[发明专利]损失函数优化方法、模型训练方法、目标检测方法及介质

说明书

损失函数优化方法、模型训练方法、目标检测方法及介质，涉及图片识别技术领域；目标检测模型训练方法，包括以下步骤：获取样本数据集；数据集的前处理：对获取的样本数据进行提前标注，对标注出的目标进行聚类，并做多组实验找到适合手机检测的anchor；用自定义的anchor采用目标检测网络训练得到目标检测模型。本发明结合当前主流的计算机视觉处理技术，使用基于深度卷积神经网络的目标检测算法做基本的处理算法，引入层级智能过滤的方式，将非限定场景中的玩手机行为识别问题转为限定场景中的玩手机行为识别问题，同时也可以通过此步将复杂场景直接转换为简单场景。

技术领域

本发明涉及图片识别技术领域，特别涉及损失函数优化方法、模型训练方法、目标检测方法及介质。

背景技术

随着现代社会分工的精细化，一些企业对相关人员的管理也越来越规范，而一些管理任务又非常庞杂，比如特定工作场景下的玩手机检测、抽烟、其他的一些行为规范以及工作服穿戴合规检测等；单靠人工巡查，或是人工对视频的浏览已经无法满足一些现代企业管理的需要，因此，有人提出引入智能化的视频分析技术，对监控视频进行智能化分析，从中筛选出操作人员的一些违规图片，推送给管理者。这样做有下面几个好处：第一，可以节省大量的用于现场巡查或是视频浏览巡查的人力，为企业节省成本，提高效率；第二，可以做到24小时全覆盖；

针对玩手机的检测识别通常采取下面三种方式：

第一种方式：管理人员不定时现场巡查。这样做的好处是：巡查所到之处，问题发现准确，解决到位；缺点是：受到巡查人员精力，时间限制，无法做到全天候覆盖，会遗漏大量的问题点；

第二种方式：管理人员视频巡查。这样做的好处是同第一种方式；缺点是：面对庞大的视频数据，如果需要全部巡查所有问题点，需要的巡查人员数量非常庞大。

上述两种传统的巡查管理方式都面临一个问题：巡查任务非常巨大，巡查人手不够。所以限制了管理工作人员行为规范的大规模推广，造成管理质量良莠不齐，问题频发，严重影响企业形象。为此，有人提出利用人工智能的方法来缩小视频巡检的范围，做到更加精准的定位问题点，以提高工作效率，从而有了第三种巡查方式：

第三种方式：基于视频智能分析的管理人员巡查。通过人工智能算法对视频进行分析，只保留少量的问题图片。通过研究发现当前主流的目标检测算法具有局限性，精准度不够。

发明内容

本发明的目的在于，提供损失函数优化方法、模型训练方法、目标检测方法及介质。

本发明的技术方案：目标检测模型训练方法，包括以下步骤：

获取样本数据集；

数据集的前处理：对获取的样本数据进行提前标注，对标注出的目标进行聚类，并做多组实验找到适合手机检测的anchor；

用自定义的anchor采用目标检测网络训练得到目标检测模型。

上述的目标检测模型训练方法中，目标模型训练阶段包括用于评价每一轮训练结果的损失函数计算，该损失函数包括对候选框的对角线长度与真实框对角线长度之差计算，公式为：

上述的目标检测模型训练方法中，损失函数的完整公式为：

其中，(x,y)表示在图像分割成s*s的待检区域中，第i个区域的中心区域区域坐标；B表示分类目标的总数；C_i表示预测的目标分类；P_i为预测类的概率；λ_coord表示目标存在时，位置与分类项的损失权重；λ_noobj表示目标不存在的时候，对于类别判断结果是否正确的权重。

目标检测模型中的损失函数优化方法，包括对候选框的对角线长度与真实框对角线长度之差计算，公式为：