[发明专利]一种食品检测系统、模型训练方法和食品检测方法

权利要求书

1.一种食品检测系统，其特征在于，其包括基于神经网络构建的特征提取器和检测头，其中，

特征提取器，用于根据多个处理层对输入的图像进行特征提取以得到图像特征，其中至少部分处理层为动态可变形卷积层，动态可变形卷积层包括多个可变形共享块，每个可变形共享块包括用于确定与输入的图像适配的变形参数的变形单元和多个用于根据该变形单元的变形参数调整卷积形态的动态卷积分支；

检测头，用于根据图像特征对输入的图像进行检测，确定输入的图像中食品的位置区域和各位置区域对应的食品类别。

2.根据权利要求1所述的食品检测系统，其特征在于，所述变形单元为卷积核，该卷积核根据输入其所在的可变形共享块的特征图进行卷积，以确定对应动态卷积分支中在该特征图上进行卷积的动态卷积分支的卷积核在每个卷积位置处各权重参数在宽度和高度方向上的偏移量。

3.根据权利要求2所述的食品检测系统，其特征在于，每个可变形共享块包括感知单元，其用于根据当前输入该可变形共享块的特征图确定该可变形共享块的每个动态卷积分支对应的加权参数，

其中，每个动态卷积分支的输出为加权参数与对应卷积核的权重参数相乘得到的卷积权重与输入该动态卷积分支的特征图进行卷积运算的结果。

4.根据权利要求3所述的食品检测系统，其特征在于，每个动态可变形卷积层将输入该层的特征图以通道为划分单位按预定的规则分配到其所含的所有可变形共享块中的每个动态卷积分支进行处理，不同动态卷积分支所分得的通道不重复。

5.根据权利要求4所述的食品检测系统，其特征在于，每个可变形共享块的感知单元用于为每个动态卷积分支在对应特征图上进行卷积的卷积核的各权重参数在每个卷积通道上分别确定对应的加权参数，并根据加权参数和权重参确定实际用于卷积运算的卷积权重。

6.根据权利要求1所述的食品检测系统，其特征在于，所述动态可变形卷积层还包括用于对输入该动态可变形卷积层的特征图的通道数基于卷积进行调整的通道调整单元，该通道调整单元调整后的特征图按通道分配到各个可变形共享块进行处理；以及通道还原单元，其用于对输入其中的特征图基于卷积进行通道还原，以使动态可变形卷积层输出的通道数量与其输入的通道数量相同。

7.根据权利要求1-6任一项所述的食品检测系统，其特征在于，所述动态可变形卷积层还包括注意力单元，所述注意力单元用于确定需要为每个可变形共享块分配的注意力值，动态可变形卷积层的输出至少基于每个可变形共享块分配的注意力值和该动态可变形卷积层的对应可变形共享块的输出加权得到。

8.根据权利要求7所述的食品检测系统，其特征在于，所述检测头包括：

用于根据图像特征检测对应图像中含有食品的概率、食品的位置区域、各位置区域的食品类别置信度的基础的检测头；

用于根据对应图像中含有食品的概率、食品的位置区域、各位置区域的食品类别置信度得到各位置区域中的感兴趣区域以及对感兴趣区域进行食品分类和位置偏差估计以检测感兴趣区域的食品类别置信度和位置区域偏差的聚焦的检测头；

用于根据基础的检测头得到的食品的位置区域、各位置区域的食品类别置信度的基础的检测头以及聚焦的检测头得到的感兴趣区域的食品类别置信度和位置区域偏差确定食品检测结果的输出单元，所述食品检测结果包括最终得到的食品的位置区域和各位置区域的食品类别置信度。

9.一种食品检测系统的训练方法，其特征在于，包括：

获取训练集，其中包括用于训练的多张图像以及每个图像对应的标签，标签指示对应图像中的各个位置区域、图像中是否含有食品、各个位置区域的食品类别；

利用该训练集对权利要求1-7任一项所述的食品检测系统进行训练，其中，训练时根据食品检测系统对图像样本的输出以及对应标签确定的总损失更新特征提取器和检测头的参数，其中，所述总损失与图像中含有食品的概率对应的损失、食品的位置区域对应的损失、各位置区域的食品类别置信度对应的损失相关。