CN114549473B - 具备自主学习快速适应能力的道面检测方法及系统 - Google Patents

Abstract

本发明提供了具备自主学习快速适应能力的道面检测方法及系统，方法包括获取云端大数据；对云端大数据进行自监督学习和自步学习，得到通用检测模型；采集目标机场的道面数据；利用通用检测模型对目标机场的道面数据进行自步学习，得到目标检测模型；获取目标机场的待检测道面数据；利用目标检测模型对待检测道面数据进行道面检测；获取道面检测过程中检测到的特殊道面数据，根据特殊道面数据更新目标检测模型；将特殊道面数据上传至云端大数据更新通用检测模型。该方法能够结合机器学习方法，对复杂的检测环境进行针对性学习，得到适用于不同检测环境下的检测模型，能够快速适应复杂的检测环境，快速完成不同检测环境下机场道面检测的效果。

Description

具备自主学习快速适应能力的道面检测方法及系统

技术领域

本发明属于机场道面检测技术领域，具体涉及具备自主学习快速适应能力的道面检测方法及系统。

背景技术

机场道面的异物可能以扎破轮胎、吸入发动机等形式损坏航空器，道面冰雪、积水、橡胶等污染会改变道面摩擦系数，道面破损不仅影响平整度，还会产生异物。这些都是影响机场运行安全的因素，需要及时检测和处理。

移动式道面检测技术手段是当前发展的趋势。移动式道面检测技术是将检测模块搭载在移动平台上，可以灵活地对跑道、滑行道、机坪等任意指定区域进行道面检测。其中主流的方法是通过可见光/红外光电设备、毫米波雷达、激光雷达等传感器生成检测图像，再通过深度学习方法处理检测图像得到检测目标。这种方法具有低成本、高检测速度的优势。

但是这种方法存在以下问题：一方面是适应差异性难度大，不同机场间存在差异性，即便是同一机场在不同季节不同天气下也有差异性。另一方面是道面异物不可穷举，难以通过有限的数据集训练得到可靠的检测方法。

发明内容

针对现有技术中的缺陷，本发明提供一种具备自主学习快速适应能力的道面检测方法及系统，能够快速地完成不同检测环境下的机场道面检测。

第一方面，一种具备自主学习快速适应能力的道面检测方法，包括：

获取云端大数据；云端大数据包括不同机场的道面数据；

对云端大数据进行自监督学习和自步学习，得到通用检测模型；

采集目标机场的道面数据；

利用通用检测模型对目标机场的道面数据进行自步学习，得到目标检测模型；

获取目标机场的待检测道面数据；

利用目标检测模型对待检测道面数据进行道面检测；

获取道面检测过程中检测到的特殊道面数据，根据特殊道面数据更新目标检测模型；

将特殊道面数据上传至云端大数据，更新通用检测模型。

优选地，对云端大数据进行自监督学习和自步学习，得到通用检测模型具体包括：

利用自监督学习对云端大数据的道面数据进行学习，以得到初始类别标签；

利用自步学习对初始类别标签进行训练，得到通用检测模型。

优选地，通用检测模型包括通用模型参数和检测模型结构F；

通用模型参数为：

其中，G为自步学习的框架，X⁰为云端大数据的集合，Y⁰为初始类别标签的集合，T⁰为通用时间衰减系数的集合，w₀为自步学习的初始化参数。

优选地，利用通用检测模型对目标机场的道面数据进行自步学习，得到目标检测模型具体包括：

利用通用检测模型对目标机场的道面数据进行推理，生成目标标签；

利用自步学习对目标标签进行训练，得到目标检测模型。

优选地，目标检测模型包括目标模型参数和检测模型结构F；

目标模型参数为：

其中，为目标机场中道面数据的集合，/>为目标标签的集合，/>为目标时间衰减系数的集合。

优选地，目标时间衰减系数为：

其中，i为1～m之间的整数，/>为目标机场中道面数据的采集时间，m为/>的数量；/>为当前时间。

优选地，获取道面检测过程中检测到的特殊道面数据，根据特殊道面数据更新通用检测模型和目标检测模型具体包括：

实时计算道面检测过程的损失函数；

定义损失函数大于损失函数阈值的待检测道面数据为特殊道面数据，将特殊道面数据添加至特殊样本集合

利用通用检测模型对特殊样本集合中的道面数据进行推理，生成特殊标签；

利用自步学习对特殊标签进行训练，更新目标检测模型；

将特殊样本集合添加至云端大数据，更新通用检测模型。

优选地，自步学习的框架G包括：

A：利用上一轮迭代得到的模型参数对初始类别标签、目标标签或特殊标签进行训练，得到本轮迭代的模型参数；

B：将本轮迭代过程中损失值大于损失阈值的道面数据建立加入潜在错误数据集；

C：利用本轮迭代得到的模型参数更新潜在错误数据集中道面数据的标签；

D：将得到的标签与初始类别标签、目标标签或特殊标签进行整合，得到标签集，返回步骤A进行下一轮迭代，直至更新标签比率小于更新占比率。

优选地，在获取道面检测过程中检测到的特殊道面数据之后，还包括：

当更新标签比率小于更新占比率时，人工将损失值大于损失阈值的道面数据加入特殊道面数据。

第二方面，一种具备自主学习快速适应能力的道面检测系统，包括：

移动式道面检测设备：用于采集目标机场的道面数据和待检测道面数据；

云端系统：包括数据库和第一深度学习平台；数据库用于存储云端大数据，云端大数据包括不同机场的道面数据；第一深度学习平台用于获取云端大数据，对云端大数据进行自监督学习和自步学习，得到通用检测模型，并获取道面检测过程中检测到的特殊道面数据，根据特殊道面数据更新通用检测模型；

边端系统，包括运控中心和第二深度学习平台；第二深度学习平台用于利用通用检测模型对目标机场的道面数据进行自步学习，得到目标检测模型；运控中心用于部署目标检测模型，并利用目标检测模型对待检测道面数据进行道面检测，并获取道面检测过程中检测到的特殊道面数据，根据特殊道面数据更新目标检测模型。

由上述技术方案可知，本发明提供的具备自主学习快速适应能力的道面检测方法及系统，能够结合机器学习方法，对少见、难判断、易错的检测环境进行针对性学习，得到适用于不同检测环境下的检测模型，能够快速适应复杂的检测环境，快速完成不同检测环境下机场道面检测的效果。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1为实施例提供的道面检测方法的流程图。

图2为实施例提供的通用检测模型训练方法的流程图。

图3为实施例提供的目标检测模型训练方法的流程图。

图4为实施例提供的通用检测模型和目标检测模型优化方法的流程图。

图5为实施例提供的道面检测系统的模块框图。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

实施例一：

一种具备自主学习快速适应能力的道面检测方法，参见图1，包括：

S1：获取云端大数据；云端大数据包括不同机场的道面数据；

S2：对云端大数据进行自监督学习和自步学习，得到通用检测模型；

S3：采集目标机场的道面数据；

S4：利用通用检测模型对目标机场的道面数据进行自步学习，得到目标检测模型；

S5：获取目标机场的待检测道面数据；

S6：利用目标检测模型对待检测道面数据进行道面检测；

S7：获取道面检测过程中检测到的特殊道面数据，根据特殊道面数据更新目标检测模型；

S8：将特殊道面数据上传至所述云端大数据，更新所述通用检测模型。

在本实施例中，云端大数据可以包括不同机场以往采集到的历史道面数据，该方法对云端大数据进行自主学习，得到适用于不同机场的通用检测模型，提高通用检测模型的适应能力。目标机场为需要检测道面的机场，不同的目标机场为不同的检测环境，例如目标机场的检测环境可以是少见、难判断、易错的检测环境。该方法基于通用检测模型、利用目标机场的道面数据进行自主学习，得到只适用于目标机场的目标检测模型，这样该方法能够积累目标机场的道面数据，利用通用检测模型进行自主学习，训练出更加适用于目标机场的目标检测模型。这样在对目标机场进行道面检测时，利用目标检测模型对目标机场的道面进行检测，提高检测结果的精准度。

该方法能够结合机器学习方法，对少见、难判断、易错的检测环境进行针对性学习，得到适用于不同检测环境下的检测模型，能够快速适应复杂的检测环境，快速完成不同检测环境下机场道面检测的效果。

进一步地，在一些实施例中，参见图2，对云端大数据进行自监督学习和自步学习，得到通用检测模型具体包括：

S11：利用自监督学习对云端大数据的道面数据进行学习，以得到初始类别标签；

S12：利用自步方法对初始类别标签进行训练，得到通用检测模型。

在本实施例中，通用检测模型的训练方法如下：

(1)生成初始类别标签。首先使用自监督方法给云端大数据中的道面数据赋予初始类别标签/>得到道面数据/>的集合X⁰和初始类别标签/>的集合Y⁰，例如，该方法可以采用自编码器等特征提取器A对集合X⁰进行特征提取，基于提取到的特征使用聚类的方法C生成集合Y⁰，其中方法C可以为经典方法或其他识别方法，得到：

其中f_i为第i个道面数据由特征提取器A生成的特征向量，/>则是由特征向量f_i通过方法C生成的初始类别标签。

(2)利用自步学习训练通用检测模型，能够实现在少量标注情况下对大量样本进行学习的功能。由于集合Y⁰可能由于特征深度不足而存在错误标签，所以该方法进行自步学习，对错误标签进行识别纠正，得到通用模型参数

其中，G为自步学习的框架，F为检测模型结构，X⁰为云端大数据的集合，Y⁰为初始类别标签的集合，T⁰为通用时间衰减系数的集合， 为通用时间衰减系数，通用时间衰减系数/>用来衡量道面数据/>的采集时间远近。由于在通用检测模型的训练中，不考虑样本采集日期远近对样本有效性的影响，故/>w₀为自步学习的初始化模型参数。

进一步地，在一些实施例中，参见图3，利用通用检测模型对目标机场的道面数据进行自步学习，得到目标检测模型具体包括：

S21：利用通用检测模型对目标机场的道面数据进行推理，生成目标标签；

S22：利用自步学习对目标标签进行训练，得到目标检测模型。

在本实施例中,目标检测模型的训练方法如下：

(1)采集目标机场的道面数据。目标机场的道面数据的集合/>表示为：记录采集时间/>的集合/>

(2)基于通用检测模型生成目标标签。利用集合和检测模型结构F生成目标标签的集合/>

(3)建立目标时间衰减系数。由于集合中每个样本的采集时间不同，近期采集的样本更贴近目标机场的现状，其指导下训练出的目标检测模型的检测能力也更强。因此，通过样本的采集时间/>建立目标时间衰减系数/>的集合用来衡量采集样本的时效性，方法如下：

其中，i为1～m之间的整数，/>为目标机场中道面数据的采集时间，m为/>的数量；/>为当前时间。由此可见/>会随着/>的差值变小而增大，最大值为1。

(4)利用自步学习训练目标检测模型。利用收集的目标机场的道面数据，对通用检测模型进行自步学习，因为生成的目标标签可能错误，所以进行自步学习，对错误标签进行识别纠正，得到目标模型参数/>

由此可见，目标模型参数是基于通用检测模型/>训练得到的模型。

进一步地，在一些实施例中，参见图4，获取道面检测过程中检测到的特殊道面数据，根据特殊道面数据更新通用检测模型和目标检测模型具体包括：

S31：实时计算道面检测过程的损失函数；

S32：定义将损失函数大于损失函数阈值的待检测道面数据为特殊道面数据，将特殊道面数据添加至特殊样本集合

S33：利用通用检测模型对特殊样本集合中的道面数据进行推理，生成特殊标签；

S34：利用自步学习对特殊标签进行训练，更新目标检测模型。

S35：将特殊样本集合添加至云端大数据，更新通用检测模型。

在本实施例中，该方法在得到目标检测模型后，可以将目标检测模型部署在移动式道面检测设备上，这样移动式道面检测设备在机场道面上移动时，可以采集道面数据，并将道面数据传入目标检测模型，由目标检测模型得出道面检测结果。在使用的过程中，由于积累了大量的本地数据，移动式道面检测设备还可以实时上传道面数据以及对应的检测结果，用于更新目标检测模型和通用检测模型。

在本实施例中，目标检测模型和通用检测模型的更新方法包括以下步骤：

1)识别特殊样本。挑选出道面检测中损失函数较大的样本，标记为特殊样本集合

其中，为特殊样本损失阈值，由人为设定。然后将特殊样本集合/>添加到集合/>中，同时记录特殊样本集合/>对应的采样时间的集合/>这样就可以丰富目标检测模型和通用检测模型的样本集合，使得更新后的目标检测模型和通用检测模型泛化能力较强。

2)目标检测模型和通用检测模型性能更新。利用特殊样本集合和采样时间的集合/>利用自步学习对目标检测模型和通用检测模型进行更新。

进一步地，在一些实施例中，自步学习的框架G包括：

A：利用上一轮迭代得到的模型参数对初始类别标签、目标标签或特殊标签进行训练，得到本轮迭代的模型参数；

B：将本轮迭代过程中损失值大于损失阈值的道面数据加入潜在错误数据集；

C：利用本轮迭代得到的模型参数更新潜在错误数据集中道面数据的标签；

D：将得到的标签与初始类别标签、目标标签或特殊标签进行整合，得到标签集，返回步骤A进行下一轮迭代，直至更新标签比率小于更新占比率。更新标签比率为潜在错误数据集对应的标签数量与标签集的标签数量的比值。

在本实施例中，该方法提供了适用于通用检测模型和目标检测模型的自步学习。该自步学习的框架G包括以下步骤：

1)通过二分量损失函数训练模型。该方法的检测模型结构可以选用二分量损失函数。该方法利用输入的道面数据集合X＝{x₁,x₂,...,x_i,...,x_m}、标签集合和时间衰减系数集合T＝{τ₁,τ₂,...,τ_i,...,τ_m}，基于上一轮迭代得到的模型参数w_t，以最小化二分量损失函数进行模型参数的训练，得到本轮迭代的模型参数w_t+1。其中假如训练的是通用检测模型时，集合X为集合X⁰，集合Y^t为集合Y⁰，集合T为集合T⁰，模型参数w_t为模型参数w₀。假如训练的是目标检测模型时，集合X为集合/>集合Y^t为集合/>集合T为集合/>模型参数w_t为通用检测模型/>假如训练特殊样本集合/>集合X为特殊样本集合/>+集合/>集合Y^t为特殊标签+集合/>集合T为特殊标签时间衰减系数+集合/>模型参数w_t为上一轮迭代得到的目标模型参数。

由此可见，模型参数w_t+1是基于上一轮迭代得到的模型参数w_t训练得到的新的模型参数，二分量损失函数中二分量权重v_i将自主选择学习哪种样本，其计算方法如下：

其中，σ为设定的二分量权重阈值，当损失值L_i大于σ时，说明模型对目标x_i所对应的标签y_i具有分歧，可能为错误标签，则其二分量权重v_i＝0，表示在进行模型参数w_t+1的训练时，不考虑该样本。反之，当损失值L_i小于σ时，说明标签y_i为正确标签，则其二分量权重v_i＝1，表示在进行模型参数w_t+1的训练时，考虑该样本。

(2)记录损失值过大的目标。将所有损失值L_i大于σ的道面数据x_i记录下来，记录第一潜在错误数据集

(3)更新潜在错误数据集中样本标签。基于本轮训练出的模型参数w_t+1对潜在错误数据集/>进行推理，得到标签/>

其中，标签为潜在错误数据集/>中样本x_j的新标签，该方法在本次标签更新中仅针对潜在错误数据集/>中的样本，其他样本的标签保持不变，然后将新的标签和原有不变的标签共同组成新标签集合Y^t+1：

(4)继续迭代训练更新标签，以模型参数w_t+1、道面数据集合X、新标签集合Y^t+1重复执行上述步骤1-3，不断重复训练模型参数、记录潜在错误样本、更新潜在错误样本的标签，直到第t+k次迭代时潜在错误样本对应的标签数量n占标签集中标签数量m的比例少于设定的更新占比率ε：

其中w_t+k为最终的模型参数，记为w；更新占比率ε一般可以设定为1％-5％之间，所以最后得到模型参数w：

w＝w_t+k；

记录模型结构F和模型参数w，完成自主学习。

优选地，在获取道面检测过程中检测到的特殊道面数据之后，还包括：

当更新标签比率小于更新占比率时，人工将损失值大于损失阈值的道面数据加入特殊道面数据。

在本实施例中，该方法还通过人工标注困难样本。当更新标签比率小于更新占比率ε后，人工标注损失值仍大于损失阈值_σ的样本，并与执行检测后发现的特殊样本合并，进行目标检测模型的更新训练，并上传至云端大数据更新通用检测模型。

实施例二：

一种具备自主学习快速适应能力的道面检测系统，参见图5，包括：

移动式道面检测设备3：用于采集目标机场的道面数据和待检测道面数据；

云端系统1：包括数据库和第一深度学习平台；数据库用于存储云端大数据，云端大数据包括不同机场的道面数据；第一深度学习平台用于获取云端大数据，对云端大数据进行自监督学习和自步学习，得到通用检测模型，并获取道面检测过程中检测到的特殊道面数据，根据特殊道面数据更新通用检测模型；

边端系统2，包括运控中心和第二深度学习平台；第二深度学习平台用于利用通用检测模型对目标机场的道面数据进行自步学习，得到目标检测模型；运控中心用于部署目标检测模型，并利用目标检测模型对待检测道面数据进行道面检测，并获取道面检测过程中检测到的特殊道面数据，根据特殊道面数据更新目标检测模型。

在本实施例中，移动式道面检测设备3可以设置可见光传感器、照明设备、移动平台和推理运算平台，其中可见光传感器、照明设备和推理运算平台可以搭载在移动平台上，可见光传感器用于采集道面数据，照明设备用来照明，推理运算平台用来部署目标检测模型，并控制移动平台移动，推理运算平台还可以与云端系统1和边端系统2进行数据传输。

在本实施例中，第一深度学习平台、运控中心和第二深度学习平台可以由一台或多台计算器实现。边端系统2的运控中心还可以供用户查看查询祥光数据。该系统能够结合机器学习方法，对少见、难判断、易错的检测环境进行针对性学习，得到适用于不同检测环境下的检测模型，达到快速适应复杂的检测环境，快速完成不同检测环境下机场道面检测的效果。

本发明实施例所提供的系统，为简要描述，实施例部分未提及之处，可参考前述实施例中相应内容。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (8)

1.一种具备自主学习快速适应能力的道面检测方法，其特征在于，包括：

获取云端大数据；所述云端大数据包括不同机场的道面数据；

对所述云端大数据进行自监督学习和自步学习，得到通用检测模型；

采集目标机场的道面数据；

利用所述通用检测模型对所述目标机场的道面数据进行自步学习，得到目标检测模型；

获取所述目标机场的待检测道面数据；

利用所述目标检测模型对所述待检测道面数据进行道面检测；

获取所述道面检测过程中检测到的特殊道面数据，根据所述特殊道面数据更新所述目标检测模型；

将所述特殊道面数据上传至所述云端大数据，更新所述通用检测模型；

所述通用检测模型包括通用模型参数和检测模型结构F；

所述通用模型参数为：

其中，G为所述自步学习的框架，X⁰为所述云端大数据的集合，Y⁰为初始类别标签的集合，T⁰为通用时间衰减系数的集合，w₀为所述自步学习的初始化参数；

自步学习的框架G包括：

A：利用上一轮迭代得到的模型参数对初始类别标签、目标标签或特殊标签进行训练，得到本轮迭代的模型参数；

B：将本轮迭代过程中损失值大于损失阈值的道面数据加入潜在错误数据集；

C：利用本轮迭代得到的模型参数更新潜在错误数据集中道面数据的标签；

D：将得到的标签与初始类别标签、目标标签或特殊标签进行整合，得到标签集，返回步骤A进行下一轮迭代，直至更新标签比率小于更新占比率。

2.根据权利要求1所述具备自主学习快速适应能力的道面检测方法，其特征在于，对所述云端大数据进行自监督学习和自步学习，得到通用检测模型具体包括：

利用自监督学习对所述云端大数据的道面数据进行学习，以得到初始类别标签；

利用自步学习对所述初始类别标签进行训练，得到所述通用检测模型。

3.根据权利要求1所述具备自主学习快速适应能力的道面检测方法，其特征在于，利用所述通用检测模型对目标机场的道面数据进行自步学习，得到目标检测模型具体包括：

利用所述通用检测模型对所述目标机场的道面数据进行推理，生成目标标签；

利用所述自步学习对所述目标标签进行训练，得到所述目标检测模型。

4.根据权利要求3所述具备自主学习快速适应能力的道面检测方法，其特征在于，所述目标检测模型包括目标模型参数和所述检测模型结构F；

所述目标模型参数为：

其中，G为所述自步学习的框架，为所述目标机场中道面数据的集合，/>为所述目标标签的集合，/>为目标时间衰减系数的集合，/>为所述通用模型参数。

5.根据权利要求4所述具备自主学习快速适应能力的道面检测方法，其特征在于，所述目标时间衰减系数为：

其中，i为_1～m之间的整数，/>为所述目标机场中道面数据的采集时间，_m为/>的数量；/>为当前时间。

6.根据权利要求1所述具备自主学习快速适应能力的道面检测方法，其特征在于，所述获取道面检测过程中检测到的特殊道面数据，根据特殊道面数据更新通用检测模型和目标检测模型具体包括：

实时计算道面检测过程的损失函数；

定义所述损失函数大于损失函数阈值的待检测道面数据为所述特殊道面数据，将所述特殊道面数据添加至特殊样本集合

利用所述通用检测模型对所述特殊样本集合中的道面数据进行推理，生成特殊标签；

利用自步学习对所述特殊标签进行训练，更新所述目标检测模型；

将所述特殊样本集合添加至所述云端大数据，更新所述通用检测模型。

7.根据权利要求1所述具备自主学习快速适应能力的道面检测方法，其特征在于，在所述获取道面检测过程中检测到的特殊道面数据之后，还包括：

当所述更新标签比率小于更新占比率时，人工将所述损失值大于所述损失阈值的道面数据加入所述特殊道面数据。

8.一种具备自主学习快速适应能力的道面检测系统，其特征在于，包括：

移动式道面检测设备：用于采集目标机场的道面数据和待检测道面数据；

云端系统：包括数据库和第一深度学习平台；所述数据库用于存储云端大数据，所述云端大数据包括不同机场的道面数据；所述第一深度学习平台用于获取所述云端大数据，对所述云端大数据进行自监督学习和自步学习，得到通用检测模型，并获取道面检测过程中检测到的特殊道面数据，根据所述特殊道面数据更新所述通用检测模型；

边端系统，包括运控中心和第二深度学习平台；所述第二深度学习平台用于利用所述通用检测模型对所述目标机场的道面数据进行自步学习，得到目标检测模型；所述运控中心用于部署所述目标检测模型，并利用所述目标检测模型对所述待检测道面数据进行道面检测，并获取所述道面检测过程中检测到的特殊道面数据，根据所述特殊道面数据更新所述目标检测模型；

所述通用检测模型包括通用模型参数和检测模型结构F；

所述通用模型参数为：

其中，G为所述自步学习的框架，X⁰为所述云端大数据的集合，Y⁰为初始类别标签的集合，T⁰为通用时间衰减系数的集合，w₀为所述自步学习的初始化参数；

自步学习的框架G包括：

A：利用上一轮迭代得到的模型参数对初始类别标签、目标标签或特殊标签进行训练，得到本轮迭代的模型参数；

B：将本轮迭代过程中损失值大于损失阈值的道面数据加入潜在错误数据集；

C：利用本轮迭代得到的模型参数更新潜在错误数据集中道面数据的标签；

D：将得到的标签与初始类别标签、目标标签或特殊标签进行整合，得到标签集，返回步骤A进行下一轮迭代，直至更新标签比率小于更新占比率。