CN114581711A - 目标对象检测方法、装置、设备、存储介质以及程序产品 - Google Patents

Abstract

本公开提供了一种目标对象检测方法、装置、设备、存储介质以及程序产品，涉及计算机技术领域，尤其涉及计算机视觉、图像识别和深度学习等人工智能领域，具体应用于云计算和智能城市场景下。具体实现方案为：对输入图像进行积水检测，得到初始积水类别；对输入图像进行区域检测，得到积水区域数据；以及根据积水区域数据和初始积水类别，确定目标积水类别。

Description

目标对象检测方法、装置、设备、存储介质以及程序产品

技术领域

本公开涉及计算机技术领域，尤其涉及计算机视觉、图像识别和深度学习等人工智能领域，具体应用于云计算和智能城市场景下，更具体地，涉及一种目标对象检测方法、装置、设备、存储介质以及程序产品。

背景技术

目前，随着互联网和人工智能技术的发展，生活、生产的各个方面正在逐步实现自动化。

发明内容

本公开提供了一种目标对象检测方法、装置、设备、存储介质以及程序产品。

根据本公开的一方面，提供了一种目标对象检测方法，包括对输入图像进行积水检测，得到初始积水类别；对输入图像进行区域检测，得到积水区域数据；以及根据积水区域数据和初始积水类别，确定目标积水类别。

根据本公开的另一方面，提供了一种目标对象检测装置，包括：积水检测模块、区域检测模块以及目标积水类别确定模块，积水检测模块，用于对输入图像进行积水检测，得到初始积水类别；区域检测模块，用于对输入图像进行区域检测，得到积水区域数据；以及目标积水类别确定模块，用于根据积水区域数据和初始积水类别，确定目标积水类别。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器和与所述至少一个处理器通信连接的存储器。其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开实施例的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开实施例的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开实施例的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1示意性示出了根据本公开实施例的目标对象检测方法和装置的系统架构图；

图2示意性示出了根据本公开实施例的目标对象检测方法的流程图；

图3示意性示出了根据本公开实施例的目标对象检测方法的示意图；

图4示意性示出了根据本公开实施例的确定目标积水类别的示意图；

图5示意性示出了根据本公开又一实施例的目标对象检测方法的示意图；

图6示意性示出了根据本公开实施例的目标对象检测装置的框图；以及

图7示意性示出了可以实现本公开实施例的目标对象检测方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

图1示意性示出了根据本公开一实施例的目标对象检测方法和装置的系统架构。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括图像获取设备101、网络102、服务器103和客户端104。网络102用以在图像获取设备101、服务器103以及客户端104之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

图像获取设备101可以包括视频监控设备等。图像获取设备101可以设置在可拍摄到例如道路停车位的位置，图像获取设备101拍摄的视频图像可以经网络102传输至服务器103进行处理。

用户可以使用客户端104与服务器103交互，以接收或发送消息等。客户端104上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

客户端104可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。本公开实施例的客户端104例如可以运行应用程序。

服务器103可以是提供各种服务的服务器，例如对图像获取设备101拍摄的图像或者对用户利用客户端104所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的图像数据或者用户请求数据等进行分析等处理，并将处理结果反馈给客户端。另外，服务器103还可以是云服务器，即服务器103具有云计算功能。

需要说明的是，本公开实施例所提供的目标对象检测方法可以由服务器103执行。相应地，本公开实施例所提供的目标对象检测装置可以设置于服务器103中。本公开实施例所提供的目标对象检测方法也可以由不同于服务器103且能够与客户端104、图像获取设备101和/或服务器103通信的服务器或服务器集群执行。相应地，本公开实施例所提供的目标对象检测装置也可以设置于不同于服务器103且能够与客户端104、图像获取设备101和/或服务器103通信的服务器或服务器集群中。

在一种示例中，服务器103可以通过网络102获取来自图像获取设备101的输入图像，并确定目标积水类别。

应该理解，图1中的客户端、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的客户端、网络和服务器。

应注意，本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

本公开实施例提供了一种目标对象检测方法，下面结合图1的系统架构，参考图2～图5来描述根据本公开示例性实施方式的目标对象检测方法。本公开实施例的目标对象检测方法例如可以由图1所示的服务器103来执行。

图2示意性示出了根据本公开一实施例的目标对象检测方法的流程图。

如图2所示，本公开实施例的目标对象检测方法200例如可以包括操作S210～操作S230。

在操作S210，对输入图像进行积水检测，得到初始积水类别。

输入图像可以显示待检测积水状况的环境范围。

示例性地，初始积水类别可以表征输入图像中环境的积水程度。

在操作S220，对输入图像进行区域检测，得到积水区域数据。

在操作S230，根据积水区域数据和初始积水类别，确定目标积水类别。

环境的积水状况对于正常生产、生活等具有较大影响。例如，道路严重积水会影响正常出行，还可能破坏公共设施等。

在一些情况下，初始积水类别可能并不准确。可以理解，环境的积水程度与积水区域存在相互影响的关系。例如，环境中不存在积水时，也不会存在积水区域。本公开实施例的目标对象检测方法，可以利用积水区域数据与初始积水类别这两种与积水相关的检测结果，准确确定目标积水类别，具有更高的检测效率。

图3示意性示出了根据本公开实施例的目标对象检测方法300的示意图。

如图3所示，本公开实施例的目标对象检测方法300包括：操作S310～操作S330。

在操作S310，对输入图像301进行积水检测，得到初始积水类别302。

在操作S320，对输入图像301进行区域检测，得到积水区域数据303。

在操作S330，根据积水区域数据303和初始积水类别302，确定目标积水类别304。

图4示意性示出了根据本公开一实施例的确定目标积水类别的示意图。

如图4所示，根据本公开实施例的目标对象检测方法，积水区域数据可以包括积水区域面积，操作S430的根据积水区域数据和初始积水类别，确定目标积水类别可以包括以下操作。

根据积水区域面积402与基准区域面积的参考比值404，对初始积水类别407进行修正，得到目标积水类别408。

基准区域面积通过对输入图像401进行区域检测得到，基准区域面积可以包括：道路区域面积403。

可以理解，环境的积水程度与积水区域的覆盖范围相关。例如，积水程度越严重，积水区域的覆盖范围更大。在本公开实施例的目标对象检测方法，利用积水区域面积402与基准区域面积的参考比值404可以表示积水的覆盖范围。

检测积水区域的面积相比于检测积水区域的深度等其他类型的参数更加便捷和准确。本公开实施例的目标对象检测方法，通过利用积水区域面积402与基准区域面积的参考比值404，对初始积水类别进行修正，可以高效、准确地确定目标积水类别。

示例性地，基准区域面积还可以包括输入图像显示的环境的面积。例如，输入图像显示的内容为工厂某一区域，该区域可以包括道路区域、生产设备区域，则基准区域面积可以包括道路区域面积和生产设备区域面积两者。

如图4所示，根据本公开实施例的目标对象检测方法，根据积水区域面积与基准区域面积的参考比值，对初始积水类别进行修正，得到目标积水类别可以包括操作S431～操作S432。

在操作S431，根据参考比值404，确定多个阈值范围405中与参考比值404对应的目标阈值范围406。

多个阈值范围405分别与多个积水类别相对应。

示例性地，积水类别可以包括以下四个类别：干燥、湿滑、轻度积水以及重度积水。各个积水类别分别对应一个阈值范围405。例如，干燥与阈值范围I1对应，湿滑与阈值范围I2对应，轻度积水与阈值范围I3对应，重度积水与阈值范围I4对应。阈值范围I1的数值可以为0，阈值范围I2的数值可以为大于0且小于等于0.3，阈值范围I3的数值可以为大于0.3且小于等于0.65，阈值范围I4的数值可以为大于0.65且小于等于1。

在操作S432，在初始积水类别407与目标阈值范围406不对应的情况下，根据与目标阈值范围406对应的积水类别，确定目标积水类别408。

仍以上述的积水类别包括四个类别为例，可以理解，初始积水类别407为上述四个积水类别中的一个，目标阈值范围406为上述四个阈值范围中的一个。

本公开实施例的目标对象检测方法，可以利用相对应的多个阈值范围405和多个积水类别作为参考标准，根据参考比值404确定相应的目标阈值范围406，根据不对应的初始积水类别与目标阈值范围406，可以确定初始积水类别分类不准确，并以目标阈值范围406对应的积水类别对不准确的初始积水类别进行修正，可以准确、高效地确定目标积水类别。

图5示意性示出了根据本公开一实施例的目标对象检测方法的示意图。

如图5所示，根据本公开实施例的目标对象检测方法500，可以根据输入图像501，确定道路502的道路区域面积，还可以分别确定积水区域A1和积水区域A2的积水区域面积。根据积水区域A1、积水区域A2的积水区域面积之和与道路区域面积，确定参考比值。

仍以上述多个阈值范围(阈值范围I1至阈值范围I4)为例。例如，在参考比值为0.2、初始积水类别为干燥的情况下，可以确定与参考比值0.2对应的目标参考阈值范围为阈值范围I2，干燥这一初始积水类别与目标阈值范围不对应(干燥这一初始积水类别与阈值范围I1对应)，由此可以根据与目标阈值范围(即阈值范围I2)对应的积水类别(即湿滑)，确定目标积水类别为湿滑。

示例性地，根据本公开实施例的目标对象检测方法，对输入图像进行积水检测，得到积水类别可以包括以下操作。

根据残差网络模型对输入图像进行积水检测，得到初始积水类别。

残差网络(Residual Network，即ResNet)包括多个连接的残差块，有助于加深网络的同时提升网络的性能，通过残差网络模型对输入图像进行积水检测，可以获得更加准确的初始积水类别。

存在以下一种情况：重度积水这一积水类别的训练样本数量远小于干燥、湿滑、轻度积水这些积水类别的训练样本数量，因此，训练样本不均衡，训练样本不均衡可能会影响残差网络模型对输入图像进行积水检测的准确性。

示例性地，在对残差网络模型进行训练时，可以对训练集的训练样本进行均衡处理。均衡处理可以包括：每个训练集包括相同比例的多种积水等级的训练样本。通过对训练集的训练样本进行均衡处理，可以避免因训练样本不均衡影响残差网络模型分类准确性。

示例性地，根据本公开实施例的目标对象检测方法，对输入图像进行区域检测，得到积水区域可以包括以下操作。

根据实例分割模型对输入图像进行区域检测，得到积水区域数据。

示例性地，实例分割模型可以包括Mask-R-CNN模型。Mask-R-CNN，即Mask-Region-Convolutional Neural Network，掩膜-候选区域卷积神经网络。

示例性地，根据本公开实施例的目标对象检测方法还可以包括以下操作。

对输入图像进行预处理，预处理包括以下中的至少一个：归一化、正则化以及缩放。

本公开实施例的目标对象检测方法，可以通过对输入图像进行预处理，避免输入图像对残差网络模型进行积水检测或者实例分割模型进行区域检测产生干扰或者例如过拟合等其他不利的影响。

示例性地，缩放可以是将输入图像缩放为224*225或者800*800的尺寸。归一化可以是对输入图像的像素值除以255。正则化可以是对经过归一化的输入图像的像素值减去均值以及除以方差。均值的数值可以包括0.485、0.456以及0.406，方差的数值可以包括0.229、0.225以及0.225。

图6示意性示出了根据本公开一实施例的目标对象检测装置的框图。

如图6所示，本公开实施例的目标检测装置600例如包括积水检测模块610、区域检测模块620以及目标积水类别确定模块630。

积水检测模块610，用于对输入图像进行积水检测，得到初始积水类别。

区域检测模块620，用于对输入图像进行区域检测，得到积水区域数据。

目标积水类别确定模块630，用于根据积水区域数据和初始积水类别，确定目标积水类别。

根据本公开实施例，积水区域数据包括积水区域面积，目标积水类别确定模块可以包括：目标积水类别确定子模块。

目标积水类别确定子模块，可以用于根据积水区域面积与基准区域面积的参考比值，对初始积水类别进行修正，得到目标积水类别。其中，基准区域面积通过对输入图像进行区域检测得到，基准区域面积包括：道路区域面积。

根据本公开实施例，目标积水类别确定子模块可以包括：目标阈值范围确定单元和目标积水类别确定单元。

目标阈值范围确定单元，可以用于根据参考比值，确定多个阈值范围中与参考比值对应的目标阈值范围，其中，多个阈值范围分别与多个积水类别相对应。

目标积水类别确定单元，可以用于在初始积水类别与目标阈值范围不对应的情况下，根据与目标阈值范围对应的积水类别，确定目标积水类别。

根据本公开实施例，积水检测模块可以包括：积水检测子模块。

积水检测子模块，可以用于根据残差网络模型对输入图像进行积水检测，得到初始积水类别。

积水检测子模块，区域检测模块可以包括：区域检测子模块。

区域检测子模块，可以用于根据实例分割模型对输入图像进行区域检测，得到积水区域数据。

根据本公开实施例的目标对象检测装置，还可以包括：预处理模块。

预处理模块，可以用于对输入图像进行预处理，预处理包括以下中的至少一个：归一化、正则化以及缩放。

应该理解，本公开装置部分的实施例与本公开方法部分的实施例对应相同或类似，所解决的技术问题和所达到的技术效果也对应相同或类似，本公开在此不再赘述。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如目标对象检测方法。例如，在一些实施例中，目标对象检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的目标对象检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行目标对象检测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (15)

1.一种目标对象检测方法，包括：

对输入图像进行积水检测，得到初始积水类别；

对输入图像进行区域检测，得到积水区域数据；以及

根据所述积水区域数据和所述初始积水类别，确定目标积水类别。

2.根据权利要求1所述的方法，其中，所述积水区域数据包括积水区域面积，所述根据所述积水区域数据和所述初始积水类别，确定目标积水类别包括：

根据所述积水区域面积与基准区域面积的参考比值，对所述初始积水类别进行修正，得到所述目标积水类别，

其中，所述基准区域面积通过对所述输入图像进行区域检测得到，所述基准区域面积包括：道路区域面积。

3.根据权利要求2所述的方法，其中，所述根据所述积水区域面积与基准区域面积的参考比值，对所述初始积水类别进行修正，得到所述目标积水类别包括：

根据所述参考比值，确定多个阈值范围中与所述参考比值对应的目标阈值范围，其中，所述多个阈值范围分别与多个积水类别相对应；以及

在所述初始积水类别与所述目标阈值范围不对应的情况下，根据与所述目标阈值范围对应的积水类别，确定所述目标积水类别。

4.根据权利要求1-3中任一项所述的方法，其中，所述对输入图像进行积水检测，得到积水类别包括：

根据残差网络模型对所述输入图像进行积水检测，得到所述初始积水类别。

5.根据权利要求1-3中任一项所述的方法，其中，所述对输入图像进行区域检测，得到积水区域包括：

根据实例分割模型对所述输入图像进行区域检测，得到所述积水区域数据。

6.根据权利要求1-3中任一项所述的方法，还包括：

对所述输入图像进行预处理，所述预处理包括以下中的至少一个：归一化、正则化以及缩放。

7.一种目标对象检测装置，包括：

积水检测模块，用于对输入图像进行积水检测，得到初始积水类别；

区域检测模块，用于对输入图像进行区域检测，得到积水区域数据；以及

目标积水类别确定模块，用于根据所述积水区域数据和所述初始积水类别，确定目标积水类别。

8.根据权利要求7所述的装置，其中，所述积水区域数据包括积水区域面积，所述目标积水类别确定模块包括：

目标积水类别确定子模块，用于根据所述积水区域面积与基准区域面积的参考比值，对所述初始积水类别进行修正，得到所述目标积水类别，

其中，所述基准区域面积通过对所述输入图像进行区域检测得到，所述基准区域面积包括：道路区域面积。

9.根据权利要求8所述的装置，其中，目标积水类别确定子模块包括：

目标阈值范围确定单元，用于根据所述参考比值，确定多个阈值范围中与所述参考比值对应的目标阈值范围，其中，所述多个阈值范围分别与多个积水类别相对应；以及

目标积水类别确定单元，用于在所述初始积水类别与所述目标阈值范围不对应的情况下，根据与所述目标阈值范围对应的积水类别，确定所述目标积水类别。

10.根据权利要求7-9中任一项所述的装置，其中，所述积水检测模块包括：

积水检测子模块，用于根据残差网络模型对所述输入图像进行积水检测，得到所述初始积水类别。

11.根据权利要求7-9中任一项所述的装置，其中，所述区域检测模块包括：

区域检测子模块，用于根据实例分割模型对所述输入图像进行区域检测，得到所述积水区域数据。

12.根据权利要求7-9中任一项所述的装置，还包括：

预处理模块，用于对所述输入图像进行预处理，所述预处理包括以下中的至少一个：归一化、正则化以及缩放。

13.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。

15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。

Images