基于数据闭环的目标检测模型构建方法及系统技术方案

本发明专利技术提供了一种基于数据闭环的目标检测模型构建方法及系统,包括：预先制定规则、确定架构，初始化数据集标号；训练目标检测网络，得到中间检测模型，对中间检测模型进行转换加速得到目标检测模型，采集初始数据，为N帧待检测数据，初始化待检测数据j为1；利用目标检测模型对第j帧待检测数据进行识别；利用特征提取规则对第j帧待检测数据进行识别，判断识别目标，若存在则将第j帧待检测数据及其之前M1帧待检测数据和之后M2帧待检测数据作为筛选后数据存储；获取最终目标检测模型部署设备上，进行作业。本发明专利技术自动采集数据解放人工，降低成本，提高驾驶安全；实时监控路面并对感兴趣画面进行保存，降低漏检率，提高数据数量。提高数据数量。提高数据数量。

【技术实现步骤摘要】
基于数据闭环的目标检测模型构建方法及系统


[0001]本专利技术涉及计算机视觉
，具体地，涉及一种基于数据闭环的目标检测模型构建方法及系统。

技术介绍

[0002]城市道路环境是打造美好城市的重要环节。道路环境主要包括两个指标：一是道路本身的完好程度，二是道路上的卫生状况。随着我国经济的发展，户均汽车拥有量不断提升，这不仅造成道路交通的繁忙，也给道路环境带来了巨大的压力。这种压力不可避免地造成了一些路面缺陷，比如裂缝、破损、指示线缺损等。另外，道路的频繁使用也对道路卫生管理提出了更严格的要求。
[0003]目前道路缺陷仍然遵循先人工检查然后进行维修的处理流程。然而人工检查不仅耗时耗力，而且会产生大量漏检。对于道路卫生状况，则依赖于环卫工、环卫车的实时清理。由于环卫人力资源的数量衰减和成本增加，亟需自动化解决方案。因此，运用以人工智能为代表的自动化技术来解决道路缺陷和垃圾的检测与处理势在必行。
[0004]众所周知，人工智能的实现依赖建立在数据之上的模型，这意味着大量采集道路数据成为必要的前置条件。目前，道路缺陷和垃圾数据的采集基本依赖人工方式例如在车辆上设置相机，司机在行驶过程中一旦发现需要采集的目标，就按下按钮保存当前时刻前后约20秒的一段视频。获得视频数据后，再依靠人工对数据进行筛选，最后利用筛选后的数据进行模型训练。
[0005]但这种方式存在如下缺点：司机采集数据时，由于还有驾驶任务，并不能做到实时采集，可能会遗漏大量目标；司机对采集任务的配合意愿低，可能导致整条线路目标的缺失；司机不具备相关业务知识，对于要采集的目标不清楚，导致采集到的数据质量不高；采集得到的数据是许多段20秒视频，会增加数据筛选的工作量。上述缺点会导致整个项目迭代过程周期长、成本高。
[0006]因此，将自动化、智能化方案应用于数据采集过程是很有必要的，如何将数据采集和模型构建结合地更紧密、更智能是一个具有高价值、高挑战的任务。

技术实现思路

[0007]针对现有技术中的缺陷，本专利技术的目的是提供一种基于数据闭环的目标检测模型构建方法及系统。
[0008]根据本专利技术提供的一种基于数据闭环的目标检测模型构建方法，包括：
[0009]步骤S1：针对欲识别目标，预先制定特征提取规则，确定目标检测网络的架构，利用公开数据构建第一数据集，初始化数据集标号i为1；
[0010]步骤S2：在第i数据集上迭代训练所述目标检测网络，训练完成后得到第i中间检测模型，对所述第i中间检测模型进行转换加速得到第i目标检测模型，若所述第i目标检测模型的平均精度均值大于预设精度阈值，则所述第i目标检测模型即为最终目标检测模型
并跳至步骤S9，否则执行步骤S3；
[0011]步骤S3：将所述第i目标检测模型部署到采集设备上，利用所述采集设备进行数据采集得到初始数据，然后把所述初始数据转换为N帧待检测数据，初始化待检测数据标号j为1；
[0012]步骤S4：利用所述第i目标检测模型对第j帧待检测数据进行识别，判断其中是否存在欲识别目标，若存在则跳至步骤S6，否则执行步骤S5；
[0013]步骤S5：利用所述特征提取规则对第j帧待检测数据进行识别，判断其中是否存在欲识别目标，若存在则执行步骤S6，否则跳至步骤S7；
[0014]步骤S6：将第j帧待检测数据及其之前M1帧待检测数据和之后M2帧待检测数据作为筛选后数据存储起来；
[0015]步骤S7：令j值加1，判断新j值是否小于或等于N，若是则跳回步骤S4并重新顺序执行相关步骤，若否则执行步骤S8；
[0016]步骤S8：对所有筛选后数据进行标注后将其加入第i数据集，得到第i+1数据集，然后i加1并跳回步骤S2；
[0017]步骤S9：将所述最终目标检测模型部署在作业设备上，进行目标检测作业。
[0018]优选地，所述特征提取规则是根据识别目标的特征设计的，特征包括颜色、形状、纹理，用于提取识别目标的特有性质，从而进行区分识别；
[0019]所述特征提取规则首先基于路沿过滤掉除道路之外的物体以防止误识别，然后针对不同种类的欲识别目标执行相应策略进行特征提取；
[0020]所述目标检测网络的架构为YOLOv5。
[0021]优选地，所述在第i数据集上对所述目标检测网络进行迭代训练，训练完成后得到第i中间检测模型，包括：
[0022]将所述第i数据集分为第i训练集和第i验证集；
[0023]在所述第i训练集上对所述目标检测网络进行迭代训练，每完整迭代一次为一轮，共训练K轮；
[0024]每一轮训练结束后，在所述第i验证集上对相应轮次的目标检测网络进行验证，得到相应轮次的平均精度均值；
[0025]选择K轮中平均精度均值最高的轮次对应的目标检测网络，作为第i中间检测模型。
[0026]优选地，所述对所述第i中间检测模型进行转换加速得到第i目标检测模型，包括：
[0027]将所述第i中间检测模型的框架从PyTorch转换为TensorRT；
[0028]将转换后模型的数据精度从FP32降为FP16以量化加速，得到第i目标检测模型。
[0029]优选地，所述初始数据的格式为视频，所述待检测数据的格式为图片；
[0030]所述采集设备包括有人驾驶或无人驾驶车辆，配备有相机，实时采集行驶过程中的环境视频，作为初始数据；
[0031]所述把所述初始数据转换为N帧待检测数据，是指利用视频处理工具将所述初始数据的视频转换为连续帧的图片，作为待检测数据；
[0032]所述作业设备包括有人驾驶或无人驾驶车辆，配备有相机；
[0033]所述目标检测作业包括：所述作业设备通过相机实时采集行驶过程中的环境视
频；将所述环境视频转换为多帧待检测图片；所述最终目标检测模型对所述待检测图片进行逐帧识别，当检测出欲识别目标后，将对应帧图片和相应的位置信息上传至云端。
[0034]根据本专利技术提供的一种基于数据闭环的目标检测模型构建系统，执行所述的基于数据闭环的目标检测模型构建方法，包括：
[0035]预先准备模块：针对欲识别目标，预先制定特征提取规则，确定目标检测网络的架构，利用公开数据构建第一数据集；
[0036]训练验证模块：在数据集上迭代训练所述目标检测网络，训练完成后得到中间检测模型，对所述中间模型进行转换加速得到目标检测模型，若所述目标检测模型的平均精度均值大于预设精度阈值，则所述目标检测模型即为最终目标检测模型；
[0037]采集转换模块：将所述目标检测模型部署到采集设备上，利用所述采集设备进行数据采集得到初始数据，然后把所述初始数据转换为待检测数据；
[0038]识别筛选模块：分别利用所述目标检测模型和所述特征提取规则对所述待检测数据进行逐帧识别，若在某帧数据中检测出欲识别目标，则将该帧数据及其之前和之后各预设数量帧数据作为筛选后数据存储起来；
[0039]数据更新模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据闭环的目标检测模型构建方法，其特征在于，包括：步骤S1：针对欲识别目标，预先制定特征提取规则，确定目标检测网络的架构，利用公开数据构建第一数据集，初始化数据集标号i为1；步骤S2：在第i数据集上迭代训练所述目标检测网络，训练完成后得到第i中间检测模型，对所述第i中间检测模型进行转换加速得到第i目标检测模型，若所述第i目标检测模型的平均精度均值大于预设精度阈值，则所述第i目标检测模型即为最终目标检测模型并跳至步骤S9，否则执行步骤S3；步骤S3：将所述第i目标检测模型部署到采集设备上，利用所述采集设备进行数据采集得到初始数据，然后把所述初始数据转换为N帧待检测数据，初始化待检测数据标号j为1；步骤S4：利用所述第i目标检测模型对第j帧待检测数据进行识别，判断其中是否存在欲识别目标，若存在则跳至步骤S6，否则执行步骤S5；步骤S5：利用所述特征提取规则对第j帧待检测数据进行识别，判断其中是否存在欲识别目标，若存在则执行步骤S6，否则跳至步骤S7；步骤S6：将第j帧待检测数据及其之前M1帧待检测数据和之后M2帧待检测数据作为筛选后数据存储起来；步骤S7：令j值加1，判断新j值是否小于或等于N，若是则跳回步骤S4并重新顺序执行相关步骤，若否则执行步骤S8；步骤S8：对所有筛选后数据进行标注后将其加入第i数据集，得到第i+1数据集，然后i值加1并跳回步骤S2；步骤S9：将所述最终目标检测模型部署在作业设备上，进行目标检测作业。2.根据权利要求1所述的基于数据闭环的目标检测模型构建方法，其特征在于，所述特征提取规则是根据欲识别目标的特征设计的，所述特征包括颜色、形状、纹理，用于提取欲识别目标的特有性质，从而进行区分识别；所述特征提取规则首先基于路沿过滤掉除道路之外的物体以防止误识别，然后针对不同种类的欲识别目标执行相应策略进行特征提取；所述目标检测网络的架构为YOLOv5。3.根据权利要求1所述的基于数据闭环的目标检测模型构建方法，其特征在于，所述在第i数据集上对所述目标检测网络进行迭代训练，训练完成后得到第i中间检测模型，包括：将所述第i数据集分为第i训练集和第i验证集；在所述第i训练集上对所述目标检测网络进行迭代训练，每完整迭代一次为一轮，共训练K轮；每一轮训练结束后，在所述第i验证集上对相应轮次的目标检测网络进行验证，得到相应轮次的平均精度均值；选择K轮中平均精度均值最高的轮次对应的目标检测网络，作为第i中间检测模型。4.根据权利要求1所述的基于数据闭环的目标检测模型构建方法，其特征在于，所述对所述第i中间检测模型进行转换加速得到第i目标检测模型，包括：将所述第i中间检测模型的框架从PyTorch转换为TensorRT；将转换后模型的数据精度从FP32降为FP16以量化加速，得到第i目标检测模型。5.根据权利要求1所述的基于数据闭环的目标检测模型构建方法，其特征在于，所述初
始数据的格式为视频，所述待检测数据的格式为图片；所述采集设备包括有人驾驶或无人驾驶车辆，配备有相机，实时采集行驶过程中的环境视频，作为初始数据；所述把所述初始数据转换为N帧待检测数据，是指利用视频处理工具将所述初始数据的视频转换为连续帧的图片，作为待检测数据；所述作业设备包括有人驾驶或无人驾驶车辆，配备有相机；所述目标检测作业包括：所述作业设备通过相机实时...

【专利技术属性】
技术研发人员：廖文龙，何弢，周海进，彭湃，
申请(专利权)人：上海酷移机器人有限公司，
类型：发明
国别省市：