[发明专利]一种基于视觉的汽车表盘检测训练方法

说明书

本发明涉及一种基于视觉的汽车表盘检测训练方法，包括获取汽车仪表盘的图像数据并形成若干个Epoch训练集；将每个Epoch训练集中的图像数据送入CNN网络，并输出该组图像数据的权重和预测值；将图像数据按权重分成高权重组和低权重组，并获取每组的均值；进行损失度Loss计算；循环Epoch训练集，当循环到第relab_i个epoch后，开始对标签进行重新标注；本发明通过自我修复的训练方法，能一定程度上消除了数据集中的噪声数据，使得检测结果更加精确。

技术领域

本发明属于视觉技术领域，尤其是汽车仪表盘视觉检测技术领域。

背景技术

汽车仪表作为汽车和驾驶员的人机交互界面，是汽车的重要组成部分。汽车仪表对信号的响应精度会直接影响驾驶过程中的安全性以及舒适性；机械式指针仪表上对指针的检测是仪表检测中最为重要的检测项之一，仪表指针对速度指令信号的响应精度直接决定了生产的仪表质量好坏，因此，对指针响应的精确测量要求检测算法具有很高的精度；此外，汽车仪表生产厂商会生产不同种类批次的仪表，所以希望检测算法具有良好的通用性和适应性；为了使得算法更好的检测，需要基于公开以及自采的汽车仪表盘数据集进行训练，从而识别汽车仪表盘上的仪表指针读数以及提示符号，如加油符号，转向灯符号，挂挡符号等；但是由于数据集样本有成千上万张，且需要人工对每张图片中的每个图标位置进行标注，很容易在标注过程中对图标的标注框存在偏移或者标注框的大小不合适；因此，数据集中存在部分标注误差，此时如果使用常规的训练策略得到的结果存在误差，从而导致最终的检测效果也会存在误差，进而影响使用时的仪表检测精度。

发明内容

为了解决上述的问题，本发明通过以下技术方案来实现上述目的：

一种基于视觉的汽车表盘检测训练方法,包括以下步骤，

S1、获取汽车仪表盘的图像数据并形成若干个Epoch训练集；

S2、将每个Epoch训练集中的图像数据送入CNN网络，并输出该组图像数据的权重和预测值；

S3、将图像数据按权重分成高权重组和低权重组，并获取每组的均值；

S4、进行损失度Loss计算；

S5、循环Epoch训练集，当循环到第relab_i个epoch后，开始对标签进行重新标注。

作为本发明的进一步优化方案，所述将每个epoch训练集中的图像数据送入CNN网络的步骤还包括将每个epoch训练集中的图像数据分成若干组样本，且每组样本包括训练集中的batchsize个样本(Batch_Size的正确选择是为了在内存效率和内存容量之间寻找最佳平衡)。

作为本发明的进一步优化方案，所述步骤S3中将图像数据按权重分成高权重组和低权重组的步骤具体包括根据阈值T将权重分成高权重组和低权重组。

作为本发明的进一步优化方案，所述损失度Loss计算的步骤包括

判断l_mean-h_mean+M10；

若l_mean-h_mean+M10，则Loss＝criterion(targets,outputs)+l_mean-h_mean+M1；否则Loss＝criterion(targets,outputs)；

其中，M1是一个固定的超参数，l_mean为低权重组的均值，h_mean为高权重组的均值，targets为当前batch的图像对应的标签数组，outputs为S2输出的预测值，criterion为交叉熵损失函数：

作为本发明的进一步优化方案，所述S5中对标签进行重新标注的步骤包括，

S51、遍历S2输出的预测值，得到每张汽车仪表盘图像数据对应的概率最大预测值Pmax，令原来每张图片数据对应的标签概率为Ptarget；