[发明专利]图像检测方法、装置、电子设备及存储介质

说明书

本发明涉及图像检测技术，揭露了一种图像检测方法，包括：获取原始图像，对所述原始图像进行空间转换及数据增强处理，得到标准图像，利用所述标准图像训练预构建的教师网络，得到标准教师模型，根据所述标准教师模型和预构建的学生网络构建混合模块，并基于所述混合模块及所述学生网络得到混合网络，利用所述标准图像训练所述混合网络，得到标准学生模型，利用所述标准学生模型对待检测图像进行检测，得到图像检测结果。此外，本发明还涉及区块链技术，所述图像检测结果可存储在区块链的节点中。本发明还提出一种图像检测装置、电子设备以及计算机可读存储介质。本发明可以解决图像检测准确性较低的问题。

技术领域

本发明涉及图像检测技术领域，尤其涉及一种图像检测方法、装置、电子设备及计算机可读存储介质。

背景技术

随着现代科技和人工智能的发展，适用于边缘设备的模型越来越重要。比如，高级驾驶辅助系统(ADAS)已经成为了汽车行业重点研究和开发的系统项目，其中行人检测系统作为ADAS中的一个重要组成部分，是关乎人类生命安全的重要研究领域。在目前的行人检测系统的研发中，检测速度和精度是制约车载识人发展的两大难点和痛点。1、基于深度学习的算法比起传统的算法来说具有更高的特征提取能力，以及更快的检测速度。但是大量的用于目标检测的深度卷积网络，具有较高的参数量和计算量，不仅模型占用较大存储空间，而且进行推理时需要强有力的图形处理器(Graphics Processing Unit，GPU)，难以直接实现在边缘设备端的实际部署与应用。2、利用知识蒸馏进行轻量级网络训练。知识蒸馏是一种标准的教师——学生学习框架，它采用更大的预训练教师模型指导轻量型学生模型训练，从而使学生模型接近教师模型的性能，达到模型压缩的效果。但是传统的知识蒸馏方法利用学生模型模仿教师模型以尽可能达到教师模型的性能，这些方法需要基于教师网络的响应定义不同的知识，如“软化”后的输出、特征注意力等。然而在这样的过程中，教师仅扮演学生模仿的目标，学生并未与教师互动，且学生模型的特征提取能力要比教师模型的弱，那么学生模型通过模仿学习到的知识就无法达到教师模型的程度，影响图像检测的准确性。

发明内容

本发明提供一种图像检测方法、装置及计算机可读存储介质，其主要目的在于解决图像检测准确性较低的问题。

为实现上述目的，本发明提供的一种图像检测方法，包括：

获取原始图像，对所述原始图像进行空间转换及数据增强处理，得到标准图像；

利用所述标准图像训练预构建的教师网络，得到标准教师模型；

根据所述标准教师模型和预构建的学生网络构建混合模块，并基于所述混合模块及所述学生网络得到混合网络；

利用所述标准图像训练所述混合网络，得到标准学生模型；

利用所述标准学生模型对待检测图像进行检测，得到图像检测结果。

可选地，所述获取原始图像，对所述原始图像进行空间转换及数据增强处理，得到标准图像，包括：

对所述原始图像进行平移、旋转处理，得到转换图像；

利用预设的随机函数生成高斯噪声，并将所述高斯噪声添加至所述转换图像中，得到标准图像。

可选地，所述利用所述标准图像训练预构建的教师网络，得到标准教师模型，包括：

利用所述教师网络中的图像特征提取模块及图像特征增强模块对所述标准图像进行特征提取及特征增强，得到特征图像；

利用所述教师网络中的检测模块得到所述特征图像的预测框，基于所述预测框及真实框，利用预设的教师损失函数计算得到损失值，直到所述损失值小于预设的阈值，得到所述标准教师模型。

可选地，所述根据所述标准教师模型和预构建的学生网络构建混合模块，包括：