CN110321928A - 环境检测模型的生成方法、计算机设备及可读存储介质 - Google Patents

Abstract

本发明提出了一种环境检测模型的生成方法、计算机设备及可读存储介质，其中，环境检测模型的生成方法包括：接收样本图片，对样本图片中的样本进行分类；分别统计属于不同分类的样本的数量，根据样本的数量确定样本中的小样本；根据小样本利用生成对抗网络模型生成补充样本，将补充样本补充到小样本；以样本与补充样本组成训练集，以训练集训练待训练模型，生成环境检测模型。本发明提出的环境检测模型的生成方法，通过生成对抗网络模型生产补充样本，以补充到小样本中，进而起到平衡样本的作用，因此，使得待检测模型对每个种类的样本均能得到充分地训练，进而在提升环境检测模型的准确性与精度。

Description

环境检测模型的生成方法、计算机设备及可读存储介质

技术领域

本发明涉环境检测技术领域，具体而言，涉及一种环境检测模型的生成方法、一种计算机设备及一种计算机可读存储介质。

背景技术

随着深度学习应用在图像和视频目标检测领域取得的成功，越来越多新的技术开始进一步提高目标检测的精度和速度。目前目标检测大致可以分为两类：One-stage(单级)和Two-stage(双级)，前者以各个不同版本的YOLO算法和SSD算法为代表，它们的特点是在检测的过程中提取候选框和提取目标的特征使用的是同一个网络，或者说两者合并为同一个过程，也因此被称为One-stage；而后者，即Two-stage的方法则是将提取候选框的过程和提取目标特征的过程分割开来，也因此Two-stage所消耗的时间比One-stage要多不少。总之，两者各有利弊，如果更多考虑实时性，One-stage的模型会更合适，反之如考虑准确性，则Two-stage会成为更好的选择。

但是，目前无论是哪类目标检测方法，包括Faster R-CNN模型、SSD算法和YOLO算法的最新版本等，在目标检测的过程中仍存在一定的缺陷，即类别不平衡导致的某些类别样本检测精度过低；例如：类别1在样本中占据绝对比例95％，而剩余的类别2在样本中仅占据5％，则无论用哪种检测模型，对类别2的识别率都会很低，因为样本中存在明显的样本不平衡问题。针对这个问题，不少研究者提出使用样本增强的方法，包括对样本进行角度，位置，亮度等等的调整，但都存在增强样本之间特征过于类似的问题，使得准确率并没有像预期一样得到较大提升。

发明内容

本发明旨在至少解决现有技术中存在的样本类别失衡所导致的检测模型精度低的技术问题。

为此，本发明的第一方面实施例提出了一种提高检测模型识别精度的环境检测模型的生成方法。

本发明的第二方面实施例提出了一种计算机设备。

本发明的第三方面实施例提出了一种计算机可读存储介质。

有鉴于此，根据本发明的第一方面实施例，本发明提出了一种环境检测模型的生成方法，包括：接收样本图片，对样本图片中的样本进行分类；分别统计属于不同分类的样本的数量，根据样本的数量确定样本中的小样本；根据小样本利用生成对抗网络模型生成补充样本，将补充样本补充到小样本；以样本与补充样本组成训练集，以训练集训练待训练模型，生成环境检测模型。

本发明提出的环境检测模型的生成方法，在接收样本图片后，对样本图片中的样本进行分类，并统计不同分类的样本的数量，找到其中样本中的小样本，再根据小样本的内容，通过生成对抗网络模型生产补充样本，以补充到小样本中，进而起到平衡样本的作用，以样本与补充样本组成训练集，对待训练模型进行训练，重而生产环境检测模型，由于补充样本平衡了整个样本，因此，使得待检测模型对每个种类的样本均能得到充分地训练，进而在提升环境检测模型的准确性与精度。

另外，本发明提供的上述实施例中的环境检测模型的生成方法还可以具有如下附加技术特征：

在上述技术方案中，优选地，接收样本图片，对样本图片中的样本进行分类的步骤，具体包括：接收样本图片；提取样本图片中的样本；根据样本的是否污染环境的状态，对样本进行分类。

在该技术方案中，对样本图片中的样本进行分类的步骤具体为，根据样本是否污染的状态进行分类，进而得到污染环境的样本与未污染环境的样本，以上述两样本训练待训练模型，生产的环境检测模型可以识别环境是否被污染。

在上述任一技术方案中，优选地，分别统计样本图片中不同样本的数量，根据样本的数量确定样本中的小样本的步骤，具体包括：对每个分类的样本的数量进行统计；确定数量低于预设阈值的样本为小样本。

在该技术方案中，分别统计样本图片中不同样本的数量，根据样本的数量确定样本中的小样本具体为，对每个分类样本的数量进行统计，样本数量低于预设阈值的样本为小样本。

在上述任一技术方案中，优选地，根据小样本利用生成对抗网络模型生成补充样本，将补充样本补充到小样本的步骤，具体包括：根据小样本利用生成对抗网络模型生成预设数量的补充样本；将预设数量的补充样本添加到小样本的分类中。

在该技术方案中，根据小样本利用生成对抗网络模型生成补充样本，将补充样本补充到小样本具体为，按照小样本的规则，利用生成对抗网络模型生成预设数量的符合小样本规则的补充样本，以添加到小样本的分类中，增加小样本的数量。

在上述任一技术方案中，优选地，在根据小样本利用生成对抗网络模型生成补充样本，将补充样本补充到小样本后，还包括：统计补充样本与小样本的数量；判断补充样本与小样本的总数量是否使训练集达到平衡；在补充样本与小样本的数量使训练集达到平衡的情况下，进入训练待训练模型的步骤。

在该技术方案中，在根据小样本利用生成对抗网络模型生成补充样本，将补充样本补充到小样本后，统计补充样本与小样本的数量，判断补充样本与小样本的总数量能否使整个样本达到平衡，如果使样本达到平衡，则以样本与补充样本作为训练集训练待训练模型，进一步保证了生产的环境检测模型的准确性。

在上述任一技术方案中，优选地，在补充样本与小样本的数量未使训练集达到平衡的情况下，进入利用生成对抗网络模型生成补充样本的步骤。

在该技术方案中，如果补充样本与小样本的数量未使训练集达到平衡，则再次利用生成对抗网络模型生成预设数量的补充样本。

在上述任一技术方案中，优选地，以训练集训练待训练模型，生成环境检测模型的步骤，具体包括：根据训练集训练待训练模型，验证待训练模型的训练效果，根据训练效果调整待训练模型的参数，得到环境检测模型。

在该技术方案中，训练集训练待训练模型，生成环境检测模型具体为，根据训练集训练待训练模型，并验证待训练模型的训练效果(学习速率等)，根据训练效果调整待训练模型的参数，使得待训练模型的训练效果达到一个较优的值，进而在训练后得到环境检测模型。

在上述任一技术方案中，优选地，还包括：对环境检测模型进行测试。

在该技术方案中，通过对环境检测模型的测试，在环境检测模型合格后投入使用，如果环境检测模型未合格，则继续进行训练。

根据本发明的第二方面实施例，本发明提出了一种计算机设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序以实现如上述技术方案中任一项所述的环境检测模型的生成方法。

本发明提出的计算机设备，包括用于执行所述计算机程序以实现如上述技术方案中任一项所述的环境检测模型的生成方法的处理器，因此，具有如上述技术方案中任一项所述的环境检测模型的生成方法的全部有益效果，在此不再一一陈述。

根据本发明的第三方面实施例，本发明提出了一种计算机可读存储介质，其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上述技术方案中任一项所述的环境检测模型的生成方法。

本发明提出的计算机可读存储介质，储存有被处理器执行时实现如上述技术方案中任一项所述的环境检测模型的生成方法的计算机程序，因此，具有如上述技术方案中任一项所述的环境检测模型的生成方法的全部有益效果，在此不再一一陈述。

本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1示出本发明第一个第一方面实施例提供的环境检测模型的生成方法的流程图；

图2示出本发明第二个第一方面实施例提供的环境检测模型的生成方法的流程图；

图3示出本发明第三个第一方面实施例提供的环境检测模型的生成方法的流程图；

图4示出本发明第四个第一方面实施例提供的环境检测模型的生成方法的流程图；

图5示出本发明第五个第一方面实施例提供的环境检测模型的生成方法的流程图；

图6示出本发明第六个第一方面实施例提供的环境检测模型的生成方法的流程图；

图7示出本发明第七个第一方面实施例提供的环境检测模型的生成方法的流程图；

图8示出本发明第八个第一方面实施例提供的环境检测模型的生成方法的流程图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

下面参照图1至图7描述根据本发明一些实施例提供的环境检测模型的生成方法、计算机设备及可读存储介质。

本发明提供了一种基于GAN(Generative Adversarial Networks，即生成对抗网络模型)生成样本的环境检测模型的生成方法，包括：收集原始图片并对类别进行平衡，包括标注、统计不同类别样本数量、建立GAN模型、通过GAN模型生成小样本类别的图片加入训练集形成类别平衡、基于新训练集训练物体检测深度学习模型并测试，包括生成weight(权重)值、测试结果。通过本发明提供的基于GAN生成样本的环境检测模型的生成方法，可以解决在训练数据中类别不平衡的问题，来提升检测准确率。

图1示出本发明第一个第一方面实施例提供的环境检测模型的生成方法的流程图。

如图1所示，本发明第一个第一方面实施例提供的环境检测模型的生成方法，具体流程如下：

步骤102，接收样本图片，对样本图片中的样本进行分类；

步骤104，分别统计属于不同分类的样本的数量，根据样本的数量确定样本中的小样本；

步骤106，根据小样本利用生成对抗网络模型生成补充样本，将补充样本补充到小样本；

步骤108，以样本与补充样本组成训练集，以训练集训练待训练模型，生成环境检测模型。

本发明提供的环境检测模型的生成方法，在接收样本图片后，对样本图片中的样本进行分类，并统计不同分类的样本的数量，找到其中样本中的小样本，再根据小样本的内容，通过生成对抗网络模型生产补充样本，以补充到小样本中，进而起到平衡样本的作用，以样本与补充样本组成训练集，对待训练模型进行训练，重而生产环境检测模型，由于补充样本平衡了整个样本，因此，使得待检测模型对每个种类的样本均能得到充分地训练，进而在提升环境检测模型的准确性与精度。

图2示出本发明第二个第一方面实施例提供的环境检测模型的生成方法的流程图。

如图2所示，本发明第二个第一方面实施例提供的环境检测模型的生成方法，具体流程如下：

步骤202，接收样本图片；

步骤204，提取样本图片中的样本；

步骤206，根据样本的是否污染环境的状态，对样本进行分类；

步骤208，分别统计属于不同分类的样本的数量，根据样本的数量确定样本中的小样本；

步骤210，根据小样本利用生成对抗网络模型生成补充样本，将补充样本补充到小样本；

步骤212，以样本与补充样本组成训练集，以训练集训练待训练模型，生成环境检测模型。

在该实施例中，对样本图片中的样本进行分类的步骤具体为，根据样本是否污染的状态进行分类，进而得到污染环境的样本与未污染环境的样本，以上述两样本训练待训练模型，生产的环境检测模型可以识别环境是否被污染。

图3示出本发明第三个第一方面实施例提供的环境检测模型的生成方法的流程图。

如图3所示，本发明第三个第一方面实施例提供的环境检测模型的生成方法，具体流程如下：

步骤302，接收样本图片；

步骤304，提取样本图片中的样本；

步骤306，根据样本的是否污染环境的状态，对样本进行分类；

步骤308，对每个分类的样本的数量进行统计；

步骤310，确定数量低于预设阈值的样本为小样本；

步骤312，根据小样本利用生成对抗网络模型生成补充样本，将补充样本补充到小样本；

步骤314，以样本与补充样本组成训练集，以训练集训练待训练模型，生成环境检测模型。

在该实施例中，分别统计样本图片中不同样本的数量，根据样本的数量确定样本中的小样本具体为，对每个分类样本的数量进行统计，样本数量低于预设阈值的样本为小样本。

图4示出本发明第四个第一方面实施例提供的环境检测模型的生成方法的流程图。

如图4所示，本发明第四个第一方面实施例提供的环境检测模型的生成方法，具体流程如下：

步骤402，接收样本图片；

步骤404，提取样本图片中的样本；

步骤406，根据样本的是否污染环境的状态，对样本进行分类；

步骤408，对每个分类的样本的数量进行统计；

步骤410，确定数量低于预设阈值的样本为小样本；

步骤412，根据小样本利用生成对抗网络模型生成预设数量的补充样本；

步骤414，将预设数量的补充样本添加到小样本的分类中；

步骤416，以样本与补充样本组成训练集，以训练集训练待训练模型，生成环境检测模型。

在该实施例中，根据小样本利用生成对抗网络模型生成补充样本，将补充样本补充到小样本具体为，按照小样本的规则，利用生成对抗网络模型生成预设数量的符合小样本规则的补充样本，以添加到小样本的分类中，增加小样本的数量。

图5示出本发明第五个第一方面实施例提供的环境检测模型的生成方法的流程图。

如图5所示，本发明第五个第一方面实施例提供的环境检测模型的生成方法，具体流程如下：

步骤502，接收样本图片；

步骤504，提取样本图片中的样本；

步骤506，根据样本的是否污染环境的状态，对样本进行分类；

步骤508，对每个分类的样本的数量进行统计；

步骤510，确定数量低于预设阈值的样本为小样本；

步骤512，根据小样本利用生成对抗网络模型生成预设数量的补充样本；

步骤514，将预设数量的补充样本添加到小样本的分类中；

步骤516，统计补充样本与小样本的数量；

步骤518，判断补充样本与小样本的总数量是否使训练集达到平衡；在判断结果为是的情况下，执行步骤520，在判断结果为否的情况下，执行步骤512。

步骤520，以样本与补充样本组成训练集，以训练集训练待训练模型，生成环境检测模型。

在该实施例中，在根据小样本利用生成对抗网络模型生成补充样本，将补充样本补充到小样本后，统计补充样本与小样本的数量，判断补充样本与小样本的总数量能否使整个样本达到平衡，如果使样本达到平衡，则以样本与补充样本作为训练集训练待训练模型，进一步保证了生产的环境检测模型的准确性；如果补充样本与小样本的数量未使训练集达到平衡，则再次利用生成对抗网络模型生成预设数量的补充样本。

在本发明的一个实施例中，优选地，以训练集训练待训练模型，生成环境检测模型的步骤，具体包括：根据训练集训练待训练模型，验证待训练模型的训练效果，根据训练效果调整待训练模型的参数，得到环境检测模型。

在该实施例中，训练集训练待训练模型，生成环境检测模型具体为，根据训练集训练待训练模型，并验证待训练模型的训练效果(学习速率等)，根据训练效果调整待训练模型的参数，使得待训练模型的训练效果达到一个较优的值，进而在训练后得到环境检测模型。

在本发明的一个实施例中，优选地，还包括：对环境检测模型进行测试。

在该实施例中，通过对环境检测模型的测试，在环境检测模型合格后投入使用，如果环境检测模型未合格，则继续进行训练。

本发明提供一种基于GAN生成样本的环保目标检测网络，包括：收集原始图片并对类别进行平衡，包括标注、统计不同类别样本数量、建立GAN模型、生成小样本类别的图片加入训练集形成类别平衡、基于新训练集训练物体检测深度学习模型并测试，包括生成weight值、测试结果。通过本发明提供的基于GAN生成样本的环保目标检测网络，可以解决在训练数据中类别不平衡的问题，来提升检测准确率。

本发明的目的在于提供一种基于GAN生成样本的环境检测模型的生成方法，可以生成更多所需的样本，对环保数据目标进行检测并同时提升检测的准确率。

为了解决以上技术问题，本发明提供一种基于GAN生成样本的环境检测模型的生成方法，包括：

收集原始图片样本，进行类别标注；

统计不同类别样本数量；

建立GAN模型；

使用GAN模型生成小样本类别的图片加入训练集形成类别平衡；

基于新训练集训练物体检测深度学习模型生成weight值；

对模型进行测试。

进一步地，收集原始图片样本，进行类别标注，具体包括：收集图片数据集、对数据集的每张图片中的每个对象用方框框选，对每个方框进行类别标注；其中，优选地，类别为是否污染环境的状态。

进一步地，统计不同类别样本数量，具体包括：对每个类别的样本数量进行统计，将样本数量从多到少进行类别的排序，找到占比低于5％±5％的类别；

进一步地，建立GAN模型，具体包括：分别建立U-net和CAN-36模型，将两个模型进行加权(权重为可变量)平均得到新模型，进行新模型的训练；

进一步地，使用GAN模型生成小样本类别的图片加入训练集形成类别平衡，具体包括：使用GAN模型从原样本生成新样本，将新样本加入到训练集中，重新统计各类别看是否已经达到平衡；

进一步地，基于新训练集训练物体检测深度学习模型生成weight值，具体包括：使用新的训练集重新训练深度检测模型，生成weight值，不断调试参数；

进一步地，对模型进行测试。

与现有技术相比，本发明方法提供一种基于GAN生成样本的环境检测模型的生成方法，可以有效解决训练时类别不平衡的问题，提高检测的精度问题。

本发明提出的一种基于GAN生成样本的环境检测模型的生成方法，包括：

收集原始图片，进行标注，找到数量不平衡的类别；

建立基于U-net和CAN-36的混合模型；

使用混合模型生成新的样本，加入训练集；

使用新的训练集，训练物体检测深度模型；

测试结果。

进一步优选地，收集原始图片样本，进行类别标注，具体包括：收集图片数据集、对数据集的每张图片中的每个对象用方框框选，对每个方框进行类别标注。

进一步地优选地，统计不同类别样本数量，具体包括：对每个类别的样本数量进行统计，将样本数量从多到少进行类别的排序，找到占比低于5％的类别。

进一步优选地，建立GAN模型，具体包括：分别建立U-net和CAN-36模型，将两个模型进行加权(权重为可变量)平均得到新模型，进行新模型的训练。

进一步优选地，使用GAN模型生成小样本类别的图片加入训练集形成类别平衡，具体包括：使用GAN模型从原样本生成新样本，将新样本加入到训练集中，重新统计各类别看是否已经达到平衡。

进一步优选地，基于新训练集训练物体检测深度学习模型生成weight值并测试结果，具体包括：使用新的训练集重新训练深度检测模型，生成weight值，不断调试参数，测试结果。

图6示出本发明第六个第一方面实施例提供的环境检测模型的生成方法的流程图。

如图6所示，本发明第六个第一方面实施例提供的环境检测模型的生成方法，具体流程如下：

在本发明的一个实施例中，本发明提供一种基于GAN生成样本的环境检测模型的生成方法，包括：

步骤602：收集图片数据集；

步骤604：对图片进行标注；

步骤606：对类别样本数量进行排序；

步骤608：U-net和CAN-36组成混合模型；

步骤610：使用GAN得到新的样本，加入训练集；

步骤612：训练模型，产生weight参数等；

步骤614：测试产生结果。

图7示出本发明第七个第一方面实施例提供的环境检测模型的生成方法的流程图。

本发明的实施例中，采用GAN生成新的数据加入原始图片形成的最终数据集，以环保图片为例对本发明的内容进行说明。

如图7所示，本发明第七个第一方面实施例提供的环境检测模型的生成方法，根据本发明提供的联合损失的多任务烟雾视频检测网络，具体流程如下：

步骤702，收集原始图片数据集；

步骤704，对图片进行标注(有无烟雾)，对类别进行排序；

步骤706，分别建立U-net和CAN-36模型，将两个模型进行加权(权重为可变量)平均得到新模型；

步骤708，使用GAN模型生成小样本类别的图片加入训练集形成类别平衡；

步骤710，基于新训练集训练物体检测深度学习模型生成weight值；

步骤712，测试产生结果。

图8示出本发明第八个第一方面实施例提供的环境检测模型的生成方法的流程图。

如图8所示，本发明第八个第一方面实施例提供的环境检测模型的生成方法，具体流程如下：

步骤802，收集原始图片样本，进行类别标注；

步骤804，统计不同类别样本数量；

步骤806，建立GAN模型；

步骤808，使用GAN模型生成小样本类别的图片加入训练集形成类别平衡；

步骤810，基于新训练集训练物体检测深度学习模型生成weight值；

步骤812，对模型进行测试。

根据本发明的第二方面实施例，本发明提供了一种计算机设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序以实现如上述任一实施例提供的环境检测模型的生成方法。

本发明提供的计算机设备，包括用于执行所述计算机程序以实现如上述任一实施例提供的环境检测模型的生成方法的处理器，因此，具有如上述任一实施例提供的环境检测模型的生成方法的全部有益效果，在此不再一一陈述。

根据本发明的第三方面实施例，本发明提供了一种计算机可读存储介质，其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上述任一实施例提供的环境检测模型的生成方法。

本发明提供的计算机可读存储介质，储存有被处理器执行时实现如上述任一实施例提供的环境检测模型的生成方法的计算机程序，因此，具有如上述任一实施例提供的环境检测模型的生成方法的全部有益效果，在此不再一一陈述。

在本发明中，术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；“相连”可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种环境检测模型的生成方法，其特征在于，包括：

接收样本图片，对所述样本图片中的样本进行分类；

分别统计属于不同分类的所述样本的数量，根据所述样本的数量确定所述样本中的小样本；

根据所述小样本利用生成对抗网络模型生成补充样本，将所述补充样本补充到所述小样本；

以所述样本与所述补充样本组成训练集，以所述训练集训练待训练模型，生成所述环境检测模型。

2.根据权利要求1所述的环境检测模型的生成方法，其特征在于，所述接收样本图片，对所述样本图片中的样本进行分类的步骤，具体包括：

接收所述样本图片；

提取所述样本图片中的样本；

根据所述样本的是否污染环境的状态，对所述样本进行分类。

3.根据权利要求2所述的环境检测模型的生成方法，其特征在于，所述分别统计所述样本图片中不同样本的数量，确定所述样本中数量低于预设阈值的小样本的步骤，具体包括：

对每个分类的所述样本的数量进行统计；

确定数量低于预设阈值的所述样本为所述小样本。

4.根据权利要求1至3中任一项所述的环境检测模型的生成方法，其特征在于，所述根据所述小样本利用所述生成对抗网络模型生成补充样本，将所述补充样本补充到所述小样本的步骤，具体包括：

根据所述小样本利用所述生成对抗网络模型生成预设数量的所述补充样本；

将所述预设数量的所述补充样本添加到所述小样本的分类中。

5.根据权利要求1至3中任一项所述的环境检测模型的生成方法，其特征在于，在所述根据所述小样本利用所述生成对抗网络模型生成补充样本，将所述补充样本补充到所述小样本后，还包括：

统计所述补充样本与所述小样本的数量；

判断所述补充样本与所述小样本的总数量是否使所述训练集达到平衡；

在所述补充样本与所述小样本的数量使所述训练集达到平衡的情况下，进入所述训练待训练模型的步骤。

6.根据权利要求5所述的环境检测模型的生成方法，其特征在于，

在所述补充样本与所述小样本的数量未使所述训练集达到平衡的情况下，进入所述利用所述生成对抗网络模型生成补充样本的步骤。

7.根据权利要求1至3中任一项所述的环境检测模型的生成方法，其特征在于，所述以所述训练集训练待训练模型，生成所述环境检测模型的步骤，具体包括：

根据所述训练集训练所述待训练模型，验证所述待训练模型的训练效果，根据所述训练效果调整所述待训练模型的参数，得到所述环境检测模型。

8.根据权利要求1至3中任一项所述的环境检测模型的生成方法，其特征在于，还包括：

对所述环境检测模型进行测试。

9.一种计算机设备，其特征在于，包括：

存储器，用于存储计算机程序；处理器，用于执行所述计算机程序以实现如权利要求1至8中任一项所述的环境检测模型的生成方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的环境检测模型的生成方法。