CN112927231B - 车身污垢检测模型的训练方法、车身污垢检测方法及装置 - Google Patents
车身污垢检测模型的训练方法、车身污垢检测方法及装置 Download PDFInfo
- Publication number
- CN112927231B CN112927231B CN202110514569.XA CN202110514569A CN112927231B CN 112927231 B CN112927231 B CN 112927231B CN 202110514569 A CN202110514569 A CN 202110514569A CN 112927231 B CN112927231 B CN 112927231B
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle body
- dirt
- training
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 285
- 238000012549 training Methods 0.000 title claims abstract description 193
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000005520 cutting process Methods 0.000 claims abstract description 93
- 238000010586 diagram Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000007781 pre-processing Methods 0.000 claims abstract description 31
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010008 shearing Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供车身污垢检测模型的训练方法、车身污垢检测方法及装置，该方法包括：获取初始检测图像数据集，并对初始检测图像数据集进行数据预处理得到目标车身污垢检测的训练图像；基于训练图像对预设的神经网络模型进行训练，提取到训练图像的高级特征图，得到对应的车身污垢检测模型；对初始检测图像数据集进行数据预处理得到目标车身污垢检测的训练图像的步骤包括：确定初始检测图像数据集中每张图像的每个目标车身污垢的切图框；确定当前切图框与下一切图框之间的重叠比率；根据重叠比率计算当前切图框与下一切图框之间的剪切步数；根据剪切步数对对应的图像进行切图处理，得到对应的训练图像。本发明能够提高车身污垢检测的准确率。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及车身污垢检测模型的训练方法、车身污垢检测方法及装置。
背景技术
随着社会的进步与发展，各种摄像设备已经在我们的生活中得到了普及。为了加强城市、社区环保绿化工作的建设，从边缘监控设备获得的监控图像数据中快速得到有价值的信息，对于机关人员、安防工作人员来说尤为重要。近年来，以人工智能技术为核心的各种智能化产品正在慢慢走进大众的视野。让人工智能技术为社会、为人民服务以是大势所趋，作为人工智能领域的重要分支，计算机视觉已经日渐成熟，尤其是基于深度学习的目标检测技术。图像的目标检测就是对图像中的目标进行定位和分类识别，利用目标检测的结果可以锁定图像中的目标，有利于工作人员对监控视频开展分析工作。例如，对车身污垢进行检测时，现有的检测方法适用于检测较大目标车身污垢的应用场景。但是，如果目标车身污垢占整个待检测图像的比例很小，那么车身污垢检测的准确率相对较低。
发明内容
本发明实施例提供车身污垢检测模型的训练方法，能够提高车身污垢检测的准确率。
第一方面，本发明实施例提供一种车身污垢检测模型的训练方法，该车身污垢检测模型的训练方法包括以下步骤：
获取初始检测图像数据集，并对所述初始检测图像数据集进行数据预处理得到目标车身污垢检测的训练图像，所述训练图像包括目标车身污垢；
基于所述训练图像对预设的神经网络模型进行训练，提取到所述训练图像的高级特征图，得到对应的车身污垢检测模型；
所述对所述初始检测图像数据集进行数据预处理得到目标车身污垢检测的训练图像的步骤包括：
确定所述初始检测图像数据集中每张图像的每个所述目标车身污垢的切图框，所述初始检测图像数据集中每张图像均包括对应的原标签；
确定所述初始检测图像数据集中每张图像的当前切图框与下一切图框之间的重叠比率；
根据所述初始检测图像数据集中每张图像的所述重叠比率计算适应于所述初始检测图像数据集中每张图像的剪切步数；
根据所述初始检测图像数据集中每张图像的所述剪切步数对所述初始检测图像数据集中对应的图像进行切图处理，得到所述目标车身污垢检测的训练图像，所述训练图像包括对应的训练图像标签，所述训练图像标签是在进行切图处理时对所述原标签进行处理得到的。
可选的，所述初始检测图像数据集中的每张图像均为待切图像，所述根据所述初始检测图像数据集中每张图像的所述剪切步数对所述初始检测图像数据集中对应的图像进行切图处理，得到所述目标车身污垢检测的训练图像的步骤包括：
根据所述初始检测图像数据集中每张图像的所述剪切步数对所述初始检测图像数据集中对应的图像进行滑动裁剪，并判断最后一个剪切步数进行滑动裁剪时是否超出待切图像边界；
若没有超出所述待切图像边界，则循环遍历所述待切图像进行滑动裁剪，以得到所述目标车身污垢检测的训练图像；
若超出所述待切图像边界，则重新确定所述当前切图框与所述下一切图框之间的重叠比率，得到新的重叠比率，并根据所述新的重叠比例返回执行所述根据所述初始检测图像数据集中每张图像的所述重叠比率计算适应于所述初始检测图像数据集中每张图像的剪切步数的步骤。
可选的，所述获取初始检测图像数据集，并对所述初始检测图像数据集进行数据预处理得到目标车身污垢检测的训练图像的步骤还包括：
对所述初始检测图像数据集中的图像进行旋转、缩放、色域变化，并按照预设方位将图像进行组合，以得到目标组合图像；
根据计算得到的缩放比例、缩放尺寸以及黑边填充数值对缩小的目标组合图像进行黑边填充，进而得到所述目标车身污垢检测的训练图像。
可选的，所述基于所述训练图像对预设的神经网络模型进行训练，提取到训练图像的高级特征图，得到对应的车身污垢检测模型的步骤包括：
将所述目标车身污垢检测的训练图像进行切片处理得到切片特征图；
对所述切片特征图进行整合拼接得到拼接特征图；
对所述拼接特征图进行卷积处理得到卷积特征图；
对所述卷积特征图进行批归一化处理得到归一化特征图；
对所述归一化特征图进行激活函数处理得到目标特征图；
根据所述切片特征图、所述拼接特征图、所述卷积特征图、所述归一化特征图以及所述目标特征图对所述预设的神经网络模型进行迭代训练，提取到所述训练图像的高级特征图，得到对应的所述车身污垢检测模型。
可选的，所述车身污垢检测模型的训练方法还包括步骤：
将所述高级特征图进行向量转换，得到与所述目标车身污垢检测的训练图像对应的目标图像向量；
基于预设的损失函数对所述目标图像向量进行损失计算，在神经网络里不断迭代训练，以缩小预测值与真实值的差距。
可选的，所述将所述高级特征图进行向量转换，得到与所述目标车身污垢检测的训练图像对应的目标图像向量的步骤包括：
基于预设的SPP结构对所述高级特征图中的特征进行多尺度最大池化，再进行拼接，得到高级特征，所述预设的SPP结构包括三组不同的池化操作；
基于预设的FPN结构对所述高级特征进行增强，以适应不同尺度缩放的目标车身污垢检测；
基于预设的PAN结构对增强后的所述高级特征进行融合，得到对应的所述目标图像向量。
可选的，所述车身污垢检测模型的训练方法还包括：
通过非极大值抑制筛选出最后的结果，抑制掉重复的预测坐标框和概率小的坐标框。
第二方面，本发明实施例还提供了一种车身污垢检测方法，所述车身污垢检测方法是基于上述实施例提供的车身污垢检测模型的训练方法训练得到的车身污垢检测模型进行的，所述车身污垢检测方法包括步骤：
获取待检测的车身图像；
将所述车身图像输入所述车身污垢检测模型进行检测，得到检测结果；
根据所述检测结果判断所述车身图像中是否存在污垢；
若所述车身图像存在污垢，则给予报警。
可选的，所述车身污垢检测方法还包括步骤：
对存在污垢的所述车身图像进行分析，并存储对应的分析结果。
第三方面，本发明实施例还提供了一种车身污垢检测模型的训练装置，该车身污垢检测模型的训练装置包括：
数据预处理模块，用于获取初始检测图像数据集，并对所述初始检测图像数据集进行数据预处理得到目标车身污垢检测的训练图像，所述训练图像包括目标车身污垢；
训练模块，用于基于所述训练图像对预设的神经网络模型进行训练，提取到所述训练图像的高级特征图，得到对应的车身污垢检测模型；
所述数据预处理模块包括：
第一确定单元，用于确定所述初始检测图像数据集中每张图像的每个所述目标车身污垢的切图框，所述初始检测图像数据集中每张图像均包括对应的原标签；
第二确定单元，用于确定所述初始检测图像数据集中每张图像的当前切图框与下一切图框之间的重叠比率；
计算单元，用于根据所述初始检测图像数据集中每张图像的所述重叠比率计算适应于所述初始检测图像数据集中每张图像的剪切步数；
切图单元，用于根据所述初始检测图像数据集中每张图像的所述剪切步数对所述初始检测图像数据集中对应的图像进行切图处理，得到所述目标车身污垢检测的训练图像，所述训练图像包括对应的训练图像标签，所述训练图像标签是在进行切图处理时对所述原标签进行处理得到的。
第四方面，本发明实施例还提供了一种车身污垢检测装置，所述车身污垢检测装置是上述实施例提供的车身污垢检测模型的训练装置进行的，所述车身污垢检测装置包括：
获取模块，用于获取待检测的车身图像；
检测模块，用于将所述车身图像输入所述车身污垢检测模型进行检测，得到检测结果；
判断模块，用于根据所述检测结果判断所述车身图像中是否存在污垢；
报警模块，用于若所述车身图像存在污垢，则给予报警。
第五方面，本发明实施例还提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例提供的车身污垢检测模型的训练方法以及实现上述实施例提供的车身污垢检测方法中的步骤。
第六方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例提供的车身污垢检测模型的训练方法以及实现上述实施例提供的车身污垢检测方法中的步骤。
在本发明实施例中，通过获取初始检测图像数据集，并对初始检测图像数据集进行数据预处理得到目标车身污垢检测的训练图像，训练图像包括目标车身污垢；基于训练图像对预设的神经网络模型进行训练，提取到训练图像的高级特征图，得到对应的车身污垢检测模型；对初始检测图像数据集进行数据预处理得到目标车身污垢检测的训练图像的步骤包括：确定初始检测图像数据集中每张图像的每个目标车身污垢的切图框，初始检测图像数据集中每张图像均包括对应的原标签；确定初始检测图像数据集中每张图像的当前切图框与下一切图框之间的重叠比率；根据初始检测图像数据集中每张图像的重叠比率计算适应于初始检测图像数据集中每张图像的剪切步数；根据初始检测图像数据集中每张图像的剪切步数对初始检测图像数据集中对应的图像进行切图处理，得到目标车身污垢检测的训练图像，训练图像包括对应的训练图像标签，训练图像标签是在进行切图处理时对原标签进行处理得到的。这样可以对获取到的初始检测图像数据集进行数据预处理，主要是对初始检测图像数据集中的每张图像进行切图处理，得到目标车身污垢检测的训练图像，再到提取训练图像的高级特征图，得到对应的目标车身污垢检测模型，使得目标车身污垢检测模型的车身污垢检测的准确率得到提高。并且适用于车身污垢检测任务中的小目标车身污垢检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种车身污垢检测模型的训练方法的流程图；
图2是本发明实施例提供的另一种车身污垢检测模型的训练方法的流程图；
图3是本发明实施例中步骤101提供的一种方法流程图；
图4是本发明实施例中步骤101提供的另一种方法流程图；
图5是本发明实施例中步骤102提供的一种方法流程图；
图6是本发明实施例中步骤102提供的另一种方法流程图；
图7是本发明实施例提供的一种车身污垢检测模型的训练方法的流程图；
图8是本发明实施例步骤201提供的一种方法流程图；
图9是本发明实施例提供的一种车身污垢检测方法的流程图；
图10是本发明实施例提供的一种车身污垢检测模型的训练装置的结构示意图；
图11是本发明实施例提供的另一种车身污垢检测模型的训练装置的结构示意图；
图12是本发明实施例中数据预处理模块提供的一种结构示意图；
图13是本发明实施例中训练模块提供的一种结构示意图；
图14是本发明实施例提供的另一种车身污垢检测模型的训练装置的结构示意图；
图15是本发明实施例提供的一种车身污垢检测装置的结构示意图；
图16是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参见图1，图1是本发明实施例提供的一种车身污垢检测模型的训练方法的流程图，该车身污垢检测模型的训练方法适用于神经网络模型的目标检测器中，如图1所示，该车身污垢检测模型的训练方法包括以下步骤：
步骤101、获取初始检测图像数据集，并对初始检测图像数据集进行数据预处理得到目标车身污垢检测的训练图像，训练图像包括目标车身污垢。
其中，该初始检测图像数据集可以包括多张图像，在本发明实施例中，以四张图像为例进行说明。当然，该初始检测图像数据集可以是从监控器或高清摄像头采集到的监控视频中获取得到的。初始检测图像数据集中的每张图像均包含有目标车身污垢，且，每张图片可以包含有多个目标车身污垢。所说的目标车身污垢可以是车身上表面的斑点、污点、泥巴、垃圾等。车身污垢可以是垃圾车的车身污垢，也可以是私家车的车身污垢、或者其他车辆的车身污垢。只要是需要被检测的车辆的车身污垢即可。
具体的，获取初始检测图像数据集，可以是接入高清摄像头传入的监控视频，高清摄像头的位置保证覆盖整个车身（高清摄像头安置在顶部车身对角两处，可以交叉监控覆盖整个车身），对视频进行预处理任务，主要是抽帧出图像，进而得到对应的初始检测图像数据集。
在本发明实施例中，如图2所示，步骤101包括：
步骤101a、确定初始检测图像数据集中每张图像的每个目标车身污垢的切图框，初始检测图像数据集中每张图像均包括对应的原标签。
其中，确定切图框的方法可以为自定义适当大尺寸的切图框（如自定义尺寸为640*640）。或者，可以是寻找当前待切图像中各个目标车身污垢的最大的横纵坐标尺寸，作为切图最终尺寸。
步骤101b、确定初始检测图像数据集中每张图像的当前切图框与下一切图框之间的重叠比率。
步骤101c、根据初始检测图像数据集中每张图像的重叠比率计算适应于初始检测图像数据集中每张图像的剪切步数。
步骤101d、根据初始检测图像数据集中每张图像的剪切步数对初始检测图像数据集中对应的图像进行切图处理，得到目标车身污垢检测的训练图像，训练图像包括对应的训练图像标签，训练图像标签是在进行切图处理时对原标签进行处理得到的。
具体的，初始检测图像数据集中的每张图像均称为待切图像，步骤101d、包括：
根据初始检测图像数据集中每张图像的剪切步数对初始检测图像数据集中对应的图像进行滑动裁剪，并判断最后一个剪切步数进行滑动裁剪时是否超出待切图像边界。
若没有超出待切图像边界，则循环遍历待切图像进行滑动裁剪，以得到目标车身污垢检测的训练图像。
若超出待切图像边界，则重新确定当前切图框与下一切图框之间的重叠比率，得到新的重叠比率，并根据所述新的重叠比例返回执行所述根据所述初始检测图像数据集中每张图像的所述重叠比率计算适应于所述初始检测图像数据集中每张图像的剪切步数的步骤。
具体的，步骤101中的数据预处理可以是对初始检测图像数据集中每张图像进行切图处理。例如，可以先将图像切割成640*640的图像（a）（待切图像（A）为高清1920*1080的图像或者像素级别更高）用于训练，预测的时候也是将图像切成640*640。切图方法具体为，首先，确定需要切图框（k）尺寸的大小（s）（自定义或者按照待切图像中所有目标车身污垢的横坐标最大值和纵坐标最大值的组合），其次，确定当前切图框（k）和下一个切图框（k+1）的重叠比率（r）（例如切图尺寸大小为640*640，重叠比率为0.2，则切图框的剪切步数为512=（1-0.2）*640），最后，如果整张待切图像（A）的尺寸无法通过上一步所设置的重叠比率（r）正好切完，需要根据计算，自动调节当前切图框（k）和下一个切图框（k+1）的重叠比率，以使得切图框（k）的最后一个剪切步数的剪切结果不超出整张待切图像（A）为准。该切图操作可以有效的将小目标车身污垢展现到被切之后的一个小图上，不至于在进行卷积下采样操作的时候小目标车身污垢的特征（位置等）变得不明显。切完后，待切图像（A）对应的原标签变化为，假设待切图像（A）中某个目标框（k1）对应的原标签为（Ax1、Ay1和Ax2、Ay2，即目标车身污垢左上角坐标和右下角坐标）要分配给被切出来的小图（640*640），剩下的图（没有目标车身污垢的）当作背景过滤掉。当前被切以后的小图（a）的左上角坐标在待切图像（A）中的位置为ax1、ay1，如果该目标框（k1）在该小图（a）内部（根据坐标很好判断），则该目标框（k1）相对该小图（a）的训练图像标签的新左上角坐标为Ax1-ax1、Ay1-ay1，右下角类似。进而得到对应的目标车身污垢检测的训练图像以及对应的训练图像标签。
在本发明实施例中，如图3所示，步骤101还包括：
步骤1011、对初始检测图像数据集中的图像进行旋转、缩放、色域变化，并按照预设方位将图像进行组合，以得到目标组合图像。
步骤1012、根据计算得到的缩放比例、缩放尺寸以及黑边填充数值对缩小的目标组合图像进行黑边填充，进而得到目标车身污垢检测的训练图像。
其中，预设方位可以是左上、左下、右上和右下四宫格的形式。
更具体的，步骤101的过程可以是制作目标检测数据集的过程。首先将获取到的初始检测图像数据集中的图像经过图像增强阶段，分别对图像进行缩放、旋转以及色域变化等图像增强操作，然后随机将多张图像整合为一张目标组合图像，随后进行图像缩放。对于缩小的图片，需要计算缩放的比例和缩放后的尺寸，得到结果后计算出图像的黑边填充数值，并对空白部分使用黑边填充，最终会得到一张新的目标组合图像作为神经网络模型的输入。
示例性的，如图4所示，图4是本发明实施例中步骤101提供的另一种方法流程图。将初始检测图像数据集中的四张图像进行数据预处理为例进行说明。先经过图像增强阶段，读取四张图像；分别对四张图像进行旋转、缩放以及色域变化等操作；然后分别将四张图像放置于四个方位，四个方位分别为左上、左下、右上和右下；然后进行图像组合，组合为一张图像，得到目标组合图像；在经过图像缩放阶段，图像的缩放为先计算需要的缩放比例，计算缩放尺寸，以及计算黑边填充数值；根据计算得到的缩放比例、缩放尺寸以及黑边填充数值对缩小的目标组合图像进行黑边填充，以输出缩放后固定尺寸图像，进而得到目标检测图像。最终会将该目标检测图像作为深度神经网络模型的输入图像。需要注意的是，锚框是可以进行自定义的。
步骤102、基于训练图像对预设的神经网络模型进行训练，提取到训练图像的高级特征图，得到对应的车身污垢检测模型。
其中，预设的神经网络模型可以为没有被训练的基础的神经网络模型。
具体的，如图5所示，步骤102包括：
步骤1021、将目标车身污垢检测的训练图像进行切片处理得到切片特征图。
步骤1022、对切片特征图进行整合拼接得到拼接特征图。
步骤1023、对拼接特征图进行卷积处理得到卷积特征图。
步骤1024、对卷积特征图进行批归一化处理得到归一化特征图。
步骤1025、对归一化特征图进行激活函数处理得到目标特征图。
步骤1026、根据切片特征图、拼接特征图、卷积特征图、归一化特征图以及目标特征图对预设的神经网络模型进行迭代训练，提取到训练图像的高级特征图，得到对应的车身污垢检测模型。
更具体的，如图6所示，图6是本发明实施例中步骤102提供的另一种方法流程图。首先经过一个Focus结构对目标车身污垢检测的训练图像进行切片操作，然后在进行整合拼接，在经过卷积、批归一化和激活函数（Leaky_relu、Mish）的迭代训练得到高级的特征作为接下来的神经网络模型的输入，若干个CSP（Cross Stage Partial，跨阶段部分）结构构成了神经网络模型的结构，当目标特征图经过该网络后会得到高级特征图。此时的神经网络模型则为目标车身污垢检测模型。
在本发明一实施方式中，如图7所示，图7是本发明实施例提供的一种车身污垢检测模型的训练方法的流程图。该车身污垢检测模型的训练方法还包括步骤：
步骤201、将高级特征图进行向量转换，得到与目标车身污垢检测的训练图像对应的目标图像向量。
步骤202、基于预设的损失函数对目标图像向量进行损失计算，在神经网络里不断迭代训练，以缩小预测值与真实值的差距。
具体的，步骤201包括：基于预设的SPP（spatial pyramid pooling，空间金字塔池化）结构对高级特征图中的特征进行多尺度最大池化，再进行拼接，得到高级特征，预设的SPP结构包括三组不同的池化操作。基于预设的FPN结构（Feature Pyramid Networks，特征金字塔结构）对高级特征进行增强，以适应不同尺度缩放的目标车身污垢检测。基于预设的PAN（Path Aggregation Network，路径聚合网络）结构对增强后的高级特征进行融合得到对应的目标图像向量。其中FPN结构是自顶向下的，将高层的特征信息通过上采样的方式进行传递融合，得到预测的特征图，传达了强语义特征，即主要用来确定目标车身污垢的类别信息。PAN结构是自底向上的，通过下采样的方式进行传递融合，传达强定位特征，即主要用来确定目标车身污垢在图片中所在位置。
更具体的，如图8所示，图8是本发明实施例步骤201提供的一种方法流程图。步骤201是在由预设的SPP结构和预设的FPN+PAN结构组成模块中完成的。预设的SPP由三组不同的池化操作组成（13*13、9*9和5*5），三组池化操作的输出进行拼接（concat）得到一个新的输出，然后使用特征金字塔（FPN）对特征进行增强用于不同尺度缩放的目标车身污垢检测，再使用PAN结构对特征进行融合，最终得到一个1维的目标图像向量。目标图像向量包括（类别+置信度+目标的坐标位置)*3锚定框。
在步骤202中，预设的损失函数包括：二进制交叉熵以及Logits损失函数。
更具体的，通过使用GIOU Loss（Generalized Intersection over Union,广义交并比损失）作为bounding box的损失，使用二进制交叉熵和Logits损失函数计算类概率和目标得分的损失，通过计算损失来缩小预测值和真实值的差距。
在本发明一实施方式中，该方法还包括步骤：通过非极大值抑制筛选出最后的结果，抑制掉重复的预测坐标框和概率小的坐标框。
具体的，在通过步骤202计算损失来缩小预测值和真实值的差距后，经过非极大值抑制筛选出最后的结果，抑制掉重复的预测坐标框和概率小的坐标框。
在本发明另一实施方式中经过非极大值抑制筛选概率最大的预测值，然后使用Adam(Adaptive Moment Estimation，自适应矩估计)或SGD（Stochastic GradientDescent，随机梯度下降）作为梯度优化函数在训练神经网络模型的时候更新概率最大的预测值的权重，最终会对目标检测图像做出一个检测结果输出，进而得到一个预测结果。
需要说明的是，筛选最大的预测值的方法可以是对预测结果按概率由大道小排序，在根据概率大小分别进行非极大值抑制，即对交并比（IOU）大于50%的框进行两两对比，将概率小的坐标框删除，最后得到概率最大的预测值。
当对车身污垢进行检测时，对每个训练图像（也就是切图处理后的图像）分别进行车身污垢检测，当检测到训练图像有车身污垢时，可记录该训练图像的训练图像标签，并根据该训练图像的训练图像标签与原标签的对应关系，还原得到原标签，同时也还原到初始检测图像数据集中对应的图像。也即，在对车身污垢进行检测时能够对标签进行还原操作，根据训练图像的车身污垢检测，实现初始检测图像数据集中每张图像的车身污垢检测。对车身污垢进行检测时需要对原图像进行切图分开检测，但是在检测结果输出时，需要将每张切图的检测结果结合，以输出整张原图像的检测结果。
在本发明实施例中，通过获取初始检测图像数据集，并对初始检测图像数据集进行数据预处理得到目标车身污垢检测的训练图像，训练图像包括目标车身污垢；基于训练图像对预设的神经网络模型进行训练，提取到训练图像的高级特征图，得到对应的车身污垢检测模型；对初始检测图像数据集进行数据预处理得到目标车身污垢检测的训练图像的步骤包括：确定初始检测图像数据集中每张图像的每个目标车身污垢的切图框，初始检测图像数据集中每张图像均包括对应的原标签；确定初始检测图像数据集中每张图像的当前切图框与下一切图框之间的重叠比率；根据初始检测图像数据集中每张图像的重叠比率计算适应于初始检测图像数据集中每张图像的剪切步数；根据初始检测图像数据集中每张图像的剪切步数对初始检测图像数据集中对应的图像进行切图处理，得到目标车身污垢检测的训练图像，训练图像包括对应的训练图像标签，训练图像标签是在进行切图处理时对原标签进行处理得到的。这样可以对获取到的初始检测图像数据集进行数据预处理，主要是对初始检测图像数据集中的每张图像进行切图处理，得到目标车身污垢检测的训练图像，再到提取训练图像的高级特征图，得到对应的目标车身污垢检测模型，使得目标车身污垢检测模型的车身污垢检测的准确率得到提高。并且适用于车身污垢检测任务中的小目标车身污垢检测。
在本发明实施例中，请参见图9，图9是本发明实施例提供的一种车身污垢检测方法的流程图，该车身污垢检测方法是基于上述实施例提供的车身污垢检测模型的训练方法训练得到的车身污垢检测模型进行的。该车身污垢检测方法包括步骤：
步骤301、获取待检测的车身图像。
步骤302、将车身图像输入车身污垢检测模型进行检测，得到检测结果。
步骤303、根据检测结果判断车身图像中是否存在污垢。
步骤304、若车身图像存在污垢，则给予报警。
具体的，上述待检测的车身图像可以是很多车身视频中的多帧车身图像，其中，车身图像中可以包括有污垢的车身图像，也可以为没有污垢的车身图像。待检测的车身图像可以是实时采集得到的，也可以是对预先采集并保持在数据库中的。只要是用户需要检测车身污垢的车身图像即可。在得到需要检测车身污垢的车身图像后，将该待检测的车身图像作为车身污垢检测模型的输入，让该车身污垢检测模型对该待检测的车身图像进行污垢检测，最后根据车身污垢检测模型的输出可以判断出该待检测的车身图像是否存在污垢，如存在，则报警，进而可以通过工作人员注意存在污垢的车身对应的车辆，以便于对该车辆进行分析。当然，若不存在污垢，则可以忽略。
在本发明实施例中，该车身污垢检测方法还包括步骤：对存在污垢的车身图像进行分析，并存储对应的分析结果。
具体的，将存在污垢的车身图像的分析结果按照一定形式进行存储，保障存储的稳定性和调用的便利性，存储的信息主要是，报警的信息（检测到有污垢车的基本信息），分析资料（抓拍到车身有污垢的每一帧图像，供工作人员查看），以及其对应的检测视频。
参见图10，图10是本发明实施例提供的一种车身污垢检测模型的训练装置的结构示意图，该车身污垢检测模型的训练装置400包括：
数据预处理模块401，用于获取初始检测图像数据集，并对初始检测图像数据集进行数据预处理得到目标车身污垢检测的训练图像，训练图像包括目标车身污垢；
训练模块402，用于基于训练图像对预设的神经网络模型进行训练，提取到训练图像的高级特征图，得到对应的车身污垢检测模型；
如图11所示，数据预处理模块401包括：
第一确定单元401a，用于确定初始检测图像数据集中每张图像的每个目标车身污垢的切图框，初始检测图像数据集中每张图像均包括对应的原标签；
第二确定单元401b，用于确定初始检测图像数据集中每张图像的当前切图框与下一切图框之间的重叠比率；
计算单元401c，用于根据初始检测图像数据集中每张图像的重叠比率计算适应于初始检测图像数据集中每张图像的剪切步数；
切图单元401d，用于根据初始检测图像数据集中每张图像的剪切步数对初始检测图像数据集中对应的图像进行切图处理，得到目标车身污垢检测的训练图像，训练图像包括对应的训练图像标签，训练图像标签是在进行切图处理时对原标签进行处理得到的。
可选的，初始检测图像数据集中的每张图像均为待切图像，切图单元401d包括：
裁剪子单元，用于根据初始检测图像数据集中每张图像的剪切步数对初始检测图像数据集中对应的图像进行滑动裁剪，并判断最后一个剪切步数进行滑动裁剪时是否超出待切图像边界；
循环子单元，用于若没有超出待切图像边界，则循环遍历待切图像进行滑动裁剪，以得到目标车身污垢检测的训练图像；
重新确定子单元，用于若超出待切图像边界，则重新确定当前切图框与下一切图框之间的重叠比率，得到新的重叠比率。所述计算单元401c根据所述新的重叠比例再次执行所述根据所述初始检测图像数据集中每张图像的所述重叠比率计算适应于所述初始检测图像数据集中每张图像的剪切步数的步骤，切图单元401d根据计算单元401c的计算结果再次执行相应的步骤。
可选的，如图12所示，数据预处理模块401还包括：
图像组合单元4011，用于对初始检测图像数据集中的图像进行旋转、缩放、色域变化，并按照预设方位将图像进行组合，以得到目标组合图像；
填充单元4012，用于根据计算得到的缩放比例、缩放尺寸以及黑边填充数值对缩小的目标组合图像进行黑边填充，进而得到目标车身污垢检测的训练图像。
可选的，如图13所示，训练模块402包括：
切片单元4021，用于将目标车身污垢检测的训练图像进行切片处理得到切片特征图；
图像拼接单元4022，用于对切片特征图进行整合拼接得到拼接特征图；
卷积单元4023，用于对拼接特征图进行卷积处理得到卷积特征图；
归一化单元4024，用于对卷积特征图进行批归一化处理得到归一化特征图；
激活函数单元4025，用于对归一化特征图进行激活函数处理得到目标特征图；
训练单元4026，用于根据切片特征图、拼接特征图、卷积特征图、归一化特征图以及目标特征图对预设的神经网络模型进行迭代训练，提取到训练图像的高级特征图，得到对应的目标车身污垢检测模型。
可选的，如图14所示，该车身污垢检测模型的训练装置400还包括：
特征增强模块403，用于将高级特征图进行向量转换，得到与目标车身污垢检测的训练图像对应的目标图像向量；
计算模块404，用于基于预设的损失函数对目标图像向量进行损失计算，在神经网络里不断迭代训练，以缩小预测值与真实值的差距。
可选的，特征增强模块403包括：
高级特征拼接单元，用于基于预设的SPP结构对高级特征图中的特征进行多尺度最大池化，再进行拼接，得到高级特征，预设的SPP结构包括三组不同的池化操作；
特征增强单元，用于基于预设的FPN结构对高级特征进行增强，以适应不同尺度缩放的目标车身污垢检测，FPN结构是自顶向下的，将高层的特征信息通过上采样的方式进行传递融合，得到预测的特征图，传达了强语义特征；
特征融合单元，用于基于预设的PAN结构对增强后的高级特征进行下采样，自底向上传达强定位特征，得到对应的目标图像向量。
可选的，该车身污垢检测模型的训练装置400还包括：
更新单元，用于通过非极大值抑制筛选出最后的结果，抑制掉重复的预测坐标框和概率小的坐标框。
本发明实施例提供的车身污垢检测模型的训练装置400能够实现上述车身污垢检测模型的训练方法实施例中的各个实施方式，以及相应有益效果，为避免重复，这里不再赘述。
参见图15，图15是本发明实施例提供的一种车身污垢检测装置的结构示意图。车身污垢检测装置500是基于上述实施例提供的车身污垢检测模型的训练装置400进行的，该车身污垢检测装置500包括：
获取模块501，用于获取待检测的车身图像；
检测模块502，用于将车身图像输入车身污垢检测模型进行检测，得到检测结果；
判断模块503，用于根据检测结果判断车身图像中是否存在污垢；
报警模块504，用于若车身图像存在污垢，则给予报警。
可选的，该车身污垢检测装置500还包括：
存储模块，用于对存在污垢的车身图像进行分析，并存储对应的分析结果。
本发明实施例提供的车身污垢检测装置500能够实现上述车身污垢检测方法实施例中的各个实施方式，以及相应有益效果，为避免重复，这里不再赘述。
参见图16，图16是本发明实施例提供的一种电子设备的结构示意图，该电子设备600包括：存储器602、处理器601及存储在存储器602上并可在处理器上运行的计算机程序，处理器601执行计算机程序时实现上述实施例提供的车身污垢检测模型的训练方法以及上述实施例提供的车身污垢检测方法中的步骤。
本发明实施例提供的电子设备600能够实现上述方法实施例中的各个实施方式，以及相应有益效果，为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的车身污垢检测模型的训练方法以及上述实施例提供的车身污垢检测方法中的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存取存储器（Random Access Memory，简称RAM）等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (12)
1.一种车身污垢检测模型的训练方法，其特征在于，所述方法包括以下步骤：
获取初始检测图像数据集，并对所述初始检测图像数据集进行数据预处理得到目标车身污垢检测的训练图像，所述训练图像包括目标车身污垢；
基于所述训练图像对预设的神经网络模型进行训练，提取到所述训练图像的高级特征图，得到对应的车身污垢检测模型；
所述对所述初始检测图像数据集进行数据预处理得到目标车身污垢检测的训练图像的步骤包括：
确定所述初始检测图像数据集中每张图像的每个所述目标车身污垢的切图框，所述初始检测图像数据集中每张图像均包括对应的原标签；
确定所述初始检测图像数据集中每张图像的当前切图框与下一切图框之间的重叠比率；
根据所述初始检测图像数据集中每张图像的所述重叠比率计算适应于所述初始检测图像数据集中每张图像的剪切步数；
根据所述初始检测图像数据集中每张图像的所述剪切步数对所述初始检测图像数据集中对应的图像进行切图处理，得到所述目标车身污垢检测的训练图像，所述训练图像包括对应的训练图像标签，所述训练图像标签是在进行切图处理时对所述原标签进行处理得到的；
所述初始检测图像数据集中的每张图像均为待切图像，所述根据所述初始检测图像数据集中每张图像的所述剪切步数对所述初始检测图像数据集中对应的图像进行切图处理，得到所述目标车身污垢检测的训练图像的步骤包括：
根据所述初始检测图像数据集中每张图像的所述剪切步数对所述初始检测图像数据集中对应的图像进行滑动裁剪，并判断最后一个所述剪切步数进行滑动裁剪时是否超出待切图像边界；
若没有超出所述待切图像边界，则循环遍历所述待切图像进行滑动裁剪，以得到所述目标车身污垢检测的训练图像；
若超出所述待切图像边界，则重新确定所述当前切图框与所述下一切图框之间的重叠比率，得到新的重叠比率，并根据所述新的重叠比例返回执行所述根据所述初始检测图像数据集中每张图像的所述重叠比率计算适应于所述初始检测图像数据集中每张图像的剪切步数的步骤。
2.如权利要求1所述的车身污垢检测模型的训练方法，其特征在于，所述获取初始检测图像数据集，并对所述初始检测图像数据集进行数据预处理得到目标车身污垢检测的训练图像的步骤还包括：
对所述初始检测图像数据集中的图像进行旋转、缩放、色域变化，并按照预设方位将图像进行组合，以得到目标组合图像；
根据计算得到的缩放比例、缩放尺寸以及黑边填充数值对缩小的目标组合图像进行黑边填充，进而得到所述目标车身污垢检测的训练图像。
3.如权利要求2所述的车身污垢检测模型的训练方法，其特征在于，所述基于所述训练图像对预设的神经网络模型进行训练，提取到训练图像的高级特征图，得到对应的车身污垢检测模型的步骤包括：
将所述目标车身污垢检测的训练图像进行切片处理得到切片特征图；
对所述切片特征图进行整合拼接得到拼接特征图；
对所述拼接特征图进行卷积处理得到卷积特征图；
对所述卷积特征图进行批归一化处理得到归一化特征图；
对所述归一化特征图进行激活函数处理得到目标特征图；
根据所述切片特征图、所述拼接特征图、所述卷积特征图、所述归一化特征图以及所述目标特征图对所述预设的神经网络模型进行迭代训练，提取到所述训练图像的高级特征图，得到对应的所述车身污垢检测模型。
4.如权利要求1所述的车身污垢检测模型的训练方法，其特征在于，所述车身污垢检测模型的训练方法还包括步骤：
将所述高级特征图进行向量转换，得到与所述目标车身污垢检测的训练图像对应的目标图像向量；
基于预设的损失函数对所述目标图像向量进行损失计算，在神经网络里不断迭代训练，以缩小预测值与真实值的差距。
5.如权利要求4所述的车身污垢检测模型的训练方法，其特征在于，所述将所述高级特征图进行向量转换，得到与所述目标车身污垢检测的训练图像对应的目标图像向量的步骤包括：
基于预设的SPP结构对所述高级特征图中的特征进行多尺度最大池化，再进行拼接，得到高级特征，所述预设的SPP结构包括三组不同的池化操作；
基于预设的FPN结构对所述高级特征进行增强，以适应不同尺度缩放的目标车身污垢检测；
基于预设的PAN结构对增强后的所述高级特征进行融合，得到对应的所述目标图像向量。
6.如权利要求2所述的车身污垢检测模型的训练方法，其特征在于，所述车身污垢检测模型的训练方法还包括：
通过非极大值抑制筛选出最后的结果，抑制掉重复的预测坐标框和概率小的坐标框。
7.一种车身污垢检测方法，其特征在于，所述车身污垢检测方法是基于所述权利要求1-6中任一项所述的车身污垢检测模型的训练方法训练得到的车身污垢检测模型进行的，所述车身污垢检测方法包括步骤：
获取待检测的车身图像；
将所述车身图像输入所述车身污垢检测模型进行检测，得到检测结果；
根据所述检测结果判断所述车身图像中是否存在污垢；
若所述车身图像存在污垢，则给予报警。
8.如权利要求7所述的车身污垢检测方法，其特征在于，所述车身污垢检测方法还包括步骤：
对存在污垢的所述车身图像进行分析，并存储对应的分析结果。
9.一种车身污垢检测模型的训练装置，其特征在于，该车身污垢检测模型的训练装置包括：
数据预处理模块，用于获取初始检测图像数据集，并对所述初始检测图像数据集进行数据预处理得到目标车身污垢检测的训练图像，所述训练图像包括目标车身污垢；
训练模块，用于基于所述训练图像对预设的神经网络模型进行训练，提取到所述训练图像的高级特征图，得到对应的车身污垢检测模型；
所述数据预处理模块包括：
第一确定单元，用于确定所述初始检测图像数据集中每张图像的每个所述目标车身污垢的切图框，所述初始检测图像数据集中每张图像均包括对应的原标签；
第二确定单元，用于确定所述初始检测图像数据集中每张图像的当前切图框与下一切图框之间的重叠比率；
计算单元，用于根据所述初始检测图像数据集中每张图像的所述重叠比率计算适应于所述初始检测图像数据集中每张图像的剪切步数；
切图单元，用于根据所述初始检测图像数据集中每张图像的所述剪切步数对所述初始检测图像数据集中对应的图像进行切图处理，得到所述目标车身污垢检测的训练图像，所述训练图像包括对应的训练图像标签，所述训练图像标签是在进行切图处理时对所述原标签进行处理得到的；
所述切图单元包括：
裁剪子单元，用于根据所述初始检测图像数据集中每张图像的所述剪切步数对所述初始检测图像数据集中对应的图像进行滑动裁剪，并判断最后一个所述剪切步数进行滑动裁剪时是否超出待切图像边界；
循环子单元，用于若没有超出所述待切图像边界，则循环遍历所述待切图像进行滑动裁剪，以得到所述目标车身污垢检测的训练图像；
重新确定子单元，用于若超出所述待切图像边界，则重新确定所述当前切图框与所述下一切图框之间的重叠比率，得到新的重叠比率，并根据所述新的重叠比例返回执行所述根据所述初始检测图像数据集中每张图像的所述重叠比率计算适应于所述初始检测图像数据集中每张图像的剪切步数的步骤。
10.一种车身污垢检测装置，其特征在于，所述车身污垢检测装置是基于权利要求9所述的车身污垢检测模型的训练装置进行的，所述车身污垢检测装置包括：
获取模块，用于获取待检测的车身图像；
检测模块，用于将所述车身图像输入所述车身污垢检测模型进行检测，得到检测结果；
判断模块，用于根据所述检测结果判断所述车身图像中是否存在污垢；
报警模块，用于若所述车身图像存在污垢，则给予报警。
11.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的车身污垢检测模型的训练方法以及实现如权利要求7至8中任一项所述的车身污垢检测方法中的步骤。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的车身污垢检测模型的训练方法以及实现如权利要求7至8中任一项所述的车身污垢检测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110514569.XA CN112927231B (zh) | 2021-05-12 | 2021-05-12 | 车身污垢检测模型的训练方法、车身污垢检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110514569.XA CN112927231B (zh) | 2021-05-12 | 2021-05-12 | 车身污垢检测模型的训练方法、车身污垢检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112927231A CN112927231A (zh) | 2021-06-08 |
| CN112927231B true CN112927231B (zh) | 2021-07-23 |
Family
ID=76174848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110514569.XA Active CN112927231B (zh) | 2021-05-12 | 2021-05-12 | 车身污垢检测模型的训练方法、车身污垢检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112927231B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103996186A (zh) * | 2014-04-29 | 2014-08-20 | 小米科技有限责任公司 | 图像裁剪方法及装置 |
| CN110147833A (zh) * | 2019-05-09 | 2019-08-20 | 北京迈格威科技有限公司 | 人像处理方法、装置、系统和可读存储介质 |
| CN110264444A (zh) * | 2019-05-27 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 基于弱分割的损伤检测方法及装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1790541A2 (en) * | 2005-11-23 | 2007-05-30 | MobilEye Technologies, Ltd. | Systems and methods for detecting obstructions in a camera field of view |
| US10402696B2 (en) * | 2016-01-04 | 2019-09-03 | Texas Instruments Incorporated | Scene obstruction detection using high pass filters |
| KR102565849B1 (ko) * | 2018-05-14 | 2023-08-11 | 한국전자통신연구원 | 동영상 내 작은 물체를 실시간으로 세분화하는 방법 및 장치 |
| CN110110722A (zh) * | 2019-04-30 | 2019-08-09 | 广州华工邦元信息技术有限公司 | 一种基于深度学习模型识别结果的区域检测修正方法 |
-
2021
- 2021-05-12 CN CN202110514569.XA patent/CN112927231B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103996186A (zh) * | 2014-04-29 | 2014-08-20 | 小米科技有限责任公司 | 图像裁剪方法及装置 |
| CN110147833A (zh) * | 2019-05-09 | 2019-08-20 | 北京迈格威科技有限公司 | 人像处理方法、装置、系统和可读存储介质 |
| CN110264444A (zh) * | 2019-05-27 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 基于弱分割的损伤检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112927231A (zh) | 2021-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102661954B1 (ko) | 이미지 처리 방법 및 이를 수행하는 장치들 | |
| RU2484531C2 (ru) | Устройство обработки видеоинформации системы охранной сигнализации | |
| CN113139543B (zh) | 目标对象检测模型的训练方法、目标对象检测方法和设备 | |
| GB2607749A (en) | Fine-grained visual recognition in mobile augmented reality | |
| CN111524145B (zh) | 图片智能裁剪方法、系统、计算机设备及存储介质 | |
| CN110264444B (zh) | 基于弱分割的损伤检测方法及装置 | |
| CN112308856A (zh) | 遥感图像的目标检测方法、装置、电子设备及介质 | |
| CN113033553B (zh) | 多模式融合的火灾检测方法、装置、相关设备及存储介质 | |
| CN113657409A (zh) | 车辆损失检测方法、装置、电子设备及存储介质 | |
| CN114612755B (zh) | 一种火灾检测方法、系统、电子设备和可读存储介质 | |
| CN113191237A (zh) | 一种基于改进YOLOv3的果树图像小目标检测方法及装置 | |
| CN112668672A (zh) | 基于TensorRT的目标检测模型加速方法及装置 | |
| CN112288727A (zh) | 磁环表面缺陷检测方法、装置、电子设备及存储介质 | |
| CN115019274A (zh) | 一种融合追踪与检索算法的路面病害识别方法 | |
| CN114360064A (zh) | 基于深度学习的办公场所人员行为轻量级目标检测方法 | |
| CN113158963A (zh) | 一种高空抛物的检测方法及装置 | |
| CN117115517A (zh) | 一种基于YOLOv5-Segment实例分割的生物曝气检测识别方法 | |
| CN113076889A (zh) | 集装箱铅封识别方法、装置、电子设备和存储介质 | |
| CN116310568A (zh) | 图像异常的识别方法、装置、计算机可读存储介质及设备 | |
| CN118351117B (zh) | 一种基于机器视觉的工业设备缺陷检测方法 | |
| CN114724246A (zh) | 危险行为识别方法及装置 | |
| CN114821484A (zh) | 机场跑道fod图像检测方法、系统和存储介质 | |
| CN112927231B (zh) | 车身污垢检测模型的训练方法、车身污垢检测方法及装置 | |
| CN117197756B (zh) | 隐患区域入侵检测方法、装置、设备和存储介质 | |
| CN115861922B (zh) | 一种稀疏烟火检测方法、装置、计算机设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PP01 | Preservation of patent right | ||
| PP01 | Preservation of patent right |
Effective date of registration: 20240109 Granted publication date: 20210723 |