一种目标识别方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了一种目标识别方法、装置、电子设备及存储介质。该方法包括：获取待检测图像，并根据待检测图像的来源信息确定待检测图像对应的目标训练样本集；根据解耦检测头搭建训练网络，并根据初始数据集对训练网络进行训练，得到初始识别模型；根据目标训练样本集对初始识别模型进训练，得到目标识别模型；将待检测图像输入所述目标识别模型进行目标识别，得到待检测图像的检测结果。即，本发明专利技术实施例，通过训练网络搭建和目标训练样本的确定，从网络结构和数据来源提升模型的收敛速度；通过初始数据集对训练网络进行初始训练，得到初始识别模型，再根据目标训练样本集对不同的目标进行训练，从训练步骤设置提升模型的收敛速度。从训练步骤设置提升模型的收敛速度。从训练步骤设置提升模型的收敛速度。

【技术实现步骤摘要】
一种目标识别方法、装置、电子设备及存储介质


[0001]本专利技术实施例涉及计算机技术，尤其涉及一种目标识别方法、装置、电子设备及存储介质。

技术介绍

[0002]随着计算机视觉研究的快速发展，在工业制造智能化方向和人工智能信息技术等领域上，目标检测具有不可或缺的作用。其中，图像识别主要用于判断预先定义种类的对象实例是否存在于目标图像中，并通过区域框定位待识别目标的空间位置和范围。当目标图像中存在目标，则将识别的目标的空间位置和范围作为识别结果返回。在工业制造中的安全检测需要人工观察，因为高强度的工作，容易造成因为人的疲劳带来的危险，所以基于视觉的检测就很有必要。现有的目标检测方法可能产生大量包含待检测物体的先验框,然后用分类器判断每个先验框中是否包含待检测物体以及物体所属类别的置信度，同时需要后处理修正边界框，最后基于一些准则过滤掉置信度不高和重叠度较高的边界框，得到检测结果。这种方法虽然有相对较高的检测准确率，但运行速度较慢。

技术实现思路

[0003]本专利技术提供一种目标识别方法、装置、电子设备及存储介质，以实现基于区域提取算法快速得到识别模型，以便于对不同目标进行识别。
[0004]第一方面，本专利技术实施例提供了一种目标识别方法，该方法包括：
[0005]获取待检测图像，并根据所述待检测图像的来源信息确定所述待检测图像对应的目标训练样本集；
[0006]根据解耦检测头搭建训练网络，并根据初始数据集对所述训练网络进行训练，得到初始识别模型；
[0007]根据所述目标训练样本集对所述初始识别模型进训练，得到目标识别模型；
[0008]将待检测图像输入所述目标识别模型进行目标识别，得到所述待检测图像的检测结果。
[0009]进一步的，根据所述待检测图像的来源信息确定所述待检测图像对应的目标训练样本集，包括：
[0010]根据所述待检测图像的来源信息确定检测目标；
[0011]根据所述检测目标从训练数据库中确定出所述待检测图像对应的目标训练样本集；
[0012]对所述目标训练样本集进行样本分拣，得到所述目标训练样本集对应的目标标签。
[0013]进一步的，根据解耦检测头搭建训练网络，包括：
[0014]在网络的输入端添加用于进行特征增强的数据增强模块，并在剩余网络中添加用于进行目标检测的所述解耦检测头；
[0015]在主干网络之后加入用于进行图像归一化处理的空间金子塔池化模块，从而得到所述训练网络。
[0016]进一步的，所述解耦检测头包括卷积网络、分类检测头、回归检测头和置信度检测头；
[0017]其中，所述卷积网络用于进行特征降维，所述分类检测头用于进行目标分类，所述回归检测头用于进行位置识别，所述置信度检测头用于确定所述分类检测头和回归检测头的准确度。
[0018]进一步的，根据初始数据集对所述训练网络进行训练，得到初始识别模型，包括：
[0019]根据所述初始数据集中的目标检测数据对所述训练网络进行训练，得到所述训练网络对应的初始参数；
[0020]将所述初始参数更新到所述训练网络中，得到所述初始训练模型。
[0021]进一步的，根据所述目标训练样本集对所述初始识别模型进训练，得到目标识别模型，包括：
[0022]根据预设训练周期将所述目标训练样本集分为第一训练周期的数据和第二训练周期的数据；
[0023]根据所述第一训练周期的数据和所述第二训练周期的数据对所述初始识别模型进行训练，得到所述目标识别模型。
[0024]进一步的，根据所述第一训练周期的数据和所述第二训练周期的数据对所述初始识别模型进行训练，得到所述目标识别模型，包括：
[0025]冻结所述初始识别模型中主干网络的初始参数，并利用所述第一训练周期的数据对所述初始识别模型进行训练，得到第一训练模型；
[0026]解冻所述第一训练模型中主干网路的初始参数，并利用所述第二训练周期的数据对所述第一训练模型进行训练，得到所述目标识别模型。
[0027]第二方面，本专利技术实施例还提供了一种目标识别装置，该装置包括：
[0028]样本确定模块，用于获取待检测图像，并根据所述待检测图像的来源信息确定所述待检测图像对应的目标训练样本集；
[0029]网络搭建模块，用于根据解耦检测头搭建训练网络，并根据初始数据集对所述训练网络进行训练，得到初始识别模型；
[0030]模型训练模块，用于根据所述目标训练样本集对所述初始识别模型进训练，得到目标识别模型；
[0031]图像检测模块，用于将待检测图像输入所述目标识别模型进行目标识别，得到所述待检测图像的检测结果。
[0032]第三方面，本专利技术实施例还提供了一种电子设备，该电子设备包括：
[0033]一个或多个处理器；
[0034]存储装置，用于存储一个或多个程序，
[0035]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所述的目标识别方法。
[0036]第四方面，本专利技术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，其特征在于，该程序被处理器执行时实现所述的目标识别方法。
[0037]本专利技术实施例，通过获取待检测图像，并根据待检测图像的来源信息确定待检测图像对应的目标训练样本集；根据解耦检测头搭建训练网络，并根据初始数据集对训练网络进行训练，得到初始识别模型；根据目标训练样本集对初始识别模型进训练，得到目标识别模型；将待检测图像输入目标识别模型进行目标识别，得到待检测图像的检测结果。即，本专利技术实施例，通过训练网络搭建和目标训练样本的确定，从网络结构和数据来源提升模型的收敛速度；通过初始数据集对训练网络进行初始训练，得到初始识别模型，再根据目标训练样本集对不同的目标进行训练，从训练步骤设置提升模型的收敛速度。
附图说明
[0038]图1是本专利技术实施例提供的目标识别方法的一个流程示意图；
[0039]图2是本专利技术实施例提供的目标识别方法的另一流程示意图；
[0040]图2A为本专利技术实施例提供的训练网络的结构示意图；
[0041]图2B为本专利技术实施例提供的解耦检测头的结构示意图；
[0042]图2C为本专利技术实施例提供的目标识别模型的训练过程的一个原理图；
[0043]图3是本专利技术实施例提供的目标识别装置的结构示意图；
[0044]图4是本专利技术实施例提供的电子设备的结构示意图。
具体实施方式
[0045]下面结合附图和实施例对本专利技术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专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0046]图1为本专利技术实施例提供的目标识别方法的一个流程示意图，该方法可以由本专利技术实施例提供的目标识别装置来执行，该装置可采用软件和/或硬件的方式实现。在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标识别方法，其特征在于，包括：获取待检测图像，并根据所述待检测图像的来源信息确定所述待检测图像对应的目标训练样本集；根据解耦检测头搭建训练网络，并根据初始数据集对所述训练网络进行训练，得到初始识别模型；根据所述目标训练样本集对所述初始识别模型进训练，得到目标识别模型；将所述待检测图像输入所述目标识别模型进行目标识别，得到所述待检测图像的检测结果。2.根据权利要求1所述的方法，其特征在于，根据所述待检测图像的来源信息确定所述待检测图像对应的目标训练样本集，包括：根据所述待检测图像的来源信息确定检测目标；根据所述检测目标从训练数据库中确定出所述待检测图像对应的目标训练样本集；对所述目标训练样本集进行样本分拣，得到所述目标训练样本集对应的目标标签。3.根据权利要求1所述的方法，其特征在于，根据解耦检测头搭建训练网络，包括：在网络的输入端添加用于进行特征增强的数据增强模块，并在剩余网络中添加用于进行目标检测的所述解耦检测头；在主干网络之后加入用于进行图像归一化处理的空间金子塔池化模块，从而得到所述训练网络。4.根据权利要求3所述的方法，其特征在于，所述解耦检测头包括卷积网络、分类检测头、回归检测头和置信度检测头；其中，所述卷积网络用于进行特征降维，所述分类检测头用于进行目标分类，所述回归检测头用于进行位置识别，所述置信度检测头用于确定所述分类检测头和回归检测头的准确度。5.根据权利要求1所述的方法，其特征在于，根据初始数据集对所述训练网络进行训练，得到初始识别模型，包括：根据所述初始数据集中的目标检测数据对所述训练网络进行训练，得到所述训练网络对应的初始参数；将所述初始参数更新到所述训练网络中，得到所述初始训练模型。6.根据权利要求1...

【专利技术属性】
技术研发人员：孟海秀，孙明，王振龙，姚星星，贾冬冬，任涛林，
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：