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，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网络模型包含有锚框参数，该锚框参数是基于聚类算法和遗传算法生成的；根据模型训练数据集对改进YOLO网络模型进行训练，生成检测模型；根据检测模型对待检测图像进行检测，生成检测结果。由于在YOLO网络模型中引入了锚框参数，那么基于根据YOLO网络模型训练生成的检测模型进行图像检测时，可以更加准确、高效地识别出场景下，采集到的图像中的目标对象。采集到的图像中的目标对象。采集到的图像中的目标对象。

【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]在工业场景下，工人违规吸烟导致的火灾会严重威胁工人自身的人身安全，并给工厂带来经济损失。但由于香烟体积小，不易被发现，给工厂的安全工作带来了较大的困难。目前，通常采用人工智能的方式进行目标检测，但是由于现有的目标检测算法在准确率和实时性上无法满足工业生产需求，并且因为缺少吸烟公共数据，导致现有目标检测算法无法应用于工业吸烟检测场景下。

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，能够更加准确、高效地识别出相关场景下，采集到的待检测图像中的目标检测对象。
[0004]第一方面，本申请实施例还提供了一种图像检测方法，该方法包括：
[0005]获取待检测图像和模型训练数据集；
[0006]获取改进YOLO网络模型，其中，改进YOLO网络模型包含有锚框参数，锚框参数是基于聚类算法和遗传算法生成的；
[0007]根据模型训练数据集对改进YOLO网络模型进行训练，生成检测模型；
[0008]根据检测模型对待检测图像进行检测，生成检测结果。
[0009]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：
[0010]获取模块，用于获取待检测图像和模型训练数据集；
[0011]获取模块，还用于获取改进YOLO网络模型，其中，改进YOLO网络模型包含有锚框参数，锚框参数是基于聚类算法和遗传算法生成的；
[0012]训练模块，用于根据模型训练数据集对改进YOLO网络模型进行训练，生成检测模型；
[0013]检测模块，用于根据检测模型对待检测图像进行检测，生成检测结果。
[0014]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、处理器及存储在存储器上并可在处理器上运行的计算机程序，当处理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。
[0015]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，该计算机程序被处理器执行时，实现如本申请任意实施例提供的图像检测方法。
[0016]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，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网络模型包含有锚框参数，该锚框参数是基于聚类算法和遗传算法生成的；根据模型训练数据集对改进YOLO网络模型进行训练，生成检测模型；根据检测模型对待检测图像进行检测，生成检测结果。由于
在YOLO网络模型中引入了锚框参数，那么基于根据YOLO网络模型训练生成的检测模型进行图像检测时，可以更加准确、高效地识别出相关场景下，采集到的待检测图像中的目标检测对象。
附图说明
[0017]图1为本申请实施例中的一种图像检测方法的流程图；
[0018]图2是本申请实施例中的一种获取改进YOLO网络模型的方法流程图；
[0019]图3是本申请实施例中的一种生成检测模型的方法流程图；
[0020]图4是本申请实施例中的一种图像检测装置的结构示意图；
[0021]图5是本申请实施例中的另一种图像检测装置的结构示意图；
[0022]图6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
[0023]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。
[0024]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。
[0025]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，工业违规吸烟场景下)，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，不仅具有较高的准确率和较好的实时性，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：
[0026]S101、获取待检测图像和模型训练数据集。
[0027]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，在工业违规吸烟场景下，利用工业生产现场的摄像头采集到的图像。模型训练数据集可以是现有的包含有各类烟支目标的大量图像构成的数据集。
[0028]S102、获取改进YOLO网络模型。
[0029]在本申请实施例中，上述改进YOLO网络模型中包含有锚框参数，该锚框参数可以是基于聚类算法和遗传算法生成的。即相比于现有的YOLO网络模型，本申请实施例中的改进YOLO网络模型中设置了锚框参数，该锚框参数可以包括锚框的长度和宽度。进一步地，该YOLO网络模型具体可以为YOLOv4网络模型，或者，可选地，该YOLO网络模型也可以为YOLO系列的其他网络模型，例如，YOLOv3网络模型或者YOLOv5网络模型等。
[0030]S103、根据模型训练数据集对改进YOLO网络模型进行训练，生成检测模型。
[0031]可选地，可以将模型训练数据集中的数据按照比例(例如，7：3)划分为训练集和测
试集，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。
[0032]S104、根据检测模型对待检测图像进行检测，生成检测结果。
[0033]可以理解的是，由于检测模型是基于改进YOLO网络模型训练生成的，而改进YOLO网络模型中设置有锚框参数，那么训练得到的检测模型中也包含有锚框参数，进而基于检测模型对待检测图像进行检测时，可以在检测结果中以锚框的形式可视化地标注出待检测图像中包含的目标检测对象。例如，在工业生产场景下检测违规吸烟行为，检测模型对生产现场采集到的图像进行检测，并通过锚框的形式标注图像中的烟支位置等。当然，在待检测图像中未包含目标检测对象的情况下，检测结果中可以不包含锚框。
[0034]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网络模型包含有锚框参数，该锚框参数是基于聚类算法和遗传算法生成的；根据模型训练数据集对改本文档来自技高网...

【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网络模型包含有锚框参数，所述锚框参数是基于聚类算法和遗传算法生成的；根据所述模型训练数据集对所述改进YOLO网络模型进行训练，生成检测模型；根据所述检测模型对所述待检测图像进行检测，生成检测结果。2.根据权利要求1所述的方法，其特征在于，所述获取改进YOLO网络模型，包括：获取公共数据集和锚框参数；根据所述公共数据集对YOLO网络模型进行训练，得到预训练模型；将所述锚框参数设置为所述预训练模型的输入参数，得到更新后的网络模型；将所述更新后的网络模型确定为所述改进YOLO网络模型。3.根据权利要求1或2所述的方法，其特征在于，获取所述锚框参数，包括：根据所述聚类算法对所述模型训练数据集中的各数据进行初始聚类，得到K个簇，其中，所述各数据为实数对形式，K为大于0的整数；根据所述遗传算法分别对所述K个簇中各数据进行变异，生成所述K个簇中各数据对应的数据变异结果；在所述数据变异结果的评估值大于对应簇的评估值的情况下，将所述数据变异结果确定为所述对应簇中各个锚框的参数；在所述数据变异结果的评估值小于或等于对应簇的评估值的情况下，将所述对应簇中各数据确定为所述对应簇中各个锚框的参数。4.根据权利要求3所述的方法，其特征在，所述根据所述聚类算法对所述模型训练数据集中的各数据进行初始聚类，得到K个簇，包括：在所述模型训练数据集中随机选取K个点作为K个初始聚类中心；其中，所述K个点为实数对形式；分别计算所述K个初始聚类中心与所述模型训练数据集中各数据之间的距离；将所述模型训练数据集中各数据划分为与其距离最小的初始聚类中心所属的类别；按照均值计算方法重新确定划分后的各类别的聚类中心，并将重新确定聚类中心的各类别分别确定为K个簇。5.根据权利要求3所述的方法，其特征在于，获取所述数据变异结果的评估值和所述对应簇的评估值，包括：根据anchor_fitness算法分别计算所述数据变异结果的适应度和对应簇的适应度；将所述数据变异结果的适应度和对应簇的适应度分别确定为所述数据变异结果的评估值和所述对应簇的评估值。6.根据权利要求1所述的方...

【专利技术属性】
技术研发人员：孟海秀，嵇晓峰，姚星星，田玉，王克刚，
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：