通信塔的识别方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供了一种通信塔的识别方法、装置、电子设备及存储介质，该方法包括：获取待检测通信塔的训练数据集，所述训练数据集包括训练样本，所述训练样本包括通信塔类型、目标框和真实目标框；基于所述训练数据集对初始目标检测模型进行训练输出损失函数值，所述损失函数值基于所述目标框和所述真实目标框的交并比生成；在所述损失函数值小于预设损失函数值的情况下，得到目标检测模型。本发明专利技术实施例提供的一种通信塔的识别方法，通过损失函数与目标检测模型相结合，并利用目标框和真实目标框来确定损失函数，实现了通信塔检测模型的识别效果。效果。效果。

【技术实现步骤摘要】
通信塔的识别方法、装置、电子设备及存储介质


[0001]本专利技术涉及图像识别技术，尤其涉及一种通信塔的识别方法、装置、电子设备及存储介质。

技术介绍

[0002]随着科技的不断发展，在图像识别技术中，目标检测技术已经应用于多个领域。目前的目标检测领域通用的模型主要为单阶段和双阶段模型，单阶段模型具有网络结构简单，但是精度较低，双阶段模型网络结构复杂，精度高，但存在预测速度慢的缺点；因此基于单阶段、双阶段模型和损失函数生成的对通信塔的目标检测模型存在精确度较差的问题。

技术实现思路

[0003]本专利技术实施例提供的一种通信塔的识别方法、装置、电子设备及存储介质，解决了现有技术中对通信塔的目标检测模型存在精确度较差的问题。
[0004]第一方面，本专利技术实施例提供了一种模型训练方法，包括：
[0005]获取待检测通信塔的训练数据集，所述训练数据集包括训练样本，所述训练样本包括通信塔类型、目标框和真实目标框；
[0006]基于所述训练数据集对初始目标检测模型进行训练输出损失函数值，所述损失函数值基于所述目标框和所述真实目标框的交并比生成；
[0007]在所述损失函数值小于预设损失函数值的情况下，得到目标检测模型。
[0008]可选的，所述基于所述训练数据集对初始目标检测模型进行训练输出损失函数值之前，所述方法还包括：
[0009]构建回归损失函数，所述回归损失函数根据所述目标框和真实目标框确定；
[0010]将所述回归损失函数与第一目标检测模型进行结合，获得初始目标检测模型，所述第一目标检测模型根据所述待检测通信塔确定。
[0011]可选的，所述回归损失函数通过所述目标框与所述真实目标框的交并比、所述目标框与所述真实目标框的两个中心点之间的欧氏距离和所述目标框与所述真实目标框高宽比参数确定。
[0012]可选的，所述回归损失函数还根据变焦损失、目标置信度交叉熵确定。
[0013]可选的，将所述回归损失函数与第一目标检测模型进行结合，获得初始目标检测模型，包括：
[0014]基于所述训练数据集对第一目标检测模型进行训练，输出训练结果；
[0015]根据所述训练结果对所述第一目标模型中卷积层的权重值和偏置值进行更新，获得第二目标检测模型；
[0016]将所述回归损失函数与所述第二目标检测模型进行结合，获得初始目标检测模型。
[0017]可选的，所述获得第二目标检测模型之后，所述方法还包括：
[0018]判断所述第二目标检测模型是否符合预设性能指标，所述预设性能指标包括以下至少一项：预设精度、预设召回率、预设准确率和预设处理速度；
[0019]在所述第二目标检测模型不符合预设性能指标的情况下，使用所述训练集对所述第二目标检测模型进行训练直到所述第二目标检测模型符合预设性能指标。
[0020]第二方面，本专利技术实施例还提供了一种目标检测方法，使用如第一方面所述的一种模型训练方法训练得到的目标检测模型，包括：
[0021]获取待检测通信塔的待检测图像；
[0022]将所述待检测图像输入目标检测模型，得到所述目标检测模型的识别结果，所述识别结果用于表征所述待检测通信塔的通信塔类型，所述目标检测模型基于训练数据集对初始目标检测模型进行训练，所述训练数据集包括训练样本，所述训练样本包括通信塔类型、目标框和真实目标框。
[0023]第三方面，本专利技术实施例还提供了一种模型训练装置，包括：
[0024]获取模块，用于获取待检测通信塔的训练数据集，所述训练数据集包括训练样本，所述训练样本包括通信塔类型、目标框和真实目标框；
[0025]输出模块，用于基于所述训练数据集对初始目标检测模型进行训练输出损失函数值，所述损失函数值基于所述目标框和所述真实目标框的交并比生成；
[0026]得到模块，用于在所述损失函数值小于预设损失函数值的情况下，得到目标检测模型。
[0027]第四方面，本专利技术实施例还提供了一种目标检测装置，包括：
[0028]获取模块，用于获取待检测通信塔的待检测图像；
[0029]得到模块，用于将所述待检测图像输入目标检测模型，得到所述目标检测模型的识别结果，所述识别结果用于表征所述待检测通信塔的通信塔类型，所述目标检测模型基于训练数据集对初始目标检测模型进行训练，所述训练数据集包括训练样本，所述训练样本包括通信塔类型、目标框和真实目标框。
[0030]第五方面，本专利技术实施例还提供了一种电子设备，包括：收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；所述处理器，用于读取存储器中的程序实现如权利要求1至7或8中任一项所述的通讯企业的监控方法中的步骤。
[0031]第六方面，本专利技术实施例还提供了一种可读存储介质，用于存储程序，其特征在于，所述程序被处理器执行时实现如权利要求1至7或8中任一项所述的通讯企业的监控方法中的步骤。
[0032]本专利技术提供了一种通信塔的识别方法、装置、电子设备及存储介质，该方法包括：获取待检测通信塔的训练数据集，所述训练数据集包括训练样本，所述训练样本包括通信塔类型、目标框和真实目标框；基于所述训练数据集对初始目标检测模型进行训练输出损失函数值，所述损失函数值基于所述目标框和所述真实目标框的交并比生成；在所述损失函数值小于预设损失函数值的情况下，得到目标检测模型。本专利技术实施例提供的一种通信塔的识别方法，通过损失函数与目标检测模型相结合，并利用目标框和真实目标框来确定损失函数，实现了通信塔检测模型的识别效果。
附图说明
[0033]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0034]图1为本专利技术实施例提供的一种模型训练方法的流程示意图；
[0035]图2为本专利技术实施例提供的一种目标检测方法的流程示意图；
[0036]图3为本专利技术实施例提供的一种模型训练装置的结构示意图；
[0037]图4为本专利技术实施例提供的一种目标检测方法的结构示意图；
[0038]图5为本专利技术实施例提供的一种电子设备的结构示意图。
具体实施方式
[0039]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0040]本专利技术实施例中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：获取待检测通信塔的训练数据集，所述训练数据集包括训练样本，所述训练样本包括通信塔类型、目标框和真实目标框；基于所述训练数据集对初始目标检测模型进行训练输出损失函数值，所述损失函数值基于所述目标框和所述真实目标框的交并比生成；在所述损失函数值小于预设损失函数值的情况下，得到目标检测模型。2.根据权利要求1中所述的方法，其特征在于，所述基于所述训练数据集对初始目标检测模型进行训练输出损失函数值之前，所述方法还包括：构建回归损失函数，所述回归损失函数根据所述目标框和真实目标框确定；将所述回归损失函数与第一目标检测模型进行结合，获得初始目标检测模型，所述第一目标检测模型根据所述待检测通信塔确定。3.根据权利要求2中所述的方法，其特征在于，所述回归损失函数通过所述目标框与所述真实目标框的交并比、所述目标框与所述真实目标框的两个中心点之间的欧氏距离和所述目标框与所述真实目标框高宽比参数确定。4.根据权利要求2中所述的方法，其特征在于，将所述回归损失函数与第一目标检测模型进行结合，获得初始目标检测模型，包括：基于所述训练数据集对第一目标检测模型进行训练，输出训练结果；根据所述训练结果对所述第一目标模型中卷积层的权重值和偏置值进行更新，获得第二目标检测模型；将所述回归损失函数与所述第二目标检测模型进行结合，获得初始目标检测模型。5.根据权利要求4中所述的方法，其特征在于，所述获得第二目标检测模型之后，所述方法还包括：判断所述第二目标检测模型是否符合预设性能指标，所述预设性能指标包括以下至少一项：预设精度、预设召回率、预设准确率和预设处理速度；在所述第二目标检测模型不符合预设性能指标的情况下，使用所述训练集对所述第二目标检测模型进行训练直到所述第二目标检...

【专利技术属性】
技术研发人员：高睿，李兆遂，李洪江，张道生，许磊，张彩，朱兆亮，王筱晗，李福民，
申请(专利权)人：中国铁塔股份有限公司，
类型：发明
国别省市：