[发明专利]网络模型的训练方法、目标检测方法及相关装置

权利要求书

1.一种网络模型的训练方法，其特征在于，包括：

获取训练样本图像；所述训练样本图像是农作物的图像，所述农作物的图像包含农作物的穗或穗粒；所述训练样本图像中包含与待检测物体的轮廓相匹配的真实标记信息；所述真实标记信息包括检测区域的信息和中心点信息，所述检测区域与所述待检测物体的轮廓相匹配，所述检测区域的信息包括尺寸大小信息和角度信息；

构建初始检测模型以及对应所述初始检测模型的多个损失函数；

基于所述训练样本图像以及所述多个损失函数对初始检测模型进行训练，直至所述初始检测模型收敛，以得到目标检测模型；所述目标检测模型用于得到待检测目标的中心点信息；任意一个所述中心点信息对应一个检测区域；所述检测区域与待检测目标的轮廓匹配；任意两个所述检测区域之间的重叠面积小于预设重合阈值；所述多个损失函数包括第一损失函数和第二损失函数，所述第一损失函数的损失值用来量化检测区域尺寸大小与预测的尺寸大小之间的差异，所述第二损失函数的损失值用来量化检测区域的角度信息与预测的角度信息之间的差异。

2.根据权利要求1所述的网络模型的训练方法，其特征在于，

所述基于所述训练样本图像以及所述多个损失函数对初始检测模型进行训练，包括：

根据所述初始检测模型获得训练样本图像对应的预测标记信息；

根据多个损失函数计算所述预测标记信息与所述真实标记信息之间的多个损失值；

根据所述多个损失值对所述初始检测模型的参数进行调整。

3.根据权利要求2所述的网络模型的训练方法，其特征在于，所述预测标记信息包括预测尺寸大小信息和预测角度信息；

所述根据多个损失函数计算所述预测标记信息与所述真实标记信息之间的多个损失值，包括：

根据所述第一损失函数计算所述尺寸大小信息与所述预测尺寸大小信息的第一损失值；

根据所述第二损失函数计算所述角度信息与所述预测角度信息的第二损失值；

根据所述多个损失值对所述初始检测模型的参数进行调整，包括：

当所述第一损失值大于或等于预设第一损失阈值，且所述第二损失值大于或等于预设第二损失阈值，调整所述初始检测模型的参数；

当所述第一损失值小于预设第一损失阈值，且所述第二损失值小于预设第二损失阈值，停止调整所述初始检测模型的参数，获得所述目标检测模型。

4.根据权利要求3所述的网络模型的训练方法，其特征在于，所述多个损失函数还包括第三损失函数；所述预测标记信息还包括预测中心点信息；

根据多个损失函数计算所述预测标记信息与所述真实标记信息之间的多个损失值，包括：

根据所述第三损失函数计算所述中心点信息与所述预测中心点信息的第三损失值；根据所述多个损失值对所述初始检测模型的参数进行调整，包括：

当所述第三损失值大于或等于预设第三损失阈值，调整所述初始检测模型的参数；

当所述第三损失值小于预设第三损失阈值，停止调整所述初始检测模型的参数，获得所述目标检测模型。

5.根据权利要求4所述的网络模型的训练方法，其特征在于，还包括：

获得的所述目标检测模型的输出结果为所述预测中心点信息的中心点热力图；所述中心点热力图为所述目标检测模型对所述中心点进行高斯处理后得到的图像。

6.根据权利要求1-5任意一项所述的网络模型的训练方法，其特征在于，所述训练样本图像中包括农作物，所述待检测物体为所述农作物的穗或者所述农作物的穗粒。