【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种工业密集检测场景中目标检测模型训练方法、检测方法及系统。
技术介绍
1、深度学习和图像处理技术作为工业物联网快速发展的推动力，使得工业生产和物流流程变得更加高效和可定制化。近年来基于深度学习的目标检测工作已经开始在各种工业应用中扮演了不可或缺的角色，包括但不限于工业生产监管、缺陷检测和故障检测等应用，这些工作对于提高工业图像检测精度、模型推理速度和建立可用于生产的实际应用等起到了相当大的促进作用。
2、然而，构建高精度工业应用智能模型的主流方法通常需要采集海量的数据来进行模型训练，但是在很多场景中，由于数据隐私保护和目标数据较为小众导致的数量不足，这导致传统的集中式训练方法变得不再可行。例如智能制造中的目标检测，传统集中式训练方法要求从不同机构设备传感器中采集数据并上载至公用的云服务器进行训练，这些数据可能包括知识产权、生产信息、用户档案以及来自不同机构的敏感信息，此类做法引发了人们对潜在隐私泄露和数据泄露的担忧。
3、因此，针对工业密集检测场景下的目标检测任务亟需一种新的模型
【技术保护点】
1.一种工业密集检测场景中目标检测模型训练方法，其特征在于，所述方法分别在多个检测场景中分别部署的训练单元上执行，该方法包括以下步骤：
2.根据权利要求1所述的工业密集检测场景中目标检测模型训练方法，其特征在于，所述增强扩充包括：对所述图像数据的降噪、空间变换、裁剪和旋转，每个增强阶段随机采用其中两种增强方法，且所有增强方法采用相同的超参数。
3.根据权利要求1所述的工业密集检测场景中目标检测模型训练方法，其特征在于，所述教师网络和所述学生网络的结构相同，采用标准残差神经网络ResNet-101和特征金字塔网络作为图像编码器进行特征提取，所述特...
【技术特征摘要】
1.一种工业密集检测场景中目标检测模型训练方法，其特征在于，所述方法分别在多个检测场景中分别部署的训练单元上执行，该方法包括以下步骤：
2.根据权利要求1所述的工业密集检测场景中目标检测模型训练方法，其特征在于，所述增强扩充包括：对所述图像数据的降噪、空间变换、裁剪和旋转，每个增强阶段随机采用其中两种增强方法，且所有增强方法采用相同的超参数。
3.根据权利要求1所述的工业密集检测场景中目标检测模型训练方法，其特征在于，所述教师网络和所述学生网络的结构相同，采用标准残差神经网络resnet-101和特征金字塔网络作为图像编码器进行特征提取，所述特征金字塔分为多层为每个输入样本生成不同维度的特征并整合特征提取结果；以及，采用faster rcnn对所述特征提取结果进行处理输出所述目标对象的预测框及预测概率。
4.根据权利要求1所述的工业密集检测场景中目标检测模型训练方法，其特征在于，所述交并比损...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。