[发明专利]一种检测集装箱位置的方法及装置

权利要求书

1.一种检测集装箱位置的方法，其特征在于，包括：

获取包含有集装箱的图像；

基于深度学习模型的归一化层中的重要性参数对所述深度学习模型进行裁剪，所述重要性参数是所述深度学习模型的归一化层中的通道特征参数经过稀疏化训练得到的；

对裁剪后的深度学习模型进行再训练；

将所述图像输入再训练后的深度学习模型得到所述集装箱在所述图像中的位置。

2.根据权利要求1所述的方法，其特征在于，在基于深度学习模型的归一化层中的重要性参数对所述深度学习模型进行裁剪之前，还包括：

在所述深度学习模型的每个网络层中建立归一化层。

3.根据权利要求1所述的方法，其特征在于，在基于深度学习模型的归一化层中的重要性参数对所述深度学习模型进行裁剪之前，还包括：

基于损失函数、惩罚项、损失函数与惩罚项之间的权重对所述深度学习模型的归一化层中的通道特征参数进行稀疏化训练，得到所述重要性参数。

4.根据权利要求1所述的方法，其特征在于，所述基于深度学习模型的归一化层中的重要性参数对所述深度学习模型进行裁剪，包括：

按照第一预设比例裁剪重要性参数中重要性低的参数对应的所述深度学习模型中网络层的参数。

5.根据权利要求4所述的方法，其特征在于，在按照第一预设比例裁剪重要性参数中重要性低的参数对应的所述深度学习模型中的卷积层之前，还包括：

按照第二预设比例保留所述深度学习模型中每个网络层的参数。

6.根据权利要求4所述的方法，其特征在于，所述按照第一预设比例裁剪重要性参数中重要性低的参数对应的所述深度学习模型中的卷积层，包括：

按照第一子预设比例裁剪重要性参数中重要性低的参数对应的所述深度学习模型中网络层的参数，所述第一子预设比例小于所述第一预设比例；

若裁剪后的深度学习模型的网络稀疏度满足预设稀疏度，则执行对裁剪后的深度学习模型进行再训练；

若裁剪后的深度学习模型的网络稀疏度不满足预设稀疏度，则对裁剪后的深度学习模型进行再训练后，继续按照第一子预设比例裁剪重要性参数中重要性低的参数对应的所述深度学习模型中网络层的参数。

7.根据权利要求1所述的方法，其特征在于，所述将所述图像输入再训练后的深度学习模型得到所述集装箱在所述图像中的位置，包括：

将所述图像输入再训练后的深度学习模型得到所述集装箱的包络框；

在所述图像中，基于所述包络框进行区域膨胀，得到感兴趣区域；

在所述感兴趣区域中，确定所述集装箱在所述图像中的位置。

8.根据权利要求7所述的方法，其特征在于，所述在所述感兴趣区域中，确定所述集装箱在所述图像中的位置，包括：

在所述感兴趣区域中，确定所述集装箱的各个可见表面；

根据所述各个可见表面确定所述各个可见表面之间的棱边；

根据各个棱边的长度、各个棱边之间的夹角以及所述集装箱的标准化长度，确定所述集装箱在所述图像中的位置。

9.根据权利要求8所述的方法，其特征在于，所述根据各个棱边的长度、各个棱边之间的夹角确定以及所述集装箱的标准化长度，确定所述集装箱在所述图像中的位置，包括：

若所述集装箱的可见表面为三面，则根据所述可见表面中前面和底面之间的棱边长度以及所述集装箱的标准化长度确定所述集装箱与相应车辆的距离，根据所述三面的交点对应的三条棱边之间的夹角确定所述集装箱的方向；

若所述集装箱的可见表面为两面，则根据所述可见表面中前面和底面之间的棱边长度以及所述集装箱的标准化长度确定所述集装箱与相应车辆的距离，根据所述前面和所述底面之间的棱边与所述底面中与其相邻的两条棱边之间的夹角确定所述集装箱的方向。

10.一种检测集装箱位置的装置，其特征在于，包括：

接收模块，用于获取包含有集装箱的图像；

裁剪模块，用于基于深度学习模型的归一化层中的重要性参数对所述深度学习模型进行裁剪，所述重要性参数是所述深度学习模型的归一化层中的通道特征参数经过稀疏化训练得到的；

恢复模块，用于对裁剪后的深度学习模型进行再训练；

定位模块，用于将所述图像输入再训练后的深度学习模型得到所述集装箱在所述图像中的位置。