CN113822414A - 口罩检测模型的训练方法、口罩检测方法及相关设备 - Google Patents

口罩检测模型的训练方法、口罩检测方法及相关设备 Download PDF

Info

Publication number
CN113822414A
CN113822414A CN202110832420.6A CN202110832420A CN113822414A CN 113822414 A CN113822414 A CN 113822414A CN 202110832420 A CN202110832420 A CN 202110832420A CN 113822414 A CN113822414 A CN 113822414A
Authority
CN
China
Prior art keywords
pruning
pruned
detection model
image
mask
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.)
Pending
Application number
CN202110832420.6A
Other languages
English (en)
Inventor
张健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Information Technology
Original Assignee
Shenzhen Institute of Information Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Information Technology filed Critical Shenzhen Institute of Information Technology
Priority to CN202110832420.6A priority Critical patent/CN113822414A/zh
Publication of CN113822414A publication Critical patent/CN113822414A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06F18/24—Classification techniques
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections

Abstract

本发明公开了一种口罩检测模型的训练方法和口罩检测方法，提高计算检测效率。本发明提供的方法包括：获取训练图像；将训练图像输入到初始的口罩检测模型，并对训练图像进行特征提取，得到训练图像特征；基于自适应归一化敏感度计算方式，对每个待剪枝层进行剪枝敏感度分析，确定每个待剪枝层对应的剪枝比例；针对每个待剪枝层，基于剪枝比例，对待剪枝层进行剪枝处理，获得剪枝图像特征，并根据剪枝图像特征更新口罩检测模型；对口罩检测模型进行精度评估，得到评估值；若评估值低于预设评估值，则返回获取训练图像的步骤继续执行，若评估值不低于预设评估值，则将得到的口罩检测模型作为训练好的口罩检测模型。

Description

口罩检测模型的训练方法、口罩检测方法及相关设备
技术领域
本发明涉及图像识别领域，尤其涉及一种口罩检测模型的训练方法、口罩检测方法、装置、计算机设备及存储介质。
背景技术
全球疫情下，对公共场所中人员是否佩戴口罩的检测系统需求量急剧上升，为控制口罩检测系统的成本，将口罩检测系统部署在边缘板上是一种经济的做法。比如百度Edgeboard FZ3B是一款基于FPGA架构、面向嵌入式与边缘部署的边缘计算板。
近年来，目标检测算法大多使用了深度学习的方法，且这类方法显示出了一个良好的检测性能，其中最常用的方法就是卷积神经网络。为了增强卷积神经网络的非线性拟合能力，卷积神经网络被设计的更深更宽，这也就使得卷积神经网络十分依赖算力与存储空间，尽管卷积神经网络利用多层神经网络和图像局部性的优点减少了大量参数，但计算量仍然很庞大，这也就导致了卷积神经网络模型不适用于大多数算力资源有限的设备。
因此，现有方式中，将卷积神经网络模型应用在资源有限的设备上时，存在计算检测效率较低的问题。
发明内容
本发明实施例提供一种口罩检测模型的训练方法、口罩检测方法、装置、计算机设备及存储介质，以提高将卷积神经网络模型应用在资源有限的设备上时的计算检测效率。
一种口罩检测模型的训练方法，包括：
获取训练图像，其中，所述训练图像包括有口罩图像和无口罩图像；
将所述训练图像输入到初始的口罩检测模型，并对所述训练图像进行特征提取，得到训练图像特征，其中，所述训练图像特征包括多个待剪枝层，所述初始的口罩检测模型为YOLO网络模型；
基于自适应归一化敏感度计算方式，对每个所述待剪枝层进行剪枝敏感度分析，确定每个所述待剪枝层对应的剪枝比例；
针对每个待剪枝层，基于剪枝比例，对待剪枝层进行剪枝处理，获得剪枝图像特征，并根据所述剪枝图像特征更新所述口罩检测模型；
对所述口罩检测模型进行精度评估，得到评估值；
若所述评估值低于预设评估值，则返回所述获取训练图像的步骤继续执行；
若所述评估值不低于所述预设评估值，则将得到的口罩检测模型作为训练好的口罩检测模型。
一种口罩检测方法，包括：
获取待检测图像；
将所述待检测图像输入训练好的口罩检测模型中，其中，所述训练好的口罩检测模型为根据权利要求1至5任一项方法进行训练得到；
通过所述训练好的口罩检测模型对所述待检测图像进行识别，得到识别结果，其中，所述识别结果包括有口罩图像和无口罩图像。
一种口罩检测模型的剪枝装置，包括：
训练图像获取模块，用于获取训练图像，其中，所述训练图像包括有口罩图像和无口罩图像；
特征提取模块，用于将所述训练图像输入到初始的口罩检测模型，并对所述训练图像进行特征提取，得到训练图像特征，其中，所述训练图像特征包括多个待剪枝层，所述初始的口罩检测模型为YOLO网络模型；
敏感度分析模块，用于基于自适应归一化敏感度计算方式，对每个所述待剪枝层进行剪枝敏感度分析，确定每个所述待剪枝层对应的剪枝比例；
口罩检测模型更新模块，用于针对每个所述待剪枝层，基于所述剪枝比例，对所述待剪枝层进行剪枝处理，获得剪枝图像特征，并根据所述剪枝图像特征更新所述口罩检测模型；
评估模块，用于对所述口罩检测模型进行精度评估，得到评估值；
第一对比模块，用于若所述评估值低于预设评估值，则返回所述获取训练图像的步骤继续执行；
第二对比模块，用于若所述评估值不低于所述预设评估值，则将得到的口罩检测模型作为训练好的口罩检测模型。
一种口罩检测装置，包括：
待检测图像获取模块，用于获取待检测图像；
输入模块，用于将所述待检测图像输入训练好的口罩检测模型中，其中，所述训练好的口罩检测模型为根据权利要求1至5任一项方法进行训练得到；
识别模块，用于通过所述训练好的口罩检测模型对所述待检测图像进行识别，得到识别结果，其中，所述识别结果包括有口罩图像和无口罩图像。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中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口罩检测模型的训练方法，或者，所述处理器执行所述计算机程序时实现上述口罩检测方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述口罩检测模型的训练方法，或者，所述计算机程序被处理器执行时实现上述口罩检测方法。
本发明实施例中的口罩检测模型的训练方法、装置、计算机设备及存储介质，通过获取训练图像，将训练图像输入到初始的口罩检测模型，并对训练图像进行特征提取，得到训练图像特征，其中，训练图像特征包括至少两个待剪枝层，初始的口罩检测模型为YOLO网络模型，基于自适应归一化敏感度计算方式，对每个待剪枝层进行剪枝敏感度分析，确定每个待剪枝层对应的剪枝比例，进而针对每个待剪枝层，基于剪枝比例，对待剪枝层进行剪枝处理，获得剪枝图像特征，并根据剪枝图像特征更新所述口罩检测模型；对口罩检测模型进行精度评估，得到评估值；若评估值低于预设评估值，则返回所述获取训练图像的步骤继续执行；若评估值不低于预设评估值，则将得到的口罩检测模型作为训练好的口罩检测模型。通过对训练图像对应的训练图像特征的待剪枝层进行剪枝处理，减少了对计算精度并没有影响的部分，有效的减少了计算量，从而提高了计算效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中口罩检测模型的训练方法、口罩检测方法的一应用环境示意图；
图2是本发明一实施例中口罩检测模型的训练方法的一流程图；
图3是本发明一实施例中口罩检测方法的一流程图；
图4是本发明一实施例中口罩检测模型的训练装置的结构示意图；
图5是本发明一实施例中口罩检测装置的结构示意图；
图6是本发明一实施例中计算机设备的一示意图。
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。
本申请提供的口罩检测模型的训练方法、口罩检测方法，可应用在如图1的应用环境中，其中，计算机设备通过网络与服务器进行通信。其中，计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种口罩检测模型的训练方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤S101至S107：
S101、获取训练图像，其中，训练图像包括有口罩图像和无口罩图像。
在上述步骤S101中，该训练图像是指用于优化口罩检测模型的图像，该训练图像获取的方法包括但不限于使用摄像设备拍摄，截取视频流中的图像帧。
通过获取有口罩图像和无口罩图像作为训练图像训练口罩检测模型，能有效提高口罩检测模型对图像是否含有口罩的检测准确程度。
S102、将训练图像输入到初始的口罩检测模型，并对训练图像进行特征提取，得到训练图像特征，其中，训练图像特征包括多个待剪枝层，初始的口罩检测模型为YOLO网络模型。
在上述步骤S102中，上述YOLO网络模型为整合目标区域预测和目标类别预测的网络模型。上述待剪枝层为对训练图像特征的卷积层进行裁剪时，不会造成输出维度改变的卷积层，例如，YOLOv3网络模型的MobileNet-V1中的Conv/s2层，Conv dw/s2。
优选地，上述口罩检测模型采用YOLOv3网络模型的MobileNet-V1。此处需要说明的是，MobileNet-V1是一个高效的网络架构，使用深度可分离卷积网络改善标准卷积网络，使得计算量减少，构建了一个非常小、低延迟、易满足边缘端设备要求的模型。
通过采用YOLO网络模型，实现在准确率较高的情况下快速目标检测与识别，更加适合现场应用环境，使用深度可分离卷积网络改善标准卷积网络，使得计算量减少，构建了一个非常小、低延迟、易满足边缘端设备要求的模型。
S103、基于自适应归一化敏感度计算方式，对每个待剪枝层进行剪枝敏感度分析，确定每个待剪枝层对应的剪枝比例。
在上述步骤S103中，上述自适应归一化敏感度计算方式是指通过自适应归一化方法计算敏感度的方式，上述敏感度是指某一剪枝层中每个卷积核的剪枝前与剪枝后的精度差。
上述待剪枝层是指图像特征所有卷积层中适合进行剪枝操作的卷积层。上述剪枝是指剪枝该层卷积层上重要性较低的卷积核或通道的操作。
通过自适应归一化敏感度计算方式，确定了每个待剪枝层的剪枝比例，能避免对某一层剪枝比例过大，出现“长短腿”现象，导致模型精度损失过大，且达不到极限剪枝的期望。
具体地，上述步骤S103具体包括如下步骤：
S301、采用初始的口罩检测模型的分类器对每个训练图像的训练图像特征进行分类识别，得到识别结果，并基于识别结果确定模型初始精度。
S302、对每个待剪枝层，剪除与预设剪枝比例相等的卷积核，并采用更新后的卷积核对每个训练图像进行特征提取，得到临时特征。
S303、采用初始的口罩检测模型的分类器对每个临时特征进行分类识别，并根据识别结果确定模型现有精度。
S304、将模型初始精度减去模型现有精度，得到精度差值。
S305、将精度差值除以待剪枝层中与预设剪枝比例相等的卷积核的个数，获得平均损失精度，并将平均损失精度作为所述待剪枝层的剪枝敏感度。
S306、根据剪枝敏感度，确定每个待剪枝层对应的剪枝比例。
在上述步骤S301中，上述模型初始精度是指初始口罩检测模型对训练图像进行识别的精度。
在上述步骤S302中，上述预设剪枝比例是用来剪除与预设剪枝比例相等的重要性低的卷积核，例如，当预设剪枝比例为80％时，按照重要性从小到大，剪除该待剪枝层中80％的卷积核。
上述剪除与预设剪枝比例相等的卷积核是指卷积核剪枝，直接将卷积层中的卷积核进行剪除操作。
在步骤S302中，所述方法还包括：
对每个待剪枝层，进行通道剪枝，其中，通道剪枝根据通道权重剪除卷积核对应的通道。
上述通道剪枝是指剪除卷积核内部至少一个通道。根据通道权重进行剪除操作。
在上述步骤S303中，上述模型现有精度是指口罩检测模型对临时特征进行分类识别后得到的精度。
具体地，对每个待剪枝层，剪除与预设剪枝比例相等的卷积核，更新口罩检测模型，再通过训练图像并重新得到模型现有精度。
在上述步骤S305中，按照如下算式确定剪枝比例：
Figure BDA0003175974230000071
其中，mi为第i层待剪枝层对应的剪枝敏感度，p为待剪枝层的数量，ni为第i层待剪枝层的卷积核个数，ki为第i层待剪枝层对应的剪枝敏感度，
Figure BDA0003175974230000072
为第i层待剪枝层对应的剪枝比例，i为[1，P]中任一整数。
通过获取模型初始精度和模型现有精度，确定平均损失精度，根据平均损失精度，确定待剪枝层的剪枝敏感度，有利于对待剪枝层进行相应的剪枝操作，减少图像识别时的计算量，从而提高了图像识别的效率。
S104、针对每个待剪枝层，基于剪枝比例，对待剪枝层进行剪枝处理，并根据剪枝图像特征更新口罩检测模型。
具体地，针对每个待剪枝层，基于剪枝比例，对待剪枝层逐层进行剪枝处理，获取的剪枝图像特征，同时根据得到该剪枝图像特征的剪枝过程，对口罩检测模型中的分类器进行更新。
通过选取YOLO网络模型的口罩检测模型，采用自适应归一化敏感度计算方法，通过每层平均损失率来对不同卷积层进行剪枝，以损失少量模型精度为代价，减少网络参数，降低网络计算量，削减模型存储空间。
S105、对口罩检测模型进行精度评估，得到评估值。
上述精度评估的方法包括但不限于平均类别精确值均值评估，准确率评估等。
优选地，对剪枝后的口罩检测模型进行平均类别精确度均值评估，得到评估值。
通过对口罩检测模型进行精度评估，可以确定该口罩检测模型的评估值，并根据该评估值对口罩检测模型作出调整，从而提高该口罩检测模型的检测准确率。
S106、若评估值低于预设评估值，则返回获取训练图像的步骤继续执行。
S107、若评估值不低于预设评估值，则将得到的口罩检测模型作为训练好的口罩检测模型。
在上述步骤S106、S107中，预设评估值是指期望口罩检测模型能达到的准确率。例如，当预设评估值为0.9时，即期望训练得到的口罩检测模型的准确率能达到90％。
对于上述步骤S106，若评估值低于预设评估值，则说明训练得到的口罩检测模型的准确度不够。返回重新获取训练图像，通过增加训练图像的数量，重新训练口罩检测模型。
对于上述步骤S107，若评估值不低于预设评估值，则说明训练得到的口罩检测模型的准确度符合标准。
通过对比评估值与预设评估值，在评估值低于预设评估值时，增加训练图像并重新训练口罩检测模型，使得口罩检测模型的准确率高，从而能有效识别图像是否具有口罩。
本实施例中的口罩检测模型的训练方法通过获取训练图像，其中，训练图像包括有口罩图像和无口罩图像；将训练图像输入到初始的口罩检测模型，并对训练图像进行特征提取，得到训练图像特征；基于自适应归一化敏感度计算方式，对每个待剪枝层进行剪枝敏感度分析，确定每个待剪枝层对应的剪枝比例；针对每个待剪枝层，基于剪枝比例，对待剪枝层进行剪枝处理，获得剪枝图像特征，并根据剪枝图像特征更新口罩检测模型；对口罩检测模型进行精度评估，得到评估值；若评估值低于预设评估值，则返回获取训练图像的步骤继续执行，若评估值不低于预设评估值，则将得到的口罩检测模型作为训练好的口罩检测模型。通过对训练图像对应的训练图像特征的待剪枝层进行剪枝处理，减少了对计算精度并没有影响的部分，有效的减少了计算量，从而提高了计算效率。
在一实施例中，如图3所示，提供一种口罩检测方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤S10至S30：
S10、获取待检测图像。
S20、将待检测图像输入训练好的口罩检测模型中，其中，训练好的口罩检测模型为根据权利要求1至5任一项方法进行训练得到。
S30、通过训练好的口罩检测模型对待检测图像进行识别，得到识别结果，其中，识别结果包括有口罩图像和无口罩图像。
对于上述步骤S10，获取待检测图像的方法包括但不限于摄像摄像拍摄，从视频数据流中提取图像帧。
对于上述步骤S20、上述口罩检测模型是指用于检测图像是否具有口罩的模型。
对于上述步骤S30，通过计算各待剪枝层的剪枝敏感度，并结合剪枝比例，确定各剪枝层的剪枝比例，压缩整体计算量，减少检测时间，提高模型准确率，使得模型能在边缘端设备上继续高精度运行。
本实施例中的口罩检测方法，通过获取待检测图像；将待检测图像输入训练好的口罩检测模型中，训练好的口罩检测模型为根据权利要求1至5任一项方法进行训练得到；通过训练好的口罩检测模型对待检测图像进行识别，得到识别结果，其中，识别结果包括有口罩图像和无口罩图像。通过训练好的口罩检测模型，应用于计算能力有限的设备上时，能准确高效识别从设备上获取到的图像是否具有口罩。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种口罩检测模型的训练装置，该口罩检测模型的训练装置与上述实施例中口罩检测模型的训练方法一一对应。如图4所示，该口罩检测模型的训练装置包括训练图像获取模块11、特征提取模块12、敏感度分析模块13、口罩检测模型更新模块14、评估模块15、第一对比模块16和第二对比模块17。各功能模块详细说明如下：
训练图像获取模块11，用于获取训练图像，其中，训练图像包括有口罩图像和无口罩图像。
特征提取模块12，用于将训练图像输入到初始的口罩检测模型，并对训练图像进行特征提取，得到训练图像特征，其中，训练图像特征包括多个待剪枝层，初始的口罩检测模型为YOLO网络模型。
敏感度分析模块13，用于基于自适应归一化敏感度计算方式，对每个待剪枝层进行剪枝敏感度分析，确定每个待剪枝层对应的剪枝比例。
口罩检测模型更新模块14，用于针对每个待剪枝层，基于剪枝比例，对待剪枝层进行剪枝处理，获得剪枝图像特征，并根据剪枝图像特征更新口罩检测模型。
评估模块15，用于对口罩检测模型进行精度评估，得到评估值。
第一对比模块16，用于若评估值低于预设评估值，则返回获取训练图像的步骤继续执行。
第二对比模块17，用于若评估值不低于预设评估值，则将得到的口罩检测模型作为训练好的口罩检测模型。
在其中一个实施例中，敏感度分析模块13进一步包括：
模型初始精度获取单元，用于采用所述初始的口罩检测模型的分类器对每个所述训练图像的训练图像特征进行分类识别，得到识别结果，并基于识别结果确定模型初始精度。
临时特征获取单元，用于对每个待剪枝层，剪除与预设剪枝比例相等的卷积核，并采用更新后的卷积核对每个训练图像进行特征提取，得到临时特征。
模型现有精度获取单元，用于采用所述初始的口罩检测模型的分类器对每个所述临时特征进行分类识别，并根据识别结果确定模型现有精度。
精度差值获取单元，用于将所述模型初始精度减去所述模型现有精度，得到精度差值。
剪枝敏感度计算单元，用于将精度差值除以待剪枝层中与预设剪枝比例相等的卷积核的个数，获得平均损失精度，并将平均损失精度作为待剪枝层的剪枝敏感度。
剪枝比例确定单元，用于根据剪枝敏感度，确定每个待剪枝层对应的剪枝比例。
在其中一个实施例中，模型现有精度获取单元之后，敏感度分析模块13进一步包括：
通道剪枝单元，用于对每个待剪枝层，进行通道剪枝，其中，通道剪枝根据通道权重剪除卷积核对应的通道。
在其中一个实施例中，剪枝比例确定单元按照如下公式计算获得：
Figure BDA0003175974230000111
其中，mi为第i层待剪枝层对应的剪枝敏感度，p为待剪枝层的数量，ni为第i层待剪枝层的卷积核个数，ki为第i层待剪枝层对应的剪枝敏感度，
Figure BDA0003175974230000112
为第i层待剪枝层对应的剪枝比例，i为[1，P]中任一整数。
在其中一个实施例中，评估模块15进一步包括：
评估单元，用于对剪枝后的口罩检测模型进行平均类别精确度均值评估，得到评估值。
在一实施例中，提供一种口罩检测装置，该口罩检测装置与上述实施例中口罩检测方法一一对应。如图5所示，该口罩检测装置包括待检测图像获取模块21、输入模块22和识别模块23。各功能模块详细说明如下：
待检测图像获取模块21，用于获取待检测图像。
输入模块22，用于将待检测图像输入训练好的口罩检测模型中，训练好的口罩检测模型为根据权利要求1至5任一项方法进行训练得到。
识别模块23，用于通过训练好的口罩检测模型对待检测图像进行识别，得到识别结果，其中，识别结果包括有口罩图像和无口罩图像。
其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分，并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式。
关于口罩检测模型的训练装置和口罩检测装置的具体限定可以参见上文中对于对应的口罩检测模型的训练方法、口罩检测方法的限定，在此不再赘述。上述口罩检测模型的训练装置和口罩检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储口罩检测模型的训练方法、口罩检测方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述口罩检测模型的训练方法和上述口罩检测方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中口罩检测模型的训练方法、口罩检测方法的步骤，例如图2所示的步骤S101至步骤S107及该方法的其它扩展和相关步骤的延伸，或者，图3所示的步骤S10至步骤S30及该方法的其它扩展和相关步骤的延伸。或者，处理器执行计算机程序时实现上述实施例中口罩检测模型的训练装置和口罩检测装置的各模块/单元的功能，例如图4所示模块11至模块17的功能，或者，图5所示模块21至模块23的功能。为避免重复，这里不再赘述。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。
所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中口罩检测模型的训练方法、口罩检测方法的步骤，例如图2所示的步骤S101至步骤S107及该方法的其它扩展和相关步骤的延伸，或者，图3所示的步骤S10至步骤S30及该方法的其它扩展和相关步骤的延伸。或者，计算机程序被处理器执行时实现上述实施例中口罩检测模型的训练装置和口罩检测装置的各模块/单元的功能，例如图4所示模块11至模块17的功能，或者，图5所示模块21至模块23的功能。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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)、DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种口罩检测模型的训练方法，其特征在于，包括：
获取训练图像，其中，所述训练图像包括有口罩图像和无口罩图像；
将所述训练图像输入到初始的口罩检测模型，并对所述训练图像进行特征提取，得到训练图像特征，其中，所述训练图像特征包括多个待剪枝层，所述初始的口罩检测模型为YOLO网络模型；
基于自适应归一化敏感度计算方式，对每个所述待剪枝层进行剪枝敏感度分析，确定每个所述待剪枝层对应的剪枝比例；
针对每个所述待剪枝层，基于所述剪枝比例，对所述待剪枝层进行剪枝处理，获得剪枝图像特征，并根据所述剪枝图像特征更新所述口罩检测模型；
对所述口罩检测模型进行精度评估，得到评估值；
若所述评估值低于预设评估值，则返回所述获取训练图像的步骤继续执行；
若所述评估值不低于所述预设评估值，则将得到的口罩检测模型作为训练好的口罩检测模型。
2.根据权利要求1所述的方法，其特征在于，所述基于自适应归一化敏感度计算方式，对每个所述待剪枝层进行剪枝敏感度分析，确定每个所述待剪枝层对应的剪枝比例的步骤包括：
采用所述初始的口罩检测模型的分类器对每个所述训练图像的训练图像特征进行分类识别，得到识别结果，并基于识别结果确定模型初始精度；
对每个待剪枝层，剪除与预设剪枝比例相等的卷积核，并采用更新后的卷积核对每个训练图像进行特征提取，得到临时特征；
采用所述初始的口罩检测模型的分类器对每个所述临时特征进行分类识别，并根据识别结果确定模型现有精度；
将所述模型初始精度减去所述模型现有精度，得到精度差值；
将所述精度差值除以所述待剪枝层中与预设剪枝比例相等的卷积核的个数，获得平均损失精度，并将所述平均损失精度作为所述待剪枝层的剪枝敏感度；
根据所述剪枝敏感度，确定每个所述待剪枝层对应的剪枝比例。
3.根据权利要求2所述的方法，其特征在于，所述对每个待剪枝层，剪除与预设剪枝比例相等的卷积核，并采用更新后的卷积核对每个训练图像进行特征提取，得到临时特征之后，所述方法还包括：
对每个待剪枝层，进行通道剪枝，其中，所述通道剪枝根据通道权重剪除卷积核对应的通道。
4.根据权利要求2所述的方法，其特征在于，所述根据所述剪枝敏感度，确定每个所述待剪枝层对应的剪枝比例包括：
Figure FDA0003175974220000021
其中，所述mi为第i层所述待剪枝层对应的剪枝敏感度，所述p为所述待剪枝层的数量，所述ni为第i层所述待剪枝层的卷积核个数，所述ki为第i层所述待剪枝层对应的剪枝敏感度，所述
Figure FDA0003175974220000022
为第i层所述待剪枝层对应的剪枝比例，i为[1，P]中任一整数。
5.根据权利要求1所述的方法，其特征在于，所述对剪枝后的口罩检测模型进行精度评估，得到评估值中，所述方法包括：
对剪枝后的口罩检测模型进行平均类别精确度均值评估，得到评估值。
6.一种口罩检测方法，其特征在于，包括：
获取待检测图像；
将所述待检测图像输入训练好的口罩检测模型中，其中，所述训练好的口罩检测模型为根据权利要求1至5任一项方法进行训练得到；
通过所述训练好的口罩检测模型对所述待检测图像进行识别，得到识别结果，其中，所述识别结果包括有口罩图像和无口罩图像。
7.一种口罩检测模型的训练装置，其特征在于，包括：
训练图像获取模块，用于获取训练图像，其中，所述训练图像包括有口罩图像和无口罩图像；
特征提取模块，用于将所述训练图像输入到初始的口罩检测模型，并对所述训练图像进行特征提取，得到训练图像特征，其中，所述训练图像特征包括多个待剪枝层，所述初始的口罩检测模型为YOLO网络模型；
敏感度分析模块，用于基于自适应归一化敏感度计算方式，对每个所述待剪枝层进行剪枝敏感度分析，确定每个所述待剪枝层对应的剪枝比例；
口罩检测模型更新模块，用于针对每个所述待剪枝层，基于所述剪枝比例，对所述待剪枝层进行剪枝处理，获得剪枝图像特征，并根据所述剪枝图像特征更新所述口罩检测模型；
评估模块，用于对所述口罩检测模型进行精度评估，得到评估值；
第一对比模块，用于若所述评估值低于预设评估值，则返回所述获取训练图像的步骤继续执行；
第二对比模块，用于若所述评估值不低于所述预设评估值，则将得到的口罩检测模型作为训练好的口罩检测模型。
8.一种口罩检测装置，其特征在于，包括：
待检测图像获取模块，用于获取待检测图像；
输入模块，用于将所述待检测图像输入训练好的口罩检测模型中，其中，所述训练好的口罩检测模型为根据权利要求1至5任一项方法进行训练得到；
识别模块，用于通过所述训练好的口罩检测模型对所述待检测图像进行识别，得到识别结果，其中，所述识别结果包括有口罩图像和无口罩图像。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述口罩检测模型的训练方法的步骤，或者，所述处理器执行所述计算机程序时实现如权利要求6所述的口罩检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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5中任一项所述口罩检测模型的训练方法的步骤，或者，所述计算机程序被处理器执行时实现如权利要求6所述的口罩检测方法。
CN202110832420.6A 2021-07-22 2021-07-22 口罩检测模型的训练方法、口罩检测方法及相关设备 Pending CN113822414A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110832420.6A CN113822414A (zh) 2021-07-22 2021-07-22 口罩检测模型的训练方法、口罩检测方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110832420.6A CN113822414A (zh) 2021-07-22 2021-07-22 口罩检测模型的训练方法、口罩检测方法及相关设备

Publications (1)

Publication Number Publication Date
CN113822414A true CN113822414A (zh) 2021-12-21

Family

ID=78912760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110832420.6A Pending CN113822414A (zh) 2021-07-22 2021-07-22 口罩检测模型的训练方法、口罩检测方法及相关设备

Country Status (1)

Country Link
CN (1) CN113822414A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881227A (zh) * 2022-05-13 2022-08-09 北京百度网讯科技有限公司 模型压缩方法、图像处理方法、装置和电子设备
CN115186937A (zh) * 2022-09-09 2022-10-14 闪捷信息科技有限公司 基于多方数据协同的预测模型训练、数据预测方法和装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401202A (zh) * 2020-03-11 2020-07-10 西南石油大学 一种基于深度学习的行人口罩佩戴实时检测方法
CN111461324A (zh) * 2020-03-27 2020-07-28 中国科学院计算技术研究所 基于层恢复敏感度的分级剪枝方法
JP2021022050A (ja) * 2019-07-25 2021-02-18 国立大学法人 和歌山大学 ニューラルネットワークの圧縮方法、ニューラルネットワーク圧縮装置、コンピュータプログラム、及び圧縮されたニューラルネットワークデータの製造方法
CN112733739A (zh) * 2021-01-14 2021-04-30 重庆中科云从科技有限公司 提升禁区场景下行人识别速度的方法、系统、介质及装置
CN112818953A (zh) * 2021-03-12 2021-05-18 苏州科达科技股份有限公司 口罩佩戴状态识别方法、装置、设备及可读存储介质
CN112884149A (zh) * 2021-03-19 2021-06-01 华南理工大学 一种基于随机敏感度st-sm的深度神经网络剪枝方法及系统
CN112906853A (zh) * 2019-12-03 2021-06-04 中国移动通信有限公司研究院 模型自动优化的方法及装置、设备、存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021022050A (ja) * 2019-07-25 2021-02-18 国立大学法人 和歌山大学 ニューラルネットワークの圧縮方法、ニューラルネットワーク圧縮装置、コンピュータプログラム、及び圧縮されたニューラルネットワークデータの製造方法
CN112906853A (zh) * 2019-12-03 2021-06-04 中国移动通信有限公司研究院 模型自动优化的方法及装置、设备、存储介质
CN111401202A (zh) * 2020-03-11 2020-07-10 西南石油大学 一种基于深度学习的行人口罩佩戴实时检测方法
CN111461324A (zh) * 2020-03-27 2020-07-28 中国科学院计算技术研究所 基于层恢复敏感度的分级剪枝方法
CN112733739A (zh) * 2021-01-14 2021-04-30 重庆中科云从科技有限公司 提升禁区场景下行人识别速度的方法、系统、介质及装置
CN112818953A (zh) * 2021-03-12 2021-05-18 苏州科达科技股份有限公司 口罩佩戴状态识别方法、装置、设备及可读存储介质
CN112884149A (zh) * 2021-03-19 2021-06-01 华南理工大学 一种基于随机敏感度st-sm的深度神经网络剪枝方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881227A (zh) * 2022-05-13 2022-08-09 北京百度网讯科技有限公司 模型压缩方法、图像处理方法、装置和电子设备
CN115186937A (zh) * 2022-09-09 2022-10-14 闪捷信息科技有限公司 基于多方数据协同的预测模型训练、数据预测方法和装置
CN115186937B (zh) * 2022-09-09 2022-11-22 闪捷信息科技有限公司 基于多方数据协同的预测模型训练、数据预测方法和装置

Similar Documents

Publication Publication Date Title
CN110163300B (zh) 一种图像分类方法、装置、电子设备及存储介质
US11403876B2 (en) Image processing method and apparatus, facial recognition method and apparatus, and computer device
CN109035299B (zh) 目标跟踪方法、装置、计算机设备及存储介质
US11087447B2 (en) Systems and methods for quality assurance of image recognition model
CN111950329A (zh) 目标检测及模型训练方法、装置、计算机设备和存储介质
CN109948733B (zh) 消化道内窥镜图像的多分类方法、分类装置及存储介质
WO2019051941A1 (zh) 车型识别方法、装置、设备及计算机可读存储介质
CN113822414A (zh) 口罩检测模型的训练方法、口罩检测方法及相关设备
CN110765860A (zh) 摔倒判定方法、装置、计算机设备及存储介质
CN109993221B (zh) 一种图像分类方法及装置
CN113435594B (zh) 安防检测模型训练方法、装置、设备及存储介质
CN112597867A (zh) 戴口罩人脸识别方法、系统、计算机设备及存储介质
CN112434556A (zh) 宠物鼻纹识别方法、装置、计算机设备及存储介质
CN113139403A (zh) 违规行为识别方法、装置、计算机设备和存储介质
WO2022217704A1 (zh) 模型压缩方法、装置、计算设备及存储介质
CN111340213B (zh) 神经网络的训练方法、电子设备、存储介质
CN109102549B (zh) 图像光源颜色的检测方法、装置、计算机设备及存储介质
CN111340025A (zh) 字符识别方法、装置、计算机设备和计算机可读存储介质
CN112163110B (zh) 图像分类方法、装置、电子设备和计算机可读存储介质
CN113158900A (zh) 人脸活体检测模型的训练方法、装置、设备及存储介质
CN110866484A (zh) 驾驶员人脸检测方法、计算机装置及计算机可读存储介质
CN113723375B (zh) 一种基于特征抽取的双帧人脸跟踪方法和系统
CN115272682A (zh) 目标对象检测方法、目标检测模型的训练方法及电子设备
CN114419313A (zh) 影像辨识方法及影像辨识系统
CN112926663A (zh) 分类模型的训练方法、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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211221

RJ01 Rejection of invention patent application after publication