储介质，涉及图像识别技术领域。其中，该方法包括：对图像数据集进行预处理得到样本集；获取中间图像检测模型，中间图像检测模型包括目标主干网络和预测头训练网络，目标主干网络是通过对初始图像检测模型中初始主干网络的参数和学习率进行改进得到的，预测头训练网络是拼接在目标主干网络之后；根据样本集对中间图像检测模型进行训练得到目标图像检测模型；将待测图像输入至目标图像检测模型，根据目标图像检测模型的输出确定待测图像的图像检测结果。本申请实施例提供的技术方案，可以提高图像检测模型的检测识别能力，且能够提高检测效率以及检测速度。能够提高检测效率以及检测速度。能够提高检测效率以及检测速度。

【技术实现步骤摘要】
一种图像检测方法、装置、电子设备及存储介质


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

技术介绍

[0002]在工业生产中，火焰气枪的使用存在潜在的安全问题，通过图像检测方法正确识别火枪的火焰才能够提前预防危险。现有技术中，应用于火焰气枪的图像检测大部分是采用基于anchor based的YOLOv4和YOLOv5方法，这种方法依赖于人为的先验，冗余框会非常地多。因此，现有技术的方法对于检测气枪火焰会导致识别能力不足、检测效率低下以及检测速度慢。

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、电子设备及存储介质，可以提高图像检测模型的检测识别能力，且能够提高检测效率以及检测速度。
[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：对图像数据集进行预处理得到样本集；获取中间图像检测模型，所述中间图像检测模型包括目标主干网络和预测头训练网络，所述目标主干网络是通过对初始图像检测模型中初始主干网络的参数和学习率进行改进得到的，所述预测头训练网络是拼接在所述目标主干网络之后；根据所述样本集对所述中间图像检测模型进行训练得到目标图像检测模型；将待测图像输入至所述目标图像检测模型，根据所述目标图像检测模型的输出确定所述待测图像的图像检测结果。
[0005]第二方面，本申请实施例提供了一种图像检测装置，该装置包括：样本集确定模块，用于对图像数据集进行预处理得到样本集；第一模型确定模块，用于获取中间图像检测模型，所述中间图像检测模型包括目标主干网络和预测头训练网络，所述目标主干网络是通过对初始图像检测模型中初始主干网络的参数和学习率进行改进得到的，所述预测头训练网络是拼接在所述目标主干网络之后；第二模型确定模块，用于根据所述样本集对所述中间图像检测模型进行训练得到目标图像检测模型；待测图像检测模块，用于将待测图像输入至所述目标图像检测模型，根据所述目标图像检测模型的输出确定所述待测图像的图像检测结果。
[0006]第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理
器实现本申请任意实施例所述的图像检测方法。
[0007]第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本申请任意实施例所述的图像检测方法。
[0008]本申请实施例提供了一种图像检测方法、装置、电子设备及存储介质，该方法包括：对图像数据集进行预处理得到样本集；获取中间图像检测模型，中间图像检测模型包括目标主干网络和预测头训练网络，目标主干网络是通过对初始图像检测模型中初始主干网络的参数和学习率进行改进得到的，预测头训练网络是拼接在目标主干网络之后；根据样本集对中间图像检测模型进行训练得到目标图像检测模型；将待测图像输入至目标图像检测模型，根据目标图像检测模型的输出确定待测图像的图像检测结果。本申请通过对初始图像检测模型中初始主干网络的参数和学习率进行改进得到中间图像检测模型，进而对中间图像检测模型进行训练得到目标图像检测模型。针于气枪火焰的检测，本申请的目标图像检测模型能够提高检测识别能力，且能够提高检测效率以及检测速度。
[0009]应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其他特征将通过以下的说明书而变得容易理解。
附图说明
[0010]附图用于更好地理解本方案，不构成对本申请的限定。其中：图1为本申请实施例提供的一种图像检测方法的第一流程示意图；图2为本申请实施例提供的一种图像检测方法的第二流程示意图；图3为本申请实施例提供的一种图像检测装置的结构示意图；图4是用来实现本申请实施例的一种图像检测方法的电子设备的框图。
具体实施方式
[0011]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0012]实施例一图1为本申请实施例提供的一种图像检测方法的第一流程示意图，本实施例可适用于通过图像检测模型对待测图像进行检测识别的情况。本实施例提供的一种图像检测方法可以由本申请实施例提供的图像检测装置来执行，该装置可以通过软件和/或硬件的方式实现，并集成在执行本方法的电子设备中。
[0013]参见图1，本实施例的方法包括但不限于如下步骤：S110、对图像数据集进行预处理得到样本集。
[0014]在本申请实施例中，图像数据集可以是现有的包含有气枪火焰的大量图像构成的数据集，在工业生产场景下，该图像可以是利用工业生产现场的摄像头采集到的气枪火焰图像。样本集是指对图像数据集中的图像进行预处理之后的用于训练图像检测模型的图像。
[0015]在本申请实施例中，预处理方式可以是对图像数据集中的图像进行数据增强处
理，可以是对图像数据集中的图像进行信息标注，还可以是其他的预处理方式。
[0016]S120、获取中间图像检测模型。
[0017]在本申请实施例中，中间图像检测模型包括目标主干网络和预测头训练网络，目标主干网络是通过对初始图像检测模型中初始主干网络的参数和学习率进行改进得到的，预测头训练网络是拼接在目标主干网络之后。
[0018]可选的，由于本申请的目的是追求在更快的运行速度下获得较高的准确率，所以可以采用选择YOLOX
‑
tiny网络模型作为初始图像检测模型。可以将Darknet
‑
53作为YOLOX
‑
tiny网络模型的初始主干网络。
[0019]进一步的，通过如下方式对初始图像检测模型中初始主干网络的参数和学习率进行改进得到目标主干网络：根据类别检测数据集的参数对初始主干网络中每一层卷积神经网络的参数进行改进，得到中间主干网络；为中间主干网络设置第一学习率和第二学习率而得到目标主干网络。
[0020]在本申请实施例中采用Darknet
‑
53作为初始主干网络，由于Darknet
‑
53的参数量较大会造成中间图像检测模型的运算时间急剧上升，所以需要对根据类别检测数据集的参数对初始主干网络中每一层卷积神经网络的参数进行改进。通过调整初始主干网络的参数的宽度和深度，可以优化模型的精确度和速度，以满足实际应用的需求。为了实现中间图像检测模型在训练过程中模型稳定且模型收敛速度更快，需要设置第一学习率和第二学习率得到目标主干网络，其中，第一学习率小于第二学习率。
[0021]可选的，类别检测数据集可以是常见对象识别（Microsoft Com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，所述方法包括：对图像数据集进行预处理得到样本集；获取中间图像检测模型，所述中间图像检测模型包括目标主干网络和预测头训练网络，所述目标主干网络是通过对初始图像检测模型中初始主干网络的参数和学习率进行改进得到的，所述预测头训练网络是拼接在所述目标主干网络之后；根据所述样本集对所述中间图像检测模型进行训练得到目标图像检测模型；将待测图像输入至所述目标图像检测模型，根据所述目标图像检测模型的输出确定所述待测图像的图像检测结果。2.根据权利要求1所述的图像检测方法，其特征在于，通过如下方式对所述初始图像检测模型中所述初始主干网络的参数和学习率进行改进得到所述目标主干网络：根据类别检测数据集的参数对所述初始主干网络中每一层卷积神经网络的参数进行改进，得到中间主干网络；为所述中间主干网络设置第一学习率和第二学习率而得到所述目标主干网络。3.根据权利要求2所述的图像检测方法，其特征在于，所述根据类别检测数据集的参数对所述初始主干网络中每一层卷积神经网络的参数进行改进，得到中间主干网络，包括：将所述类别检测数据集的参数宽度的第一预设倍数作为所述中间主干网络中每一层卷积神经网络参数的宽度；将所述类别检测数据集的参数深度的第二预设倍数作为所述中间主干网络中每一层卷积神经网络参数的深度。4.根据权利要求2所述的图像检测方法，其特征在于，所述根据所述样本集对所述中间图像检测模型进行训练得到目标图像检测模型，包括：基于所述样本集，采用所述第一学习率和所述第二学习率对所述中间图像检测模型进行训练预设训练次数，得到目标图像检测模型；其中，所述第一学习率小于所述第二学习率。5.根据权利要求4所述的图像检测方法，其特征在于，所述采用所述第一学习率和所述第二学习率对所述中间图像检测模型进行训练预设训练次数，得到目标图像检测模型，包括：采用所述第一学习率对所述中间图像检测模型进行训练，直至达到训练暂停...

【专利技术属性】
技术研发人员：赵书玲，孙明，韩东辰，姚星星，孟海秀，甘翔，贾冬冬，
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：