异物检测方法及装置、非瞬态计算机可读存储介质与流程

本公开实施例涉及但不限于目标检测，尤其涉及一种异物检测方法及装置、计算机可读存储介质。

背景技术：

1、卷积神经网络具有强大的学习能力与高效的特征表达能力，在分割、检测、识别、跟踪等计算机视觉任务中发挥巨大优势。在智能零售方面，利用计算机视觉技术，通过在商店冰箱、自动售货柜等处架设摄像头，自动识别货柜上的商品数量和种类，能够极大地节约人力成本，提高顾客的购物体验。

2、但是，在一些情况下，某些消费者会在货柜上放入不属于本货柜的物品，例如垃圾或其他位置的商品。这种情况目前很难监管。商家通常只能通过人工比对，判断货柜上是否存在异物。这种方法检测繁琐，效率较低。

技术实现思路

1、以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

2、本公开实施例提供了一种异物检测方法，包括：

3、将第一图像输入目标检测模型，得到一个或多个目标检测框；所述目标检测模型通过如下方法训练得到：通过自监督方法预训练教师模型，通过监督方法微调教师模型；采用所述教师模型对学生模型进行知识蒸馏，得到所述目标检测模型；

4、提取每个所述目标检测框的特征向量；

5、对提取的所述特征向量进行处理，以确定每个所述目标检测框内的对象是否为异物。

6、本公开实施例还提供了一种异物检测装置，包括存储器；和连接至所述存储器的处理器，所述存储器用于存储指令，所述处理器被配置为基于存储在所述存储器中的指令，执行本公开任一实施例所述的异物检测方法的步骤。

7、本公开实施例还提供了一种非瞬态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开任一实施例所述的异物检测方法。

8、在阅读理解了附图和详细描述后，可以明白其他方面。

技术特征：

1.一种异物检测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述对提取的所述特征向量进行处理，以确定每个所述目标检测框内的对象是否为异物，包括：

3.根据权利要求2所述的方法，其特征在于，所述根据相似度结果确定所述目标检测框内的对象是否是异物，包括：

4.根据权利要求1所述的方法，其特征在于，所述对提取的所述特征向量进行处理，以确定每个所述目标检测框内的对象是否为异物，包括：

5.根据权利要求1所述的方法，其特征在于，所述教师模型包括第一主干网和第一特征提取层，所述学生模型包括第二主干网和第二特征提取层，所述第一主干网为rexnet网络，所述第二主干网为mobilenext网络。

6.根据权利要求1所述的方法，其特征在于，所述知识蒸馏为特征蒸馏，所述学生模型的总损失函数为：loss＝loss1+lamda*loss2，其中，lamda为预设的权重系数，cosfaceloss表示余弦人脸识别损失函数，为所述学生模型的预测值，y为真值；loss2＝mse(feature_student,feature_teacher)，mse表示均方误差损失函数，feature_student为所述学生模型的特征向量，feature_teacher为所述教师模型的特征向量。

7.根据权利要求1所述的方法，其特征在于，所述方法之前还包括：

8.根据权利要求1所述的方法，其特征在于，所述方法之前还包括：

9.一种异物检测装置，其特征在于，包括存储器；和连接至所述存储器的处理器，所述存储器用于存储指令，所述处理器被配置为基于存储在所述存储器中的指令，执行如权利要求1至8任一项所述的异物检测方法的步骤。

10.一种非瞬态计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1至8任一项所述的异物检测方法。

技术总结
一种异物检测方法及装置、非瞬态计算机可读存储介质，包括：将第一图像输入目标检测模型，得到一个或多个目标检测框；所述目标检测模型通过如下方法训练得到：通过自监督方法预训练教师模型，通过监督方法微调教师模型；采用所述教师模型对学生模型进行知识蒸馏，得到所述目标检测模型；提取每个所述目标检测框的特征向量；对提取的所述特征向量进行处理，以确定每个所述目标检测框内的对象是否为异物。

技术研发人员：王婷婷,黄光伟
受保护的技术使用者：京东方科技集团股份有限公司
技术研发日：
技术公布日：2024/1/14