[发明专利]一种检测集装箱位置的方法及装置

说明书

本发明实施例提供一种检测集装箱位置的方法及装置，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。能够使深度学习模型变得轻量化，更快地检测出集装箱在图像中的位置。并且，由于深度学习模型被裁剪后变得更加轻量化，无需再占用过多的存储空间，进而能够很好地适用于嵌入式图形处理器。

技术领域

本发明涉及检测技术领域，尤其涉及一种检测集装箱位置的方法及装置。

背景技术

在港口集装箱的装卸过程中，无人驾驶车辆需要根据吊具以及集装箱的状态信息通过控制其自身的动作来对集装箱进行装卸作业。具体来说，无人驾驶车辆通过图像传感器获取其前方上空的图像，然后通过深度学习模型确定吊具是否抓取到集装箱以及集装箱的位置信息，从而确定集装箱装卸作业的进展，进而使得无人驾驶车辆能够进行减速、对位、启动等动作。

然而，无人驾驶车辆在对集装箱进行装卸的过程中，需要实时获取集装箱的位置信息，才能够精准地控制车辆自身的动作。但是，由于深度学习模型中模型参数量大，通过深度学习模型确定集装箱的位置信息需要花费较多的时间，进而使无人驾驶车辆无法实时地获取到集装箱的位置信息。

发明内容

鉴于上述问题，本发明实施例的目的是提供一种检测集装箱位置的方法及装置，通过使深度学习模型变得轻量化，能够快速地确定出集装箱的位置信息，使得无人驾驶车辆能够实时地获取到集装箱的位置信息。

为解决上述技术问题，本发明实施例提供如下技术方案：

第一方面，本发明实施例提供一种检测集装箱位置的方法，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。

第二方面，本发明实施例提供一种检测集装箱位置的装置，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。

第三方面，本发明实施例提供一种电子设备，所述电子设备包括：至少一个处理器；以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述一个或多个技术方案中的方法。

第四方面，本发明实施例提供一种计算机可读存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述一个或多个技术方案中的方法。

本发明实施例提供的检测集装箱位置的方法及装置，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深度学习模型进行裁剪，重要性参数是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；将图像输入再训练后的深度学习模型得到集装箱在图像中的位置。通过深度学习模型的归一化层中的重要性参数对深度学习模型进行裁剪，使深度学习模型变得轻量化，能够基于集装箱的图像更快地检测出集装箱在图像中的位置，进而使得无人驾驶车辆能够实时地获取集装箱的位置，更加精准地对集装箱进行装卸作业。并且，由于深度学习模型被裁剪后变得更加轻量化，无需再占用过多的存储空间，进而能够很好地适用于嵌入式图形处理器（Graphics Processing Unit，GPU），节省集装箱位置检测的硬件成本。