[发明专利]钢筋检测模型的训练方法及装置

说明书

本公开涉及机器学习技术领域，提供了一种钢筋检测模型的训练方法及装置。该方法包括：将RetinaNet模型中的普通卷积层替换为空洞卷积层，得到钢筋检测模型；获取钢筋训练数据集，将钢筋训练数据集中的训练样本输入钢筋检测模型，输出训练样本的特征图；利用平衡度公式计算每个中心点的平衡度，基于每个中心点的平衡度对该中心点的进行分类，并在分类的过程中利用第一损失函数训练钢筋检测模型；基于训练样本中的每个标签对应的被分类为前景的一个或多个中心点回归该标签对应的检测框的坐标，并在回归的过程中利用第二损失函数训练钢筋检测模型；基于训练样本中所有检测框中每两个相邻检测框的交并比，利用第三损失函数训练钢筋检测模型。

技术领域

本公开涉及机器学习技术领域，尤其涉及一种钢筋检测模型的训练方法及装置。

背景技术

将机器学习应用到钢筋检测中，可以降低工人们的工作量。钢筋检测一般使用的是主流的多目标检测，并没有基于钢筋检测的特点进行优化改进。钢筋检测不同于一般的目标检测，具有密集、不重叠和小目标等特点，如果仅是使用现有技术中多目标检测的方法，不进行改进，会导致钢筋检测的准确率低。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下技术问题：常用机器学习检测钢筋的方法准确率低的问题。

发明内容

有鉴于此，本公开实施例提供了一种钢筋检测模型的训练方法、、装置、电子设备及计算机可读存储介质，以解决现有技术中，常用机器学习检测钢筋的方法准确率低的问题。

本公开实施例的第一方面，提供了一种钢筋检测模型的训练方法，包括：将RetinaNet模型中的普通卷积层替换为空洞卷积层，得到钢筋检测模型；获取钢筋训练数据集，将钢筋训练数据集中的训练样本输入钢筋检测模型，输出训练样本的特征图，其中，特征图包含多个中心点；利用平衡度公式计算每个中心点的平衡度，基于每个中心点的平衡度对该中心点的进行分类，并在分类的过程中利用第一损失函数训练钢筋检测模型，其中，每个中心点的类别包括前景和背景；基于训练样本中的每个标签对应的被分类为前景的一个或多个中心点回归该标签对应的检测框的坐标，其中，训练样本中包含多个标签，并在回归的过程中利用第二损失函数训练钢筋检测模型；基于训练样本中所有检测框中每两个相邻检测框的交并比，利用第三损失函数训练钢筋检测模型。

本公开实施例的第二方面，提供了一种钢筋检测模型的训练装置，包括：构建模块，被配置为将RetinaNet模型中的普通卷积层替换为空洞卷积层，得到钢筋检测模型；获取模块，被配置为获取钢筋训练数据集，将钢筋训练数据集中的训练样本输入钢筋检测模型，输出训练样本的特征图，其中，特征图包含多个中心点；分类模块，被配置为利用平衡度公式计算每个中心点的平衡度，基于每个中心点的平衡度对该中心点的进行分类，并在分类的过程中利用第一损失函数训练钢筋检测模型，其中，每个中心点的类别包括前景和背景；回归模块，被配置为基于训练样本中的每个标签对应的被分类为前景的一个或多个中心点回归该标签对应的检测框的坐标，其中，训练样本中包含多个标签，并在回归的过程中利用第二损失函数训练钢筋检测模型；训练模块，被配置为基于训练样本中所有检测框中每两个相邻检测框的交并比，利用第三损失函数训练钢筋检测模型。

本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。