[发明专利]智能储物柜的边缘点检测模型训练方法、设备和存储介质

权利要求书

1.一种智能储物柜的边缘点检测模型训练方法，其特征在于，包括以下步骤：

采集智能储物柜在不同开口状态下的俯视图，对于每一张智能储物柜俯视图，提取多个样本图像，获取每个样本图像中标注的智能储物柜开口处的边缘点坐标，将样本图像和对应的边缘点坐标构成样本数据集；

构建轻量化卷积神经网络模型，基于所述样本数据集进行模型训练，采用梯度下降算法优化模型参数，得到训练好的智能储物柜开口边缘点检测模型。

2.根据权利要求1所述的智能储物柜的边缘点检测模型训练方法，其特征在于，基于所述样本数据集进行模型训练，采用梯度下降算法优化模型参数，得到训练好的智能储物柜开口边缘点检测模型，包括：

按照预设比例将样本数据集划分为训练数据集和验证数据集；

基于训练集对轻量化卷积神经网络模型进行训练，基于验证集对每轮训练得到的模型进行准确度计算；

选择准确度最高的模型作为训练好的智能储物柜开口边缘点检测模型。

3.根据权利要求1所述的智能储物柜的边缘点检测模型训练方法，其特征在于，采用以下步骤从每一张智能储物柜俯视图中提取多个样本图像：

在智能储物柜俯视图中，按照与智能储物柜移动方向垂直的方向上采用等间隔的方式，提取宽度为W，长度为L的多个图像作为待检测图像，其中每个待检测图像的长边与智能储物柜的移动方向平行。

4.根据权利要求1所述的智能储物柜的边缘点检测模型训练方法，其特征在于，若智能储物柜当前状态下同时采集的图像数量大于1，则将采集的图像拼接得到一张完整的智能储物柜俯视图。

5.根据权利要求4所述的智能储物柜的边缘点检测模型训练方法，其特征在于，采用以下步骤进行图像拼接得到一张完整的智能储物柜俯视图：

采用SIFT算法提取每张图像中的特征点；

采用快速最近邻算法在相邻两个图像间进行特征点匹配，得到相邻图像间的特征点的初始对应关系；

采用抽样一致性算法删除错误对应关系，并计算相邻图像间的单应性矩阵；

基于相邻图像间的单应性矩阵将不同图像映射到同一个图像上得到拼接后的图像。

6.根据权利要求1所述的智能储物柜的边缘点检测模型训练方法，其特征在于，所述轻量化卷积神经网络模型为改进的ShuffleNet模型，所述改进的ShuffleNet模型包括：

第一卷积层，用于提取输入数据的浅层特征输出浅层特征图，所述第一卷积层为一维卷积层；

最大池化层，用于降低浅层特征图的维度；

多个ShuffleNet模块，用于采用逐点群卷积和通道混洗的方式从降维后的浅层特征图中提取深层语义特征；

第二卷积层，用于降低深层语义特征的通道维度，输出检测结果。

7.根据权利要求5所述的智能储物柜的边缘点检测模型训练方法，其特征在于，每个所述ShuffleNet模块，包括依次连接的一维ShuffleNet单元和通道注意力模块；所述通道注意力模块用于根据ShuffleNet模块输出的特征计算通道注意力权重，将通道注意力权重与ShuffleNet模块输出的特征相乘输出增加注意力权重的特征；所述一维ShuffleNet单元的卷积层为一维卷积。

8.根据权利要求1所述的智能储物柜的边缘点检测模型训练方法，其特征在于，通过以下公式计算所述轻量化卷积神经网络模型的损失Loss：

Loss＝Point_Loss+Confidence_Loss

其中，S表示模型输出的特征的长度；k_i表示模型预测的第i个区间内的边缘点位置，表示第i个区间内的实际边缘点位置；c_i表示第i个区间内有边缘点的置信度；表示第i个区间内实际是否有目标点，如果有值为1，否则为0，λ_obj、λ_noobj和λ_point表示权重系数。