样本生成方法、目标检测模型训练、目标检测方法及系统与流程

本发明涉及机器学习，特别是涉及一种样本生成方法、目标检测模型训练、目标检测方法及系统。

背景技术：

1、现实场景中，经常需要对各种物体做目标检测，如工厂流水线的钢板、部件检测，公路上的持续车辆检测，人行道上的行人检测等。

2、现有的目标检测方法主要研究对于静态数据集的优化，目标检测模型都是通过训练固定数据集获得。因此，现有目标检测模型对于持续变化的数据的检测精度低，依然需要依靠人工不断对采集的图像进行识别标注，以生成训练样本，进而重新训练部署目标检测模型，以提高目标检测模型的检测精度。

3、上述人工识别标注以生成样本的方法，需要耗费大量的人力物力，且样本标注效率低，模型训练效率低。此外，由于人工标注过程不可避免存在疏漏和主观性，影响目标检测结果的准确度。

技术实现思路

1、为解决现有技术中需要人工标注大量样本，用以训练新的目标检测模型。，本发明提供了一种样本生成方法、目标检测模型训练、目标检测方法及系统，能够持续自动生成目标检测模型的训练样本，大大降低人工成本，持续提高目标检测结果的准确度。

2、为解决上述技术问题，本发明所采用的技术方案是：

3、一种样本生成方法，其特点是包括以下步骤：

4、步骤1，基于原始样本集训练获得目标检测模型，其中，原始样本集包括多张原始样本图片，目标检测模型的输出为各张原始样本图片上各处的目标检测信息；

5、步骤2，获取候选样本集，其中，所述候选样本集包括n张待检测的候选样本图片；

6、步骤3，基于候选样本集和目标检测模型，输出各张候选样本图片上的各处目标信息；

7、步骤4，基于步骤3的输出信息，从候选样本集中筛选出目标样本图片并确定各目标样本图片上各处的目标位置和类别信息；

8、步骤5，将目标样本图片及图片上各处的目标位置和类别信息作为训练样本输出。

9、借由上述方法，本发明利用无标注候选样本集，自动生成目标检测模型训练用样本，大大降低人工成本，持续提高目标检测结果的准确度。

10、作为一种优选方式，图片上各处的目标检测信息包括图片上各处是否有待检测物体以及物体类别概率；所述步骤3中，针对每张候选样本图片，输出候选样本图片上的各处目标信息过程包括：

11、步骤301，对候选样本图片做多种可逆的变换处理(例如调节光照、旋转、缩放、翻转等)，获得m张不同的图片p；

12、步骤302，将所述m张不同的图片p输入目标检测模型，输出各图片p上各处是否有待检测目标以及目标类别概率；

13、步骤303，基于步骤302的输出结果，计算m张图片p对应的候选样本图片上各处的目标位置和目标类别概率；

14、步骤304，基于步骤303的计算结果，得到候选样本图片上各处最终的目标位置和目标类别概率信息。

15、借由上述方法，本发明在样本标注过程中，通过对候选样本图片进行增广处理，获得多张图片，通过已有检测模型推理，获得各图对应的目标检测信息，通过综合考虑各图的目标检测信息来最终确定原始候选样本图片上的目标检测信息，从而提高样本标注准确率。

16、作为一种优选方式，所述步骤4中包括：

17、步骤401，以步骤303输出的候选样本图片上各处物体类别概率作为置信度分数；

18、步骤402，设置第一阈值和第二阈值，其中第一阈值远小于第二阈值。对于样本中，存在置信度位于第一预设阈值和第二预设阈值间的候选样本当做无用样本，暂时丢弃。保留置信度低于第一预设阈值或高于第二预设阈值的候选样本图片作为目标样本图片输出；将候选样本图片上置信度低于第一预设阈值的位置设为背景，将候选样本图片上置信度高于第二预设阈值的位置设为目标物体并设置物体边界框；

19、步骤403，获取各张图片p对应的候选样本图片上物体边界框对应位置的物体类别概率并取其中的最大值作为物体边界框处的物体类别概率输出。

20、作为一种优选方式，所述步骤303中，对各图片p上各处物体类别概率求均值，作为候选样本图片上各处物体类别概率。

21、作为一种优选方式，所述步骤2中，n张待检测区域的候选样本图片，通过对待检测区域连续实时图像采集获得。作为另一种优选方式，n张待检测区域的候选样本图片，通过从待检测区域的历史存储图像集中获得。

22、作为一种优选方式，所述处理包括位置翻转处理、图片亮度对比度变化处理、缩小处理或放大处理。

23、基于同一个发明构思，本发明还提供了一种目标检测模型训练方法，其特点是利用由所述的样本生成方法生成的训练样本对目标检测模型进行训练，获得更新后的目标检测模型。本发明通过持续不断的迭代学习，能不断提升目标检测模型对在线工作流中的数据适应能力，提高目标检测准确度。

24、优选地，本发明还提供了另一种目标检测模型训练方法，其特点是利用原始样本集和由所述的样本生成方法生成的训练样本对目标检测模型进行训练，获得更新后的目标检测模型。

25、基于同一个发明构思，本发明还提供了一种目标检测模型，其特点是所述目标检测模型通过所述的目标检测模型训练方法进行持续自学习更新。

26、基于同一个发明构思，本发明还提供了一种目标检测方法，其特点是利用所述的目标检测模型对待检测图片进行目标检测。

27、基于同一个发明构思，本发明还提供了一种目标检测系统，其特点是包括图像采集单元、模型训练单元和所述的目标检测模型，其中：

28、图像采集单元：用于采集待检测图片，待检测图片的一部分用于作为候选样本图片用于产生训练样本集以对目标检测模型进行训练更新，待检测图片的另一部分用于借由目标检测模型识别以输出目标检测结果；

29、模型训练单元：用于基于生成的训练样本集对目标检测模型进行训练以对目标检测模型进行更新。

30、与现有技术相比，本发明利用无标注候选样本集，自动生成目标检测模型训练用样本，大大降低人工成本；同时，本发明通过持续不断的迭代学习，不断提升目标检测模型对在线工作流中的数据适应能力，提高目标检测结果的准确度。

技术特征：

1.一种样本生成方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的样本生成方法，其特征在于，图片上各处的目标检测信息包括图片上各处是否有待检测物体以及物体类别概率；

3.根据权利要求2所述的样本生成方法，其特征在于，所述步骤4中包括：

4.根据权利要求2或3所述的样本生成方法，其特征在于，所述步骤303中，对各图片p上各处物体类别概率求均值，作为候选样本图片上各处物体类别概率。

5.根据权利要求1至3任一项所述的样本生成方法，其特征在于，所述步骤2中，n张待检测区域的候选样本图片，通过对待检测区域连续实时图像采集获得；或者，n张待检测区域的候选样本图片，通过从待检测区域的历史存储图像集中获得。

6.根据权利要求2或3所述的样本生成方法，其特征在于，所述步骤301中，所述处理包括位置翻转处理、图片亮度对比度变化处理、缩小处理或放大处理。

7.一种目标检测模型训练方法，其特征在于，

8.一种目标检测模型，其特征在于，所述目标检测模型通过如权利要求7所述的目标检测模型训练方法进行持续自学习更新。

9.一种目标检测方法，其特征在于，利用如权利要求8所述的目标检测模型对待检测图片进行目标检测。

10.一种目标检测系统，其特征在于，包括图像采集单元、模型训练单元和如权利要求8所述的目标检测模型，其中：

技术总结
本发明公开了样本生成方法、目标检测模型训练、目标检测方法及系统，样本生成方法包括：1，基于原始样本集训练获得目标检测模型；2，获取候选样本集，其包括N张待检测的候选样本图片；3，基于候选样本集和目标检测模型，输出各张候选样本图片上各处的目标信息；4，基于步骤3的输出信息，从候选样本集中筛选出目标样本图片并确定各目标样本图片上各处的目标位置和类别信息；5，将目标样本图片及图片上各处的目标位置和类别信息作为训练样本输出。本发明利用无标注候选样本集，自动生成目标检测模型训练用样本，大大降低人工成本；通过持续不断的迭代学习，不断提升目标检测模型对在线工作流中的数据适应能力，提高目标检测结果的准确度。

技术研发人员：请求不公布姓名,项载蔚,冀春锟
受保护的技术使用者：湖南视比特机器人有限公司
技术研发日：
技术公布日：2024/1/12