[发明专利]一种用于多类别垃圾场景识别的目标检测模型的训练方法

说明书

本发明提供了一种用于多类别垃圾场景识别的目标检测模型的训练方法，包括：构造基础目标检测模型；在p个卷积层中，选取连续的m个卷积层，将选中的每个卷积层均替换为空洞卷积；依次设置m个空洞卷积的孔洞率，满足任意相邻的两个空洞卷积的孔洞率的最大公约数为1，以获取优化目标检测模型；使用样本图像训练集对优化目标检测模型训练，以获取用于多类别垃圾场景识别的目标检测模型。本发明解决了现有技术中的目标检测模型因其感受野范围小，从而对具有广阔视野的场景图像存在垃圾目标检测精度低的问题，将此类场景图像作为模型输入进行垃圾识别检测，所得到的检测结果往往会出现多点位垃圾识别无效或垃圾检测误报的现象。

技术领域

本发明涉及图像处理技术领域，具体而言，涉及一种用于多类别垃圾场景识别的目标检测模型的训练方法。

背景技术

目标检测是一种基于目标几何和统计特征的图像理解算法，目标检测是将目标对象的定位和识别合二为一，例如：基于计算机视觉算法，利用通过机器学习获得的目标检测模型检测出图像中不同类别的目标对象，即以矩形框标注出目标的位置，并识别出目标对象的类别。

目标检测在垃圾识别分类中应用广泛，相关技术中，目标检测模型由于通过人工少量更改输入参数，因此目标检测模型可识别的垃圾类别有限；不仅如此，随着拍摄终端设备的快速发展，拍摄的场景图像的视野范围更广阔，场景图像的格式文件更大，受到现有的目标检测模型的感受野范围小的影响，目标检测模型对此类场景图像存在垃圾目标检测精度低的问题，将此类场景图像作为模型输入进行垃圾识别检测，所得到的检测结果往往会出现多点位垃圾识别无效或垃圾检测误报的现象。

发明内容

本发明的主要目的在于提供一种于多类别垃圾场景识别的目标检测模型的训练方法，以解决现有技术中的目标检测模型因其感受野范围小，从而对具有广阔视野的场景图像存在垃圾目标检测精度低的问题，将此类场景图像作为模型输入进行垃圾识别检测，所得到的检测结果往往会出现多点位垃圾识别无效或垃圾检测误报的现象。

为了实现上述目的，本发明提供了一种用于多类别垃圾场景识别的目标检测模型的训练方法，包括：步骤S1，构造基于CenterNet网络结构的包含有p个卷积层的基础目标检测模型；步骤S2，在p个卷积层中，选取包括首个卷积层在内的连续的m个卷积层，将选中的每个卷积层均替换为空洞卷积，其中，m个空洞卷积在p个卷积层中的许可占比范围阈值为[1/10，1/3]；步骤S3，依次设置m个空洞卷积的孔洞率，满足任意相邻的两个空洞卷积的孔洞率的最大公约数为1，以获取优化目标检测模型；步骤S4，构造样本图像训练集，样本图像训练集的每张样本图像均包含至少一类垃圾场景，使用样本图像训练集对优化目标检测模型训练，以获取用于多类别垃圾场景识别的目标检测模型。

进一步地，步骤S3还包括判定优化目标检测模型的可用状态：

当优化目标检测模型的第m个空洞卷积的感受野与基础目标检测模型的第m个卷积层的感受野的比值落入感受野优化阈值比例范围内时，判定优化目标检测模型可用，执行步骤S4；

当优化目标检测模型的感受野与基础目标检测模型的感受野的比值落入感受野优化阈值比例范围外时，判定优化目标检测模型不可用，重复步骤S2或步骤S3。

进一步地，当判定优化目标检测模型不可用，重复步骤S2时，在许可占比范围阈值内，依次增加或减小选取的m个卷积层的个数，直至优化目标检测模型的感受野与基础目标检测模型的感受野的比值落入感受野优化阈值比例范围内。

进一步地，当判定优化目标检测模型不可用，重复步骤S3时，增大或减小m个空洞卷积的孔洞率，直至优化目标检测模型的感受野与基础目标检测模型的感受野的比值落入感受野优化阈值比例范围内。

进一步地，感受野优化阈值比例范围为（1，4]。

进一步地，基础目标检测模型的感受野的迭代计算公式为：