CN116051954A - 图像检测模型训练方法、图像检测方法、装置和介质 - Google Patents

图像检测模型训练方法、图像检测方法、装置和介质 Download PDF

Info

Publication number
CN116051954A
CN116051954A CN202211646227.4A CN202211646227A CN116051954A CN 116051954 A CN116051954 A CN 116051954A CN 202211646227 A CN202211646227 A CN 202211646227A CN 116051954 A CN116051954 A CN 116051954A
Authority
CN
China
Prior art keywords
energy
image detection
color image
pseudo
detection model
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
CN202211646227.4A
Other languages
English (en)
Inventor
柳传炜
熊剑平
伍敏
蔡丹枫
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology Co Ltd
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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202211646227.4A priority Critical patent/CN116051954A/zh
Publication of CN116051954A publication Critical patent/CN116051954A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种图像检测模型训练方法、图像检测方法、装置、电子装置和存储介质，其中，该图像检测模型训练方法包括：获取目标对象的能量图像，以及目标对象的伪彩色图像；将能量图像输入训练好的能量图检测模型中，得到能量图检测结果；将伪彩色图像输入待训练伪彩图检测模型中，得到伪彩图检测结果；基于能量图检测结果以及伪彩图检测结果，对待训练伪彩图检测模型进行训练。通过本申请，解决了图像检测模型的检测结果准确度低的问题，提高了图像检测模型训练的精度，进而提高了图像检测结果的准确度。

Description

图像检测模型训练方法、图像检测方法、装置和介质
技术领域
本申请涉及图像检测技术领域，特别是涉及一种图像检测模型训练方法、图像检测方法、装置、电子装置和存储介质。
背景技术
安全检查是人们日常生活中不可缺少的一环，在城市的轨道交通、机场、物流快递中心、大型活动现场等人员密集的区域，安全检查是防止突发情况的有效手段。
现有的安检机通常是利用X射线穿过物体后在探测板上进行物品成像，从而得到物品的X光伪彩色图像。进一步地，将X光伪彩色图像作为训练图像，对神经网络模型进行训练，得到训练好的图像检测模型。但X光伪彩色图像并不能准确地表征物品的特征信息，使物品特征信息产生损失，将物品特征信息有损失的X光伪彩色图像作为训练图像，对神经网络模型进行训练得到的图像检测模型，在用于对物品进行安全检测时，容易使物品检测结果的准确度较低，特别是对多个物品堆叠的情况下得到的X光伪彩色图像进行检测时，图像检测模型的检测结果的准确度更低，从而影响安全检测的效果。
针对相关技术中存在图像检测模型的检测结果准确度低的问题，目前还没有提出有效的解决方案。
发明内容
在本实施例中提供了一种图像检测模型训练方法、图像检测方法、装置、电子装置和存储介质，以解决相关技术中图像检测模型的检测结果准确度低的问题。
第一个方面，在本实施例中提供了一种图像检测模型训练方法，包括：
获取目标对象的能量图像，以及所述目标对象的伪彩色图像；
将所述能量图像输入训练好的能量图检测模型中，得到能量图检测结果；
将所述伪彩色图像输入待训练伪彩图检测模型中，得到伪彩图检测结果；
基于所述能量图检测结果以及所述伪彩图检测结果，对所述待训练伪彩图检测模型进行训练。
在其中的一些实施例中，所述能量图检测结果包括所述目标对象的第一位置信息，所述伪彩图检测结果包括所述目标对象的第二位置信息，所述基于所述能量图检测结果以及所述伪彩图检测结果，对所述待训练伪彩图检测模型进行训练，包括：
确定所述第一位置信息与所述第二位置信息之间的偏移度；
基于所述偏移度确定所述待训练伪彩图检测模型的损失值；
基于所述损失值调整所述待训练伪彩图检测模型的模型参数，得到目标伪彩图检测模型。
在其中的一些实施例中，所述伪彩图检测结果还包括所述目标对象的检测类别，所述基于所述偏移度确定所述待训练伪彩图检测模型的损失值，包括：
获取所述目标对象的参考位置信息以及参考类别；
基于所述参考位置信息确定所述第二位置信息的位置损失值；
基于所述参考类别确定所述检测类别的类别损失值；
基于所述偏移度、所述位置损失值以及所述类别损失值，确定所述待训练伪彩图检测模型的损失值。
在其中的一些实施例中，所述第一位置信息包括所述目标对象对应的第一检测框的第一中心位置，以及所述第一检测框的N个第一边界位置，所述第二位置信息包括所述目标对象对应的第二检测框的第二中心位置，以及所述第二检测框的N个第二边界位置，所述确定所述第一位置信息与所述第二位置信息之间的偏移度，包括：
基于所述第一中心位置到第一目标边界位置的第一距离，确定所述第一目标边界位置的第一概率分布函数，所述第一目标边界位置为N个所述第一边界位置中的任意一个，N为大于或等于3的正整数；
基于所述第二中心位置到第二目标边界位置的第二距离，确定所述第二目标边界位置的第二概率分布函数，所述第二目标边界位置与所述第一目标边界位置对应；
基于所述第一概率分布函数与所述第一概率分布函数之间的散度，确定所述第一目标边界位置与所述第二目标边界位置的偏移度；
基于所有第一边界位置与对应的第二边界位置的偏移度，确定所述第一位置信息与所述第二位置信息之间的偏移度。
在其中的一些实施例中，所述获取目标对象的能量图像，包括：
根据第一能量源透过所述目标对象的能量，确定第一能量图；
根据第二能量源透过所述目标对象的能量，确定第二能量图，所述第一能量源的能量值高于所述第二能量源的能量值；
根据所述第一能量图以及所述第二能量图确定所述目标对象的能量图像。
在其中的一些实施例中，所述根据所述第一能量图以及所述第二能量图确定所述目标对象的能量图像，包括：
根据所述第一能量图以及所述第二能量图确定所述目标对象的等效原子序数图；
将所述第一能量图、所述第二能量图以及所述等效原子序数图在通道维度上进行拼接，得到所述目标对象的能量图像。
在其中的一些实施例中，在所述将所述第一能量图、所述第二能量图以及所述等效原子序数图在通道维度上进行拼接，得到所述目标对象的能量图像之前，还包括：
分别对所述第一能量图、所述第二能量图以及所述等效原子序数图进行归一化处理。
第二个方面，在本实施例中提供了一种图像检测方法，包括：
获取待检测的伪彩色图像；
将所述待检测的伪彩色图像输入目标伪彩图检测模型中，得到所述待检测的伪彩色图像的检测结果，其中，所述目标伪彩图检测模型是通过上述第一方面任一项所述的图像检测模型训练方法得到的。
第三个方面，在本实施例中提供了图像检测模型训练装置，包括：
获取模块，用于获取目标对象的能量图像，以及所述目标对象的伪彩色图像；
第一检测模块，用于将所述能量图像输入训练好的能量图检测模型中，得到能量图检测结果；
第二检测模块，用于将所述伪彩色图像输入待训练伪彩图检测模型中，得到伪彩图检测结果；
训练模块，用于基于所述能量图检测结果以及所述伪彩图检测结果，对所述待训练伪彩图检测模型进行训练。
第四个方面，在本实施例中提供了一种电子装置，包括存储器、处理器以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第一个方面任一项或第二方面所述的方法。
第五个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面任一项或第二方面所述的方法。
与相关技术相比，在本实施例中提供的图像检测模型训练方法，通过获取目标对象的能量图像，以及伪彩色图像，将能量图像输入训练好的能量图检测模型中，从而得到准确的能量图检测结果，将伪彩色图像输入待训练伪彩图检测模型中，得到伪彩图检测结果，进一步地，根据能量图检测结果以及伪彩色图检测结果对待训练伪彩图检测模型，从而使准确地能量图检测结果对伪彩色图检测结果进行监督，从而便于根据监督结果对待训练伪彩图检测模型进行训练，通过该种方式对待训练伪彩图检测模型进行监督训练，不仅使待训练伪彩图检测模型学习到伪彩色图像中的特征信息，而且能够将训练好的能量图检测模型，从能量图像中学习到的细节信息传递给待训练伪彩图检测模型，进而丰富了待训练伪彩图检测模型在训练过程中学习的细节信息，提高了待训练伪彩图检测模型训练的精度，进一步地，通过该方式得到的目标伪彩图检测模型进行图像检测时，能够有效地提高图像检测结果的准确度。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本申请实施例提供的一种图像检测模型训练方法应用场景示意图；
图2是本申请实施例提供的一种图像检测模型训练方法的流程图；
图3是本申请实施例提供的一种图像检测模型训练的实施例图；
图4是本申请实施例提供的一种待训练待伪彩图检测模型的损失值生成示意图；
图5是本申请实施例提供的一种图像检测模型训练装置的结构框图；
图6是本申请实施例提供的一种计算机设备的内部结构示意图。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。
除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元)，而可包括未列出的步骤或模块(单元)，或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。
本申请实施例提供的图像检测模型训练方法，可以应用于如图1所示的应用场景中，图1是本申请实施例提供的一种图像检测模型训练方法应用场景示意图，其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104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。
安全检查是人们日常生活中不可缺少的一环，在城市的轨道交通、机场、物流快递中心、大型活动现场等人员密集的区域，安全检查是防止突发情况的有效手段。
在安全检查中，普遍采用X光对箱包、行李等物品进行检测。X光具有穿透性，对不同密度和厚度的物质有不同的穿透能力。X光在穿透物体的过程中，物质对X光的吸收程度不一样，穿越的X光能量就有强弱之分，通过计算机将穿透的能量处理成肉眼可见的伪彩色图像，就能够显示出被穿越物体的结构来。
现有的基于神经网络模型进行安全检测的方法大多将X光伪彩色图像作为训练图像，对神经网络进行训练，得到训练好的图像检测模型。但X光伪彩色图像是对X光能量的近似，并不能准确地表征物品的特征信息，使物品特征信息产生损失，尤其在多个物体叠加的复杂场景下，物体间的结构将无法准确区分，物品的特征信息损失更加严重，将物品特征信息有损失的X光伪彩色图像作为训练图像，对神经网络模型进行训练得到的图像检测模型，在用于对物品进行安全检测时，容易使物品检测结果的准确度较低，特别是对多个物品堆叠的情况下得到的X光伪彩色图像进行检测时，图像检测模型的检测结果的准确度更低，从而影响安全检测的效果。
因此，如何提高图像检测模型的检测结果的准确度，是一个需要解决的问题。
在本实施例中提供了一种图像检测模型训练方法，图2是本申请实施例提供的一种图像检测模型训练方法的流程图，该方法的执行主体可以是电子装置，可选的，电子装置可以是服务器，也可以是终端，但本申请不限于此。具体的，如图2所示，该流程包括如下步骤：
步骤S201，获取目标对象的能量图像，以及目标对象的伪彩色图像。
示例性地，在安全检查场景中，通过X光安检机图像采集设备采集X光透过目标对象的能量，并根据透过目标对象的能量得到能量图像，进一步地，通过X光成像渲染算法对该能量图进行渲染，得到目标对象的伪彩色图像，从而使电子装置获取到目标对象的能量图像以及伪彩色图像。
需要说明的是，目标对象可以是安全检查场景中的包裹、行李等物品。并且，本申请能量图像仅以根据安全检查场景中的X光透过目标对象的能量得到的为例进行说明，在实际应用中，能量图像也可以是CT扫描设备中的探测单元接收的透过目标对象的能量生成的，也可以是其他设备中的探测单元接收的透过目标对象的能量生成的，在此不做限制。
步骤S202，将能量图像输入训练好的能量图检测模型中，得到能量图检测结果。
步骤S203，将伪彩色图像输入待训练伪彩图检测模型中，得到伪彩图检测结果。
步骤S204，基于能量图检测结果以及伪彩图检测结果，对待训练伪彩图检测模型进行训练。
示例性地，将能量图像输入训练好的能量图检测模型中，得到能量图检测结果，将伪彩色图像输入待训练伪彩图检测模型中，得到伪彩图检测结果。
进一步地，根据能量图检测结果以及伪彩图检测结果对待训练伪彩图检测模型进行训练，具体的，根据能量图检测结果对伪彩图检测结果进行监督，并根据监督结果对待训练伪彩图检测模型进行训练，并循环上述步骤S201至步骤S204，直至待训练伪彩图检测模型收敛，从而得到目标伪彩图检测模型。
需要说明的是，在本申请实施例在循环上述步骤S201至步骤S204的过程中，目标对象可以相同，也可以不同，在此不做限制。
在上述实现过程中，将能量图像输入训练好的能量图检测模型中，得到能量图检测结果，从而确保了能量图检测结果的准确性，进一步地，根据能量图检测结果对伪彩图检测结果进行监督，并根据监督结果对待训练伪彩图检测模型进行训练，不仅使待训练伪彩图检测模型学习到伪彩色图像中的特征信息，而且将训练好的能量图检测模型，从能量图像中学习到的细节信息传递给待训练伪彩图检测模型，进而丰富了待训练伪彩图检测模型在训练过程中学习的细节信息，提高了待训练伪彩图检测模型训练的精度和鲁棒性，进而通过该方式得到的目标伪彩图检测模型进行图像检测时，尤其在对多个物品堆叠的复杂场景进行物品检测，能够有效地提高物品检测的准确度。避免了现有技术中，仅将X光伪彩色图像作为训练图像，得到的图像检测模型，在实际应用时会由于安检机设备中X光成像渲染算法的不同而使X光伪彩色图像呈现出风格多样的画面效果，从而训练得到的图像检测模型的通用性较差，本申请通过能量图检测结果对伪彩图检测结果进行监督得到的目标伪彩图检测模型能够适用于不同的安检机设备，提高了目标伪彩图检测模型的适配性。
在其中的一些实施例中，能量图检测结果包括目标对象的第一位置信息，伪彩图检测结果包括目标对象的第二位置信息，基于能量图检测结果以及伪彩图检测结果，对待训练伪彩图检测模型进行训练，可以包括如下步骤：
步骤1：确定第一位置信息与第二位置信息之间的偏移度。
步骤2：基于偏移度确定待训练伪彩图检测模型的损失值。
步骤3：基于损失值调整待训练伪彩图检测模型的模型参数，得到目标伪彩图检测模型。
示例性地，能量图检测结果包括目标对象在能量图像中的第一位置信息，伪彩图检测结果包括目标对象在伪彩色图像中的第二位置信息，进一步地，以第一位置信息为参考，确定第一位置信息与第二位置信息之间的偏移度。
进一步地，根据第一位置信息与第二位置信息之间的偏移度确定待训练伪彩图检测模型的损失值，具体的，可以将该偏移度确定为待训练伪彩图检测模型的损失值。
进一步地，根据待训练伪彩图检测模型的损失值，通过反向传播算法对待训练伪彩图检测模型的模型参数进行迭代更新，直至待训练伪彩图检测模型收敛，从而得到目标伪彩图检测模型。
在上述实现过程中，由于第一位置信息是根据训练好的能量图检测模型得到的，因此，以第一位置信息为参考，可确定出第一位置信息与第二位置信息之间的偏移度，从而可根据该偏移度确定出待训练伪彩图检测模型在位置检测过程中的损失值，进一步地，根据该损失值对待训练伪彩图检测模型的模型参数进行调整，可得到目标伪彩图检测模型，进而可以提高目标伪彩图检测模型对图像位置检测的准确度。
在其中的一些实施例中，伪彩图检测结果还包括目标对象的检测类别，基于偏移度确定待训练伪彩图检测模型的损失值，可以包括如下步骤：
步骤1：获取目标对象的参考位置信息以及参考类别。
步骤2：基于参考位置信息确定第二位置信息的位置损失值。
步骤3：基于参考类别确定检测类别的类别损失值。
步骤4：基于偏移度、位置损失值以及类别损失值，确定待训练伪彩图检测模型的损失值。
示例性地，在将伪彩色图像输入待训练伪彩图检测模型之前，可以对伪彩色图像进行标注，得到伪彩色图像中目标对象的参考位置，以及参考类别，从而可使电子装置获取到目标对象的参考位置信息以及参考类别。
进一步地，根据参考位置信息确定第二位置信息的位置损失值，根据参考类别确定检测类别的类别损失值。
进一步地，根据偏移度、位置损失值以及类别损失值确定待训练伪彩图检测模型的损失值，具体的，可以将偏移度、位置损失值以及类别损失值的加权求和值，确定为待训练伪彩图检测模型的总损失值，也可以将偏移度、位置损失值以及类别损失值的平均值，确定为待训练伪彩图检测模型的总损失值，也可以将偏移度、位置损失值以及类别损失值的加权平均值，确定为待训练伪彩图检测模型的总损失值。
进一步地，根据确定的总损失值，通过反向传播算法迭代更新待训练伪彩图检测模型的模型参数，得到目标伪彩图检测模型。
需要说明的是，在本申请实施例中，当需要根据偏移度、位置损失值以及类别损失值对应的权重参数确定总损失值时，偏移度、位置损失值以及类别损失值对应的权重参数可以是预设的，也可以根据迭代次数进行调整，在此不做限制。
在上述实现过程中，根据第一位置信息与第二位置信息之间的偏移度、待训练伪彩图检测模型的位置损失值和类别损失值，共同确定待训练伪彩图检测模型的总损失值，不仅将训练好的能量图检测模型，从能量图像中学习到的位置特征信息传递给待训练伪彩图检测模型，而且也能够学习到伪彩色图像中的特征信息，提高了待训练伪彩图检测模型训练的精确度。
作为另一种实施例，能量图检测结果可以包括目标对象的目标类别，以及目标对象的在能量图像中的目标位置。伪彩图检测结果可以包括目标对象的检测类别，以及目标对象的在伪彩色图像中的检测位置。
根据目标类别对检测类别进行监督，得到类别损失值，根据目标位置对检测位置进行监督，得到位置损失值，进一步地，根据类别损失值与位置损失值之间的加权求和值，得到待训练伪彩图检测模型的总损失值，进一步地，根据该总损失值，通过反向传播算法迭代更新待训练伪彩图检测模型的模型参数，得到目标伪彩图检测模型。
作为另一种实施例，根据目标类别对检测类别进行监督，得到第一类别损失值，根据参考类别对检测类别进行监督，得到第二类别损失值；根据第一位置信息对第二位置信息进行监督，得到第一位置损失值，根据参考位置信息对第二信息进行监督，得到第二位置损失值。进一步地，将第一类别损失值、第二类别损失值、第一位置损失值以及第二位置损失值的加权求和值，确定为待训练伪彩图检测模型的总损失值，进一步地，根据该总损失值，通过反向传播算法迭代更新待训练伪彩图检测模型的模型参数，得到目标伪彩图检测模型。
在其中的一些实施例中，第一位置信息包括目标对象对应的第一检测框的第一中心位置，以及第一检测框的N个第一边界位置，第二位置信息包括目标对象对应的第二检测框的第二中心位置，以及第二检测框的N个第二边界位置，确定第一位置信息与第二位置信息之间的偏移度，可以包括如下步骤：
步骤1：基于第一中心位置到第一目标边界位置的第一距离，确定第一目标边界位置的第一概率分布函数，第一目标边界位置为N个第一边界位置中的任意一个，N为大于或等于3的正整数。
步骤2：基于第二中心位置到第二目标边界位置的第二距离，确定第二目标边界位置的第二概率分布函数，第二目标边界位置与第一目标边界位置对应。
步骤3：基于第一概率分布函数与第一概率分布函数之间的散度，确定第一目标边界位置与第二目标边界位置的偏移度。
步骤4：基于所有第一边界位置与对应的第二边界位置的偏移度，确定第一位置信息与第二位置信息之间的偏移度。
示例性地，第一位置信息可以包括目标对象对应的第一检测框的第一中心位置，以及第一检测框的N个第一边界位置，第二位置信息包括目标对象对应的第二检测框的第二中心位置，以及第二检测框的N个第二边界位置。
具体的，第一检测框可以是能量图像中目标对象的第一最小外接矩形框，第一中心位置则为第一最小外接矩形框的中心点，当第一检测框为矩形时，N＝4，则第一检测框的N个第一边界位置可以是指第一最小外接矩形框的四条边界；第二检测框可以是伪彩色图像中目标对象的第二最小外接矩形框，第二中心位置则为第二最小外接矩形框的中心点，第二检测框的N个第二边界位置可以是指第二最小外接矩形框的四条边界。
若第一目标边界位置是第一最小外接矩形框的上边界，则第一距离为第一最小外接矩形框的中心点到上边界的距离。与第一目标位置对应的第二目标边界位置可以是指第二最小外接矩形框的上边界。
进一步地，最小外接矩形框的中心点到最小外接矩形框的边界的距离可以表示为：
B＝{t,b,l,r}                        (1)
其中，t为中心点到上边界的距离，b为中心点到下边界的距离，l为中心点到左边界的距离，r为中心点到右边界的距离。
进一步地，对中心点到任意一条边界的距离y∈B建模成概率分布函数P(x)，具体的，该概率分布函数可以是一般分布函数，则概率分布函数可以表示为如下的积分形式：
Figure BDA0004009593940000101
以中心点到上边界的距离t为例，在对待训练伪彩图检测模型进行训练过程中，根据当前次训练得到的t与当前次之前所有次训练得到的t，确定中心点到上边界的距离的平均值和方差，从而构建出中心点到上边界的距离的概率分布函数P(xt)。
因此，通过上述方式可以确定出：第一最小外接矩形框的中心点到第一最小外接矩形框的上边界的距离的概率分布函数为P1(xt)，第二最小外接矩形框的中心点到第二最小外接矩形框的上边界的距离的概率分布函数为P2(xt)，第一最小外接矩形框的中心点到第一最小外接矩形框的下边界的距离的概率分布函数为P1(xb)，第二最小外接矩形框的中心点到第二最小外接矩形框的下边界的距离的概率分布函数为P2(xb)，第一最小外接矩形框的中心点到第一最小外接矩形框的左边界的距离的概率分布函数为P1(xl)，第二最小外接矩形框的中心点到第二最小外接矩形框的左边界的距离的概率分布函数为P2(xl)，第一最小外接矩形框的中心点到第一最小外接矩形框的右边界的距离的概率分布函数为P1(xr)，第二最小外接矩形框的中心点到第二最小外接矩形框的右边界的距离的概率分布函数为P2(xr)。
需要说明的是，本申请实施例中仅以检测框是矩形为例进行说明，在实际应用中，检测框也可以是三角形、也可以是五边形、也可以是六边形，可以是其他多边形，在此不做限制。
进一步地，根据第一概率分布函数对第二概率分布函数的相对熵，确定第一概率分布函数与第一概率分布函数之间的散度，则第一概率分布函数与第一概率分布函数之间的散度可以通过如下表达式确定：
LKL(P1(x),P2(x))＝DKL(P1(x)||P2(x))               (3)
其中，P1(x)表示第一概率分布函数，P2(x)表示第二概率分布函数，LKL(P1(x),2(x))表示第一概率分布函数与第一概率分布函数之间的散度，DKL(P1(x)||2(x))表示第一概率分布函数对第二概率分布函数的相对熵。
进一步地，第一概率分布函数与第一概率分布函数之间的散度越小，表示P1(x)与P2(x)之间的概率分布越接近，进一步地可以表示第一目标边界位置与第二目标边界位置的偏移度越低，因此，可以将第一概率分布函数与第一概率分布函数之间的散度确定为第一目标边界位置与第二目标边界位置的偏移度。
进一步地，可以确定出第一最小外接矩形框的所有边界与第二最小外接矩形框的对应的所有边界之间的散度：第一上边界对应的概率分布函数与第二上边界对应的概率分布函数之间的散度为LKL(P1(xt),P2(xt))；第一下边界对应的概率分布函数与第二下边界对应的概率分布函数之间的散度为LKL(P1(xb),P2(xb))；第一左边界对应的概率分布函数与第二左边界对应的概率分布函数之间的散度为LKL(P1(xl),P2(xl))；第一右边界对应的概率分布函数与第二右边界对应的概率分布函数之间的散度为LKL(P1(xr),P2(xr))。
进一步地，将所有边界之间的散度之和确定为第一位置信息与第二位置信息之间的偏移度，因此，第一位置信息与第二位置信息之间的偏移度可以表示为：
LKL(总)＝KL(P1(xt),P2(xt))+KL(P1(xb),P2(xb))+KL(P1(xl),P2(xl))+LKL(P1(xr)，P2(xr))   (4)
其中，LKL(总)表示第一位置信息与第二位置信息之间的偏移度。
作为另一种实施例，也可以将四条边界之间的散度的平均值确定为第一位置信息与第二位置信息之间的偏移度，即，第一位置信息与第二位置信息之间的偏移度也可以表示为：
LKL(总)＝[LKL(P1(xt)，P2(xt))+LKL(P1(xb)，P2(xb))+LKL(P1(xl)，P2(xl))+LKL(P1(xr)，P2(xr))]/4   (5)
在上述实现过程中，根据检测框中心位置到边界位置之间的距离构建概率分布函数，进一步地，根据第一概率分布函数与第二概率分布函数之间的散度确定第一位置信息与第二位置信息之间的偏移度，从而能够提高第一位置信息与第二位置信息之间的偏移度确定的准确度。
在其中的一些实施例中，获取目标对象的能量图像，可以包括如下步骤：
步骤1：根据第一能量源透过目标对象的能量，确定第一能量图。
步骤2：根据第二能量源透过目标对象的能量，确定第二能量图，第一能量源的能量值高于第二能量源的能量值。
步骤3：根据第一能量图以及第二能量图确定目标对象的能量图像。
示例性地，X光安检机可以包括双能量源，两个能量源的能级不同，从而使X光安检机图像采集设备采集X光透过目标对象的能量也可能不同。
若第一能量源为高能级的能量源，其能量值E＝EH，第二能量源为低能级的能量源，其能量值E＝EL，EH＞EL，则根据第一能量源透过目标对象的能量得到的能量图为第一能量图，第一能量图为高能量图，根据第二能量源透过目标对象的能量得到的能量图为第二能量图，第二能量图为低能量图。
进一步地，根据第一能量图与第二能量图，确定目标对象的能量图像。
具体的，可以将第一能量图与第二能量图中能量的平均值确定为目标对象的能量图像的能量值，从而确定出目标对象的能量图像。
作为另一种实施例，可以将第一能量图与第二能量图在通道维度上进行拼接，得到目标对象的能量图像。
在上述实现过程中，能量源的能级不同，透过目标对象的能量也不同，通过两个不同能级的能量源透过目标对象的能量得到两个不同的能量图，进一步根据不同的能量图确定用于训练的能量图，丰富了用于训练的能量图的特征信息，进一步地，将用于训练的能量图作为训练好的能量图检测模型的输入，得到能量图检测结果，提高了能量图检测结果的准确度，进一步地，将能量图检测结果对待训练伪彩图检测模型进行监督训练，提高了模型训练的精度和鲁棒性。
在其中的一些实施例中，根据第一能量图以及第二能量图确定目标对象的能量图像，可以包括如下步骤：
步骤1：根据第一能量图以及第二能量图确定目标对象的等效原子序数图。
步骤2：将第一能量图、第二能量图以及等效原子序数图在通道维度上进行拼接，得到目标对象的能量图像。
示例性地，通常，在X光安检机图像采集设备里，X射线透过物质材料的穿透能量I(E)可以由以下公式计算：
I(E)＝I0e-μt                        (6)
μ＝α(Z,E)ρ                        (7)
其中，I0是X射线发射强度，t为材料厚度，μ为材料吸收系数，α(Z,E)为在材料原子系数Z和入射射线能量E下的质量衰减系数，ρ为材料密度。
因此，可以根据上述公式(6)和公式(7)确定出第一能量图与第二能量图对应的质量衰减系数α(Z,E)，进一步地，根据不同原子序数的材料在高低能下衰减系数α(Z,E)的变化规律，将第一能量图的高能量数据和第二能量图的低能量数据分解为等效康普顿散射系数μp和光电吸收系数μc，可以通过以下公式计算出等效原子序数Zeff：
Figure BDA0004009593940000131
其中，K′和n为常数。
进一步地，可以根据上述公式(8)以及第一能量图以及第二能量图确定出目标对象的等效原子序数图。
进一步地，将第一能量图、第二能量图以及等效原子序数图在通道维度上进行拼接，得到目标对象的能量图像。
具体的，第一能量图、第二能量图以及等效原子序数图均为单通道的图像，进一步地，将单通道的第一能量图、第二能量图以及等效原子序数图在通道维度上进行拼接，从而得到三通道的目标对象的能量图像。
在上述实现过程中，根据第一能量图以及第二能量图确定出目标对象的等效原子序数图，进一步地，将第一能量图、第二能量图以及等效原子序数图在通道维度上进行拼接，得到目标对象的能量图像，使目标对象的能量图像充分地保留了透过目标对象的能量的细节信息，进一步地，将目标对象的能量图像得到的能量图检测结果，监督待训练伪彩图检测模型的训练过程，能够有效地提高模型训练的精度，进一步地，将目标伪彩图检测模型进行图像检测，能够有效地提高图像检测结果的准确度。
在其中的一些实施例中，在将第一能量图、第二能量图以及等效原子序数图在通道维度上进行拼接，得到目标对象的能量图像之前，还可以包括：分别对第一能量图、第二能量图以及等效原子序数图进行归一化处理。
示例性地，为了便于待训练伪彩图检测模型的训练过程易于收敛，在将第一能量图、第二能量图以及等效原子序数图在通道维度上进行拼接，得到目标对象的能量图像之前，还可以分别对第一能量图、第二能量图以及等效原子序数图进行归一化处理，将归一化后的第一能量图、归一化后的第二能量图以及归一化后的等效原子序数图在通道维度上进行拼接，得到目标对象的能量图像。
作为另一种实例，由于X光安检机图像采集设备中探测板等硬件之间存在系统误差，得到的第一能量图和第二能量图可能存在非均匀性的明暗条纹，因此，为了消除能量图中的非均匀性的明暗条纹，可以对第一能量图和第二能量图进行非均匀性校正。
具体的，可以对X光安检机图像采集设备获取到的第一能量图以及第二能量图分别进行非均匀性校正和归一化处理，得到处理后的第一能量图以及处理后的第二能量图。并且，根据非均匀性校正和归一化处理前的第一能量图和第二能量图得到目标对象的等效原子序数图，并对等效原子序数图进行归一化处理，得到归一化后的等效原子序数图。进一步地，将处理后的第一能量图、处理后的第二能量图以及归一化后的等效原子序数图进行在通道维度上进行拼接，得到目标对象的能量图像。
在上述实现过程中，分别对第一能量图、第二能量图以及等效原子序数图进行归一化处理，能够有效地提高待训练伪彩图检测模型训练的收敛速度，进而提高模型的训练效率。
图3是本申请实施例提供的一种图像检测模型训练的实施例图，如图3所示，通过X光安检机图像采集模块301采集透过包裹的X光穿透能量，进一步地，将X光穿透能量输入X光能量处理模块302，得到X光能量图，将X光穿透能量输入X光伪彩图渲染模块303，得到X光伪彩图。
具体的，X光能量处理模块302根据高能量源透过包裹的能量得到第一能量图，高能量源的能量值E＝EH，并根据低能量源透过包裹的能量得到第二能量图，低能量源的能量值E＝EL，EH＞EL，并利用上述公式(6)、公式(7)以及公式(8)，根据第一能量图以及第二能量图，得到等效原子序数图。
进一步地，X光能量处理模块302分别对第一能量图以及第二能量图进行非均匀性校正和归一化处理，得到X光高能图和X光低能图，并对等效原子序数图进行归一化处理，得到物质响应图，物质响应图即为归一化后的等效原子序数图。
进一步地，X光能量处理模块302将X光高能图、X光低能图以及物质响应图在通道维度上进行拼接，得到三通道的X光能量图。
X光伪彩图渲染模块303对X光穿透能量进行渲染，得到X光伪彩图。
进一步地，将X光能量图输入训练好的能量图检测模型304中，得到X光能量图检测结果，将X光伪彩图输入待训练伪彩图检测模型305中，得到X光伪彩图检测结果。
进一步地，将X光能量图检测结果以及X光伪彩图检测结果输入X光能量伪彩监督模块306中，得到监督损失。
进一步地，将监督损失、待训练待伪彩图检测模型的类别损失以及待训练待伪彩图检测模型的位置损失输入损失函数307中，得到待训练待伪彩图检测模型的总损失，进一步地，根据总损失通过反向传播算法迭代更新待训练待伪彩图检测模型的模型参数，直到待训练待伪彩图检测模型收敛，得到目标伪彩图检测模型。
图4是本申请实施例提供的一种待训练待伪彩图检测模型的损失值生成示意图，如图4所示，X光能量图检测结果中包括第一类别以及第一位置信息，其中，第一位置信息可以表示为B1＝{t1,b1,l1,r1}，X光伪彩图检测结果包括第二类别以及第二位置信息，其中，第二位置信息可以表示为B2＝{t2,b2,l2,r2}。
进一步地，根据第一位置信息以及第二位置信息确定监督损失，具体的，分别确定每一位置信息对应的检测矩形框的中心位置到上下左右四条边界的距离，对中心位置到任意一条边界的距离构建一般分布函数P(x)，从而得到：第一检测矩形框上边界对应的一般分布函数P1(xt)，第一检测矩形框下边界对应的一般分布函数P1(xb)，第一检测矩形框左边界对应的一般分布函数P1(xl)，第一检测矩形框右边界对应的一般分布函数P1(xr)，第二检测矩形框上边界对应的一般分布函数P2(xt)，第二检测矩形框下边界对应的一般分布函数P2(xb)，第二检测矩形框左边界对应的一般分布函数P2(xl)以及第二检测矩形框右边界对应的一般分布函数P2(xr)。
进一步地，根据上述公式(3)计算上下左右四条边界对应的散度KL，得到：第一上边界对应的一般分布函数与第二上边界对应的一般分布函数之间的散度为LKL(P1(xt),P2(xt))；第一下边界对应的一般分布函数与第二下边界对应的一般分布函数之间的散度为LKL(P1(xb),P2(xb))；第一左边界对应的一般分布函数与第二左边界对应的一般分布函数之间的散度为LKL(P1(xl),P2(xl))；第一右边界对应的一般分布函数与第二右边界对应的一般分布函数之间的散度为LKL(P1(xr),P2(xr))，并将四组散度之和确定为监督损失，即监督损失可以表示为上述表达式(4)。
进一步地，根据伪彩色图像的标注位置确定出第二位置信息的位置损失，根据伪彩色图像的标注类别确定出第二位置信息的类别损失，进一步地，将监督损失、位置损失以及类别损失三部分的损失进行加权求和，得到总损失，即总损失可以通过如下表达式确定：
Ltotal＝σ1Lcls+σ2Lreg+σ3LKL(总)   (9)
其中，Ltotal表示总损失，Lcls表示类别损失，Lreg表示位置损失，LKL(总)表示监督损失，σ1、σ2以及σ3为预设的权重参数。
进一步地，通过总损失利用反向传播算法调整待训练伪彩图检测模型305的模型参数，直至待训练伪彩图检测模型305收敛，得到目标伪彩图检测模型。
在本实施例中还提供了一种图像检测方法，包括：
步骤1：获取待检测的伪彩色图像。
步骤2：将待检测的伪彩色图像输入目标伪彩图检测模型中，得到待检测的伪彩色图像的检测结果，其中，目标伪彩图检测模型是通过上述任一实施例提供的图像检测模型训练方法得到的。
在上述实现过程中，将能量图像检测结果以及伪彩图检测结果对待训练伪彩图检测模型进行监督训练，得到的目标伪彩图检测模型，能够提高伪彩图像检测模型训练的精度，进一步地，将待检测的伪彩色图像输入目标伪彩图检测模型中，有效地提高了检测结果准确度。
需要说明的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在本实施例中还提供了一种图像检测模型训练装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图5是本申请实施例提供的一种图像检测模型训练装置的结构框图，如图5所示，该装置包括：
获取模块501，用于获取目标对象的能量图像，以及目标对象的伪彩色图像；
第一检测模块502，用于将能量图像输入训练好的能量图检测模型中，得到能量图检测结果；
第二检测模块503，用于将伪彩色图像输入待训练伪彩图检测模型中，得到伪彩图检测结果；
训练模块504，用于基于能量图检测结果以及伪彩图检测结果，对待训练伪彩图检测模型进行训练。
在其中的一些实施例中，能量图检测结果包括目标对象的第一位置信息，伪彩图检测结果包括目标对象的第二位置信息，训练模块504具体用于：
确定第一位置信息与第二位置信息之间的偏移度；
基于偏移度确定待训练伪彩图检测模型的损失值；
基于损失值调整待训练伪彩图检测模型的模型参数，得到目标伪彩图检测模型。
在其中的一些实施例中，伪彩图检测结果还包括目标对象的检测类别，训练模块504具体用于：
获取目标对象的参考位置信息以及参考类别；
基于参考位置信息确定第二位置信息的位置损失值；
基于参考类别确定检测类别的类别损失值；
基于偏移度、位置损失值以及类别损失值，确定待训练伪彩图检测模型的损失值。
在其中的一些实施例中，第一位置信息包括目标对象对应的第一检测框的第一中心位置，以及第一检测框的N个第一边界位置，第二位置信息包括目标对象对应的第二检测框的第二中心位置，以及第二检测框的N个第二边界位置，训练模块504具体用于：
基于第一中心位置到第一目标边界位置的第一距离，确定第一目标边界位置的第一概率分布函数，第一目标边界位置为N个第一边界位置中的任意一个，N为大于或等于3的正整数；
基于第二中心位置到第二目标边界位置的第二距离，确定第二目标边界位置的第二概率分布函数，第二目标边界位置与第一目标边界位置对应；
基于第一概率分布函数与第一概率分布函数之间的散度，确定第一目标边界位置与第二目标边界位置的偏移度；
基于所有第一边界位置与对应的第二边界位置的偏移度，确定第一位置信息与第二位置信息之间的偏移度。
在其中的一些实施例中，获取模块501具体用于：
根据第一能量源透过目标对象的能量，确定第一能量图；
根据第二能量源透过目标对象的能量，确定第二能量图，第一能量源的能量值高于第二能量源的能量值；
根据第一能量图以及第二能量图确定目标对象的能量图像。
在其中的一些实施例中，获取模块501具体用于：
根据第一能量图以及第二能量图确定目标对象的等效原子序数图；
将第一能量图、第二能量图以及等效原子序数图在通道维度上进行拼接，得到目标对象的能量图像。
在其中的一些实施例中，获取模块501还用于：
分别对第一能量图、第二能量图以及等效原子序数图进行归一化处理。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
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，图6是本申请实施例提供的一种计算机设备的内部结构示意图。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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和内存储器。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训练数据。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一种图像检测模型训练方法或图像检测方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
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，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
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、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (11)

1.一种图像检测模型训练方法，其特征在于，包括：
获取目标对象的能量图像，以及所述目标对象的伪彩色图像；
将所述能量图像输入训练好的能量图检测模型中，得到能量图检测结果；
将所述伪彩色图像输入待训练伪彩图检测模型中，得到伪彩图检测结果；
基于所述能量图检测结果以及所述伪彩图检测结果，对所述待训练伪彩图检测模型进行训练。
2.根据权利要求1所述的图像检测模型训练方法，其特征在于，所述能量图检测结果包括所述目标对象的第一位置信息，所述伪彩图检测结果包括所述目标对象的第二位置信息，所述基于所述能量图检测结果以及所述伪彩图检测结果，对所述待训练伪彩图检测模型进行训练，包括：
确定所述第一位置信息与所述第二位置信息之间的偏移度；
基于所述偏移度确定所述待训练伪彩图检测模型的损失值；
基于所述损失值调整所述待训练伪彩图检测模型的模型参数，得到目标伪彩图检测模型。
3.根据权利要求2所述的图像检测模型训练方法，其特征在于，所述伪彩图检测结果还包括所述目标对象的检测类别，所述基于所述偏移度确定所述待训练伪彩图检测模型的损失值，包括：
获取所述目标对象的参考位置信息以及参考类别；
基于所述参考位置信息确定所述第二位置信息的位置损失值；
基于所述参考类别确定所述检测类别的类别损失值；
基于所述偏移度、所述位置损失值以及所述类别损失值，确定所述待训练伪彩图检测模型的损失值。
4.根据权利要求2所述的图像检测模型训练方法，其特征在于，所述第一位置信息包括所述目标对象对应的第一检测框的第一中心位置，以及所述第一检测框的N个第一边界位置，所述第二位置信息包括所述目标对象对应的第二检测框的第二中心位置，以及所述第二检测框的N个第二边界位置，所述确定所述第一位置信息与所述第二位置信息之间的偏移度，包括：
基于所述第一中心位置到第一目标边界位置的第一距离，确定所述第一目标边界位置的第一概率分布函数，所述第一目标边界位置为N个所述第一边界位置中的任意一个，N为大于或等于3的正整数；
基于所述第二中心位置到第二目标边界位置的第二距离，确定所述第二目标边界位置的第二概率分布函数，所述第二目标边界位置与所述第一目标边界位置对应；
基于所述第一概率分布函数与所述第一概率分布函数之间的散度，确定所述第一目标边界位置与所述第二目标边界位置的偏移度；
基于所有第一边界位置与对应的第二边界位置的偏移度，确定所述第一位5置信息与所述第二位置信息之间的偏移度。
5.根据权利要求1所述的图像检测模型训练方法，其特征在于，所述获取目标对象的能量图像，包括：
根据第一能量源透过所述目标对象的能量，确定第一能量图；
根据第二能量源透过所述目标对象的能量，确定第二能量图，所述第一能0量源的能量值高于所述第二能量源的能量值；
根据所述第一能量图以及所述第二能量图确定所述目标对象的能量图像。
6.根据权利要求5所述的图像检测模型训练方法，其特征在于，所述根据所述第一能量图以及所述第二能量图确定所述目标对象的能量图像，包括：
根据所述第一能量图以及所述第二能量图确定所述目标对象的等效原子序5数图；
将所述第一能量图、所述第二能量图以及所述等效原子序数图在通道维度上进行拼接，得到所述目标对象的能量图像。
7.根据权利要求6所述的图像检测模型训练方法，其特征在于，在所述将所述第一能量图、所述第二能量图以及所述等效原子序数图在通道维度上进行0拼接，得到所述目标对象的能量图像之前，还包括：
分别对所述第一能量图、所述第二能量图以及所述等效原子序数图进行归一化处理。
8.一种图像检测方法，其特征在于，包括：
获取待检测的伪彩色图像；
5将所述待检测的伪彩色图像输入目标伪彩图检测模型中，得到所述待检测的伪彩色图像的检测结果，其中，所述目标伪彩图检测模型是通过上述权利要求1至7中任一项所述的图像检测模型训练方法得到的。
9.一种图像检测模型训练装置，其特征在于，包括：
获取模块，用于获取目标对象的能量图像，以及所述目标对象的伪彩色图0像；
第一检测模块，用于将所述能量图像输入训练好的能量图检测模型中，得到能量图检测结果；
第二检测模块，用于将所述伪彩色图像输入待训练伪彩图检测模型中，得到伪彩图检测结果；
训练模块，用于基于所述能量图检测结果以及所述伪彩图检测结果，对所述待训练伪彩图检测模型进行训练。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至8中任一项所述的方法。
11.一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权利要求1至8中任一项所述的方法的步骤。
CN202211646227.4A 2022-12-21 2022-12-21 图像检测模型训练方法、图像检测方法、装置和介质 Pending CN116051954A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211646227.4A CN116051954A (zh) 2022-12-21 2022-12-21 图像检测模型训练方法、图像检测方法、装置和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211646227.4A CN116051954A (zh) 2022-12-21 2022-12-21 图像检测模型训练方法、图像检测方法、装置和介质

Publications (1)

Publication Number Publication Date
CN116051954A true CN116051954A (zh) 2023-05-02

Family

ID=86132271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211646227.4A Pending CN116051954A (zh) 2022-12-21 2022-12-21 图像检测模型训练方法、图像检测方法、装置和介质

Country Status (1)

Country Link
CN (1) CN116051954A (zh)

Similar Documents

Publication Publication Date Title
Kumar et al. Blockchain-federated-learning and deep learning models for covid-19 detection using ct imaging
CN111275080B (zh) 基于人工智能的图像分类模型训练方法、分类方法及装置
Black et al. Fliptest: fairness testing via optimal transport
CN109784293B (zh) 多类目标对象检测方法、装置、电子设备、存储介质
EP3485396A1 (en) Classifying images using machine learning models
Jiao et al. Solar flare intensity prediction with machine learning models
Naz et al. A comprehensive review of federated learning for COVID‐19 detection
EP3528179A1 (en) Training a neural network
EP4053718A1 (en) Watermark information embedding method and apparatus
US20200097951A1 (en) Cryptocurrency system using body activity data
CN112465819B (zh) 图像异常区域检测方法、装置、电子设备及存储介质
US20190156234A1 (en) Systems and methods for performing real-time convolution calculations of matrices indicating amounts of exposure
EP4026017A1 (en) Image retrieval system
Somanchi et al. Discovering anomalous patterns in large digital pathology images
Wu et al. End-to-end lung nodule detection in computed tomography
Yu et al. Investigating the limited performance of a deep-learning-based SPECT denoising approach: an observer-study-based characterization
CN114898044A (zh) 检测对象成像方法、装置、设备及介质
CN110321705A (zh) 用于生成模型的方法、装置和用于检测文件的方法、装置
Jamieson et al. Using machine learning to improve neutron identification in water Cherenkov detectors
CN116051954A (zh) 图像检测模型训练方法、图像检测方法、装置和介质
Olesen et al. Maximum likelihood reconstructions for rotating scatter mask imaging
Oliveira et al. Nonparametric intensity bounds for the delineation of spatial clusters
US20230007143A1 (en) Picture encryption method and apparatus, computer device, storage medium and program product
WO2022178995A1 (zh) Ct图像去噪处理方法、装置、计算机设备及介质
Zhang et al. Deep learning‐based fast denoising of Monte Carlo dose calculation in carbon ion radiotherapy

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