一种用于实验智能考评的导线检测方法与流程

1.本发明涉及ai智能考评领域，特别是涉及一种用于实验智能考评的导线检测方法。


背景技术：

2.随着深度学习的兴起，计算机视觉技术得到了不断的发展，其中尤为显著的便是以目标检测和实例分割为代表的物体检测技术，在各行各业都有着不错的落地方案，在初高中电学实验的智能考评系统中，我们通过判断导线的相对位置来进行判断连接方式的正确与否，但是现有方案针对导线的检测，不论是纯目标检测的方案或是语义分割、实例分割，在导线存在交叉或颜色相同时，就无法完整的检测出导线，究其原因是因为诸如语义分割、实例分割等是基于像素的分类，当导线存在交叉时，该像素点便同时属于两根或三根导线，标签信息便不明确，这对基于深度学习的方法而言是致命的。


技术实现要素：

3.本发明的目的在于，提供一种用于实验智能考评的导线检测方法，以实现更加精确的确定多根导线，同时可根据具体的实验导线分布表现情况，灵活改变关键点个数，避免标注资源的浪费。
4.为解决上述技术问题，本发明提供一种用于实验智能考评的导线检测方法，包括如下步骤：
5.对实验操作台区域相关物体进行标注，将包含导线的区域设为一个单独标签，并训练目标检测网络；
6.将单独标签的标注框内图像取出，用以训练导线检测模型训练数据的标注；
7.将单独标签标注框内取出的图像输入到卷积神经网络，输出特征图后在y轴上做softmax，获取导线所需关键点的y轴坐标；
8.将卷积神经网络生成的坐标与单独标签做损失，并通过反向传播优化网络参数来训练卷积神经网络。
9.进一步的，所述单独标签中包含导线的区域为根据实验要求连接完成的导线。
10.进一步的，导线检测模型训练数据的标注为(m，n，k)，其中x，y分别为导线在x轴，y轴上的坐标，k为第k条导线。
11.进一步的，所述m为单独标签标注框内取出的图像在x轴方向等距划分m个点作为所需关键点的横坐标，且m的值为已知确定。
12.进一步的，所述m值确定后，所需关键点的标签形式为(n，k)。
13.进一步的，所述特征图形状为m
×
(n+1)
×
k。
14.进一步的，所述损失函数为mseloss函数。
15.相比于现有技术，本发明至少具有以下有益效果：
16.本发明通过m个关键点确定一条导线，可以更加精确的确定多根导线，同时可根据
具体的实验导线分布表现情况，灵活改变关键点个数，极大避免标注资源的浪费。
附图说明
17.图1为本发明用于实验智能考评的导线检测方法一个实施例的方法流程图；
18.图2为本发明用于实验智能考评的导线检测方法导线检测网络结构示意图。
具体实施方式
19.下面将结合示意图对本发明的用于实验智能考评的导线检测方法进行更详细的描述，其中表示了本发明的优选实施例，应该理解本领域技术人员可以修改在此描述的本发明，而仍然实现本发明的有利效果。因此，下列描述应当被理解为对于本领域技术人员的广泛知道，而并不作为对本发明的限制。
20.在下列段落中参照附图以举例方式更具体地描述本发明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
21.如图1所示，本发明实施例提出了一种用于实验智能考评的导线检测方法，包括如下步骤：
22.对实验操作台区域相关物体进行标注，将包含导线的区域设为一个单独标签，并训练目标检测网络；
23.将单独标签的标注框内图像取出，用以训练导线检测模型训练数据的标注；
24.将单独标签标注框内取出的图像输入到卷积神经网络，输出特征图后在y轴上做softmax，获取导线所需关键点的y轴坐标；
25.将卷积神经网络生成的坐标与单独标签做损失，并通过反向传播优化网络参数来训练卷积神经网络。
26.以下列举所述用于实验智能考评的导线检测方法的较优实施例，以清楚的说明本发明的内容，应当明确的是，本发明的内容并不限制于以下实施例，其他通过本领域普通技术人员的常规技术手段的改进亦在本发明的思想范围之内。
27.(1)对实验操作台区域相关物体进行标注，将包含导线的区域设为一个单独标签，并训练目标检测网络。
28.具体的，针对实验操作台区域相关物体进行标注，训练一个目标检测网络(yolov5为例)，其中，包含导线的区域设为一个单独标签(导线区域)，特别注意，此处包含导线的区域非实验前及试验后整理完的导线，而是根据实验要求连接完成的导线(如串联电路、并联电路等搭建完成的电路)。
29.(2)将单独标签的标注框内图像取出，用以训练导线检测模型训练数据的标注。
30.具体的，将上述单独标签(导线区域)标注框内图像取出，所述图像宽高为w和h，用以训练导线检测模型训练数据的标注，所述标注形式为：确定相关实验中，需要用几个关键点来表示一条导线，比如一共有k条导线需要检测，每条导线用m个关键点来表示，则在该图x轴方向等距划分m个点作为所需关键点的横坐标，即所需关键点x轴位置此时已经确定为[x1,x2,x3
……
xm]，在y轴方向上等距划分n个点，所以所需要的标签由两部分组成：1、y轴方向上的位置[y1,y2,y3
……
yn]；2、所属导线的类[1,2,
……
k]。所以其中某个关键点的标
签形式为[y轴方向位置，所属导线]。
[0031]
(3)将单独标签标注框内取出的图像输入到卷积神经网络，输出特征图后在y轴上做softmax，获取导线所需关键点的y轴坐标。
[0032]
如图2所示为本方案所涉及的导线检测网络，在宽高分别为w、h的原始图片上，x方向划分m个点，y方向划分n个点(宽w代表x轴，高h代表y轴)；
[0033]
k代表所需检测的导线数量，图片输入backbone(卷积神经网络)后输出m*(n+1)*k的特征图，对于生成的特征图，在y轴方向做softmax，得到所需关键点的y轴坐标(根据上文中所说的图像y轴方向被分成n份，输出的特征图形状是m*(n+1)*k而不是m*n*k是因为多出来的那个“1”是用来表示点是不是存在)。
[0034]
(4)将卷积神经网络生成的坐标与单独标签做损失，并通过反向传播优化网络参数来训练卷积神经网络。
[0035]
具体的，将网络生成的坐标与真实标签做mseloss损失，反向传播优化网络参数来达到训练该网络的目的。
[0036]
在一个实施例中，以第一根导线为例，对应最后特征图(featuremap)中的第一个形状为m*(n+1)的特征图，对y轴方向做softmax，即得到m个1*(n+1)向量，其中(n+1)中，长度为n的向量表示该点在y轴方向的位置，取n＝5为例，在y轴方向第3个点是对应关键点的位置，则标签3经过独热处理(one-hot)会得到向量[0,0,1,0,0]，即可与上述网络生成长度为n＝5的向量做损失。同时n+1多出来的1个维度，依据上文所述用来判断是否存在该点即[0]表示不存在该点，[1]表示该点存在，并与网络输出的对应向量做损失，总的损失为上述两类损失之和
[0037]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。