目标检测模型训练方法及装置、图像检测方法及装置与流程

本技术涉及机器学习，具体而言，涉及一种目标检测模型训练方法及装置、图像检测方法及装置。

背景技术：

1、随着深度学习目标检测方法在各个工业领域被广泛应用，目标检测网络得到了相对迅速的发展，目标检测模型的准确率也越来越高，但在x光图像检测场景中，依旧存在以下问题：目前，x光图像检测模型通常采用一阶段目标检测模型，但由于一阶段目标检测模型对候选框不进行筛选，而是将候选框通过正负样本采样方法进行候选框采样，使得一阶段目标检测模型对目标特征特别敏感，其忽略了对背景特征的学习，导致一阶段目标检测模型检出率很高，但误检率也偏高；二阶段目标检测模型虽然在一定程度上能够减少误检率，但二阶段目标检测模型耗时严重，且对硬件需求较高，无法满足工业大范围需求。

2、针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本技术实施例提供了一种目标检测模型训练方法及装置、图像检测方法及装置，以至少解决相关技术中目标检测模型存在误检率高的技术问题。

2、根据本技术实施例的一个方面，提供了一种目标检测模型训练方法，包括：获取第一训练样本集合，其中，每个第一训练样本为由至少一张前景图像和至少一张背景图像拼接成的第一图像，前景图像中包含检测目标，背景图像中不包含检测目标；利用第一训练样本集合对第一目标检测模型进行训练，并依据第一损失函数调整第一目标检测模型的模型参数，得到第二目标检测模型，其中，第一损失函数中至少包括：反映前景图像预测结果与前景图像真实结果差异的第二损失函数和反映背景图像预测结果与背景图像真实结果差异的第三损失函数；获取第二训练样本集合，其中，每个第二训练样本中包括：前景图像、背景图像、前景图像和背景图像混合成的第二图像；利用第二训练样本集合对第二目标检测模型进行蒸馏学习，并依据第四损失函数调整第二目标检测模型的模型参数，得到第三目标检测模型，其中，第四损失函数中至少包括：反映前景图像预测结果与第二图像预测结果差异的第五损失函数。

3、可选地，获取第一训练样本集合，包括：获取包括有多张前景图像和多张背景图像的图像集合；从图像集合中选取相同数量的前景图像和背景图像进行拼接，得到一张第一图像，将第一图像作为一个第一训练样本；依次确定多个第一训练样本，得到第一训练样本集合。

4、可选地，第一损失函数的确定过程包括：对于每个第一训练样本，将第一训练样本输入第一目标检测模型，得到第一目标检测模型输出的第一预测结果，其中，第一预测结果中至少包括：前景预测目标框、前景预测目标类别、背景预测目标框、背景预测目标类别；依据前景预测目标框与前景标注目标框的差异构建第六损失函数，并依据前景预测目标类别与前景标注目标类别的差异构建第七损失函数，将第六损失函数和第七损失函数之和作为第二损失函数；依据背景预测目标类别与背景标注目标类别的差异构建第三损失函数；分别确定第二损失函数和第三损失函数对应的第一权重和第二权重，并依据第一权重、第二损失函数、第二权重和第三损失函数确定第一损失函数。

5、可选地，分别确定第二损失函数和第三损失函数对应的第一权重和第二权重，包括：确定前景预测目标框与前景标注目标框的平滑均绝对误差损失函数的第一sigmoid值，并确定前景预测目标框与前景标注目标框的第一完全交并比损失函数值，依据第一sigmoid值和第一完全交并比损失函数值确定第三权重；利用预设的目标检测方法确定第一图像中的最优预测目标框，确定前景预测目标框与最优预测目标框的第二完全交并比损失函数值，确定第二完全交并比损失函数值与前景预测目标类别的第二sigmoid值为第四权重；确定第三权重与第四权重之积为第一权重；依据各个背景预测目标框的损失函数值的平均值及各个背景预测目标框的损失函数值确定第二权重。

6、可选地，获取第二训练样本集合，包括：获取前景图像集合和背景图像集合；从前景图像集合中选取一张前景图像，从背景图像集合中选取一张背景图像，对前景图像和背景图像进行混合，得到一张第二图像，将前景图像、背景图像和第二图像共同作为一个第二训练样本；依次确定多个第二训练样本，得到第二训练样本集合。

7、可选地，第四损失函数的确定过程包括：对于每个第二训练样本，将第二训练样本中的图像依次输入第二目标检测模型，得到第二目标检测模型输出的第二预测结果，其中，第二预测结果中至少包括：前景图像预测结果、背景图像预测结果、第二图像预测结果；依据前景图像预测结果和第二图像预测结果的差异构建第五损失函数；依据前景图像预测结果与前景图像真实结果的差异构建第八损失函数；依据背景图像预测结果与背景图像真实结果的差异构建第九损失函数；依据第五损失函数、第八损失函数和第九损失函数确定第四损失函数。

8、可选地，将第二训练样本中的图像依次输入第二目标检测模型，包括：对前景图像和第二图像进行数据弱处理，其中，数据弱处理包括以下至少之一：旋转、亮度调整；将数据弱处理后的前景图像和第二图像以及背景图像依次输入第二目标检测模型。

9、可选地，第二目标检测模型的瓶颈层采用全局注意力机制，依据前景图像预测结果和第二图像预测结果的差异构建第五损失函数，包括：获取前景图像在瓶颈层的各个特征的第一上下文关系和第二图像在瓶颈层的各个特征的第二上下文关系，依据第一上下文关系和第二上下文关系的差异构建第十损失函数；依据前景图像的预测目标类别与第二图像的预测目标类别的差异构建第十一损失函数；依据前景图像的预测目标框与第二图像的预测目标框的差异构建完全交并比损失函数，并将前景图像的预测结果得分与完全交并比损失函数之积作为第十二损失函数；依据第十损失函数、第十一损失函数和第十二损失函数确定第五损失函数。

10、根据本技术实施例的一个方面，提供了一种图像检测方法，包括：获取待检测图像；将待检测图像输入目标检测模型，得到目标检测模型输出的检测结果，其中，目标检测模型是通过上述的目标检测模型训练方法训练得到的；在检测结果指示待检测图像中存在目标物体时，发出告警信息。

11、根据本技术实施例的另一方面，还提供了一种目标检测模型训练装置，包括：第一获取模块，用于获取第一训练样本集合，其中，每个第一训练样本为由至少一张前景图像和至少一张背景图像拼接成的第一图像，前景图像中包含检测目标，背景图像中不包含检测目标；第一训练模块，用于利用第一训练样本集合对第一目标检测模型进行训练，并依据第一损失函数调整第一目标检测模型的模型参数，得到第二目标检测模型，其中，第一损失函数中至少包括：反映前景图像预测结果与前景图像真实结果差异的第二损失函数和反映背景图像预测结果与背景图像真实结果差异的第三损失函数；第二获取模块，用于获取第二训练样本集合，其中，每个第二训练样本中包括：一张前景图像、一张背景图像、前景图像和背景图像混合成的第二图像；第二训练模块，用于利用第二训练样本集合对第二目标检测模型进行蒸馏学习，并依据第四损失函数调整第二目标检测模型的模型参数，得到第三目标检测模型，其中，第四损失函数中至少包括：反映前景图像预测结果与第二图像预测结果差异的第五损失函数。

12、根据本技术实施例的另一方面，还提供了一种图像检测装置，包括：第三获取模块，用于获取待检测图像；检测模块，用于将待检测图像输入目标检测模型，得到目标检测模型输出的检测结果，其中，目标检测模型是通过上述的目标检测模型训练方法训练得到的；告警模块，用于在检测结果指示待检测图像中存在目标物体时，发出告警信息。

13、根据本技术实施例的另一方面，还提供了一种非易失性存储介质，该非易失性存储介质包括存储的计算机程序，其中，非易失性存储介质所在设备通过运行该计算机程序执行上述的目标检测模型训练方法或图像检测方法。

14、根据本技术实施例的另一方面，还提供了一种电子设备，该电子设备包括：存储器和处理器，其中，存储器中存储有计算机程序，处理器被配置为通过计算机程序执行上述的目标检测模型训练方法或图像检测方法。

15、本技术实施例训练的目标检测模型为一阶段目标检测模型，但模型训练过程分为两个阶段：第一阶段对前景图像和背景图像进行拼接，通过修改损失函数，加大对特征图背景部分的损失权重，提高模型对背景特征的关注力；第二阶段将前景图像、背景图像以及前景、背景混合成的图像同时输入模型进行训练，利用前景图像和混合图像进行蒸馏学习，提取二者目标特征中的共同特征，减少目标信息中的无效信息，提高模型对有效特征的提取能力，从而提高模型检测准确率，降低误检率。本技术方案有效解决了相关技术中目标检测模型存在误检率高的技术问题。