[发明专利]模型自适应的目标检测的方法及装置

说明书

本公开提供了一种模型自适应的目标检测的方法及装置。该方法在边缘端执行，包括：基于视频流得到第一数据集，并且将第一数据集发送到云端，第一数据集包括正样本和负样本，正样本为包括目标的样本，负样本为不包括目标的样本；接收经训练的模型，经训练的模型是在云端利用第一数据集进行训练得到的；利用RNN神经网络预测与模型的压缩相关联的参数；以及基于边缘端的可用资源，根据与模型的压缩相关联的参数对经训练的模型进行压缩，以得到经压缩的模型。

技术领域

本公开涉及人工智能领域，具体而言涉及一种模型自适应的目标检测的方法及装置。

背景技术

工业生产和建设中，安全一直是永恒不变的主题。工作服和安全帽在安全事故的防范中起着举足轻重的作用，因此，按规定穿着工作服和佩戴安全帽是安全生产的必要措施。

结合AI技术在工厂部署智能检测系统，可以提高工厂中的工人的工服穿戴率，从而降低工厂安全事故发生率。

然而，现有检测技术存在以下问题：

现有技术的方案中模型部署方式单一，无法灵活地根据当前计算资源的使用率选择合适的模型以及对模型进行调整；

现有技术的方案中数据采集周期长，模型更新慢，存在滞后性，无法满足实际生产中业务需求变化；以及

现有技术的方案中用于模型训练的样本分布不平衡，背景和前景占比高，导致模型鲁棒性差。

因此，存在解决上述问题的需求，以改善检测的灵活性、响应速度和鲁棒性。

发明内容

根据本公开的第一方面，提供了一种模型自适应的目标检测的方法，该方法在边缘端执行，包括：基于视频流得到第一数据集，并且将第一数据集发送到云端，第一数据集包括正样本和负样本，正样本为包括目标的样本，负样本为不包括目标的样本；接收经训练的模型，经训练的模型是在云端利用第一数据集进行训练得到的；利用RNN神经网络预测与模型的压缩相关联的参数；以及基于边缘端的可用资源，根据与模型的压缩相关联的参数对经训练的模型进行压缩，以得到经压缩的模型。

根据本公开的第二方面，提供了一种模型自适应的目标检测的装置，该装置被配置在边缘端，包括：视频流处理模块，被配置为基于视频流得到第一数据集，并且将第一数据集发送到云端，第一数据集包括正样本和负样本，正样本为包括目标的样本，负样本为不包括目标的样本；RNN预测模块，被配置为接收经训练的模型，并且利用RNN神经网络预测与模型的压缩相关联的参数，经训练的模型是在云端利用第一数据集进行训练得到的；压缩模块，被配置为基于边缘端的可用资源，根据与模型的压缩相关联的参数对经训练的模型进行压缩，以得到经压缩的模型。

根据本公开的第三方面，提供了一种用于模型自适应的目标检测的非瞬态计算机可读存储介质，其上存储有程序，其特征在于，当该程序由计算机执行时，使计算机执行根据本公开的第一方面所述的方法。

根据本公开的第四方面，提供了一种用于模型自适应的目标检测的计算装置，包括存储器和处理器，存储器与处理器通信耦合，该存储器中存储有程序，该程序当由处理器执行时，使得处理器执行根据本公开的第一方面所述的方法。

本公开提出的方法和装置可以动态获取边缘端硬件设备和资源使用情况，实现对模型的自适应压缩；采用云边协同训练数据的方法，提高模型的准确率，并且可以及时更新模型；采用基于改进focal loss和LSR多阶段工服检测模型，解决工厂采集数据不均衡问题，提高模型的鲁棒性。

通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得更为清楚。

附图说明

构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。

参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：