[发明专利]图像中构件信息的检测方法、装置、设备及可读存储介质

权利要求书

1.一种图像中构件信息的检测方法，其特征在于，所述图像中构件信息的检测方法包括以下步骤：

获取待识别图像，将待识别图像的不同层进行分离，以获得预设组数的输入数据，其中，一组输入数据至少对应一层待识别图像；

将各组输入数据输入至预设目标检测模型中，通过所述目标检测模型中，与各组输入数据对应的卷积核得到各组输入数据对应的数据矩阵；

所述将各组输入数据输入至预设目标检测模型中，通过所述目标检测模型中，与各组输入数据对应的卷积核得到各组输入数据对应的数据矩阵的步骤包括：

根据所述预设组数确定所述目标检测模型中卷积核的深度，以确定各组所述输入数据对应的卷积核；

所述根据所述预设组数确定所述目标检测模型中卷积核的深度，以确定各组所述输入数据对应的卷积核的步骤包括：

根据所述预设组数和所述待识别图像的图像通道数，确定所述目标检测模型中卷积核的深度和数量；

所述根据所述预设组数和所述待识别图像的图像通道数，确定所述目标检测模型中卷积核的深度和数量的步骤包括：

根据所述图像通道数及所述预设组数，确定所述卷积核的深度，根据所述卷积核的数量及所述预设组数，确定所述输入数据的卷积核数量；

将各组所述输入数据输入至各组所述输入数据对应的卷积核中，得到各组输入数据对应的数据矩阵；

对各组所述输入数据对应的数据矩阵进行拟合，得到所述待识别图像中的构件信息。

2.如权利要求1所述的图像中构件信息的检测方法，其特征在于，所述获取待识别图像，将所述待识别图像划分成预设组数的输入数据的步骤之前，还包括：

获取所述待识别图像对应的原始训练数据集，对所述原始训练数据集中的原始训练图像进行数据增强操作，得到更新训练数据集；

根据所述原始训练数据集和所述更新训练数据集训练预设卷积神经网络模型，得到目标检测模型。

3.如权利要求2所述的图像中构件信息的检测方法，其特征在于，所述根据所述原始训练数据集和所述更新训练数据集训练预设卷积神经网络模型，得到目标检测模型的步骤包括：

对所述原始训练数据集中原始训练图像的各个层进行分离，得到原始训练图像中各个层对应的原始层图像；

对所述更新训练数据集中更新训练图像的各个层进行分离，得到更新训练图像中各个层对应的更新层图像；

基于梯度下降算法，将所述原始层图像和所述更新层图像输入至预设卷积神经网络模型中，得到目标检测模型。

4.如权利要求3所述的图像中构件信息的检测方法，其特征在于，所述基于梯度下降算法，将所述原始层图像和所述更新层图像输入至预设卷积神经网络模型中，得到目标检测模型的步骤之后，还包括：

获取将所述原始训练数据集和所述更新训练数据集输入至所述卷积神经网络模型中后，所述卷积神经网络输出的训练结果；

将所述训练结果、所述原始训练数据集对应的标签值和所述更新训练数据集对应的标签值输入至预设的损失函数中，得到所述损失函数输出的损失值；

根据所述损失值确定训练所得的目标检测模型对所述待识别图像中构件信息识别的准确率。

5.如权利要求2所述的图像中构件信息的检测方法，其特征在于，所述对所述原始训练数据集中的原始训练图像进行数据增强操作，得到更新训练数据集的步骤包括：

对所述原始训练数据集中的原始训练图像进行平移操作，得到平移后的原始训练图像；

对平移后的原始训练图像进行翻转操作，得到翻转后的原始训练图像，并将翻转后的原始训练图像确定为更新训练数据集中的更新训练图像，得到更新训练数据集。

6.如权利要求1至5任一项所述的图像中构件信息的检测方法，其特征在于，所述对各组所述输入数据对应的数据矩阵进行拟合，得到所述待识别图像中的构件信息的步骤包括：

将各组所述输入数据对应的数据矩阵进行连接，得到连接后的数据矩阵；

采用回归函数对连接后的数据矩阵进行拟合，得到所述待识别图像中的构件种类和各构件种类对应的位置坐标。