通过半监督实例分割标定监控目标的方法及系统与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及变电站目标检测技术领域，具体而言，涉及一种通过半监督实例分割标定监控目标的方法及系统。背景技术：2.变电站是容易发生事故的场所，因此变电站的安全极其重要，采用人为监控现场，需要花费大量的人力成本。目前常用的变电站安全监控是目标检测检测方法，由于1）变电站环境复杂，目标容易被遮挡，容易产生漏检；2）目标框含有较多背景噪音，容易产生误检；3）人为因素影响，训练集中人工标定目标框存在误标现象，将会对模型产生副作用影响。3.针对现有技术中采用常规的目标检测方法监控变电站中目标，造成的误检、准确率低的问题，目前尚未提出有效的解决方案。技术实现要素：4.本发明实施例中提供一种通过半监督实例分割标定监控目标的方法，以解决现有技术中采用常规的目标检测方法监控变电站中目标，造成的误检、准确率低的问题。5.为达到上述目的，一方面，本发明提供了一种通过半监督实例分割标定监控目标的方法，该方法包括：步骤s101，获取预训练模型，将所述预训练模型的权重赋值到初始学生模型的权重中，得到更新的学生模型；将所述更新的学生模型的权重赋值到初始教师模型的权重中，得到更新的教师模型；步骤s102，从训练集选取预设数量的图片作为迭代图片；将每张迭代图片随机进行全监督实例分割训练或自监督实例分割训练；所述全监督实例分割训练包括：将每张迭代图片输入到所述更新的学生模型中进行模型训练，得到每张迭代图片检测目标的预测结果；根据所述每张迭代图片检测目标的预测结果与每张迭代图片检测目标的人工标定结果计算迭代人工标定总损失值；根据所述迭代人工标定总损失值对所述更新的学生模型进行反向传播，得到当前迭代学生模型；将所述当前迭代学生模型的权重赋值到所述更新的教师模型的权重中，得到当前迭代教师模型；所述自监督实例分割训练包括：将每张迭代图片输入到所述更新的教师模型中进行模型训练，得到当前迭代教师模型以及每张迭代图片检测目标的推理标定结果；将每张迭代图片输入到所述更新的学生模型中进行模型训练，得到每张迭代图片检测目标的预测结果；根据所述每张迭代图片检测目标的预测结果与所述每张迭代图片检测目标的推理标定结果计算迭代推理标定总损失值；根据所述迭代推理标定总损失值对所述更新的学生模型进行反向传播，得到当前迭代学生模型；步骤s103，重复所述步骤s102直至将训练集中全部图片训练完，得到当前轮学生模型、当前轮教师模型、当前轮人工标定总损失值或当前轮推理标定总损失值；步骤s104，重复步骤s102、步骤s103，直至当前轮人工标定总损失值或当前轮推理标定总损失值在第一预设范围内波动，得到目标学生模型、目标教师模型；步骤s105，将待检测图片输入到所述目标学生模型和所述目标教师模型中进行检测，得到目标位置和类别。6.可选的，所述根据所述每张迭代图片检测目标的预测结果与每张迭代图片检测目标的人工标定结果计算迭代人工标定总损失值包括：根据所述每张迭代图片检测目标的预测结果与每张迭代图片检测目标的人工标定结果计算得到迭代人工标定分类损失值、迭代人工标定回归损失值和迭代人工标定掩膜损失值；根据以下公式计算所述迭代人工标定总损失值：其中，所述表示迭代人工标定总损失值；所述表示迭代人工标定分类损失值；所述表示迭代人工标定回归损失值；所述表示迭代人工标定掩膜损失值。7.可选的，所述将所述当前迭代学生模型的权重赋值到所述更新的教师模型的权重中根据以下公式计算：中根据以下公式计算：其中，所述表示当前迭代教师模型的权重；所述表示当前迭代学生模型权重的占比；表示当前迭代学生模型的权重；表示上一迭代教师模型的权重；n表示当前迭代；s表示学生模型；t表示教师模型；max表示求最大值；min表示求最小值；step表示当前迭代步数；warm_step表示预设迭代步数。8.可选的，所述将每张迭代图片输入到所述更新的教师模型中进行模型训练，得到当前迭代教师模型以及每张迭代图片检测目标的推理标定结果包括：将每张迭代图片输入到所述更新的教师模型中进行模型训练，得到初始迭代教师模型以及每张迭代图片检测目标的初始预测结果；所述初始预测结果包括：类别得分、目标框、像素点类别；将所述每张迭代图片中的目标框随机多次扩展预设范围内倍数，得到每张迭代图片的多个第一更新目标框；将所述每张迭代图片的多个第一更新目标框输入到所述初始迭代教师模型中进行模型训练，得到当前迭代教师模型以及每张迭代图片检测目标的当前预测结果；所述当前预测结果包括：分别与所述多个第一更新目标框对应的当前类别得分及当前像素点类别；将所述每张迭代图片的第一更新目标框中，类别得分大于或等于预设类别得分的第一更新目标框保留为第二更新目标框；计算所述每张迭代图片的全部第二更新目标框的波动差值，当判定该波动差值不在预设波动差值范围内时，将所述每张迭代图片的全部第二更新目标框删除；反之，进入下一步；计算所述每张迭代图片的全部第二更新目标框的掩膜差值，当判定该掩膜差值不在预设掩膜差值范围内时，将所述每张迭代图片的全部第二更新目标框删除；反之，进入下一步；保留所述每张迭代图片中类别得分最高的第二更新目标框，并将其作为最终目标框；将所述最终目标框及该最终目标框对应的所述当前类别得分及当前像素点类别作为每张迭代图片检测目标的推理标定结果。9.可选的，根据所述每张迭代图片检测目标的预测结果与所述每张迭代图片检测目标的推理标定结果计算迭代推理标定总损失值包括：根据所述每张迭代图片检测目标的预测结果与所述每张迭代图片检测目标的推理标定结果计算迭代推理标定分类损失值、迭代推理标定回归损失值、迭代推理标定掩膜损失值；根据以下公式计算所述迭代推理标定总损失值：其中，所述表示迭代推理标定总损失值；所述表示迭代推理标定分类损失值；所述表示迭代推理标定回归损失值；所述表示迭代推理标定掩膜损失值。10.可选的，所述迭代推理标定分类损失值根据以下公式计算：根据以下公式计算：其中，所述为迭代推理标定分类损失值；所述为每张迭代图片检测目标的预测结果匹配上每张迭代图片检测目标的推理标定结果的目标框的数量；表示每张迭代图片检测目标的预测结果的目标框的概率；表示每张迭代图片检测目标的推理标定结果匹配上每张迭代图片检测目标的预测结果的目标框的概率；表示每张迭代图片检测目标的预测结果未匹配上每张迭代图片检测目标的推理标定结果的目标框的数量；表示每张迭代图片检测目标的推理标定结果未匹配上每张迭代图片检测目标的预测结果的目标框的概率；表示每张迭代图片检测目标的预测结果未匹配上每张迭代图片检测目标的推理标定结果的目标框的权重；表示每张迭代图片检测目标的预测结果未匹配上每张迭代图片检测目标的推理标定结果的第j个目标框的得分，表示每张迭代图片检测目标的预测结果未匹配上每张迭代图片检测目标的推理标定结果的第k个目标框的得分。11.可选的，所述每张迭代图片的全部第二更新目标框的波动差值根据以下公式计算其中，表示当前迭代图片的全部第二更新目标框的波动差值，n表示当前迭代图片的第二更新目标框的数量；表示第i个第二更新目标框第j个坐标的值，其中，第j个坐标的值为当前第二更新目标框的左上、右下两个坐标中的四个坐标值中的任一坐标值，z表示第z个第二更新目标框；可选的，所述每张迭代图片的全部第二更新目标框的掩膜差值根据以下公式计算：算：其中，表示当前迭代图片的全部第二更新目标框的均值；n表示当前迭代图片的第二更新目标框的数量；表示当前迭代图片的当前第二更新目标框的掩膜像素点数量；表示当前迭代图片的第j个第二更新目标框的第i个掩膜像素点的类别概率；为当前迭代图片的全部第二更新目标框的掩膜差值。12.另一方面，本发明提供了一种通过半监督实例分割标定监控目标的系统，该系统包括：赋值单元，用于获取预训练模型，将所述预训练模型的权重赋值到初始学生模型的权重中，得到更新的学生模型；将所述更新的学生模型的权重赋值到初始教师模型的权重中，得到更新的教师模型；训练单元，用于从训练集选取预设数量的图片作为迭代图片；将每张迭代图片随机进行全监督实例分割训练或自监督实例分割训练；所述全监督实例分割训练包括：将每张迭代图片输入到所述更新的学生模型中进行模型训练，得到每张迭代图片检测目标的预测结果；根据所述每张迭代图片检测目标的预测结果与每张迭代图片检测目标的人工标定结果计算迭代人工标定总损失值；根据所述迭代人工标定总损失值对所述更新的学生模型进行反向传播，得到当前迭代学生模型；将所述当前迭代学生模型的权重赋值到所述更新的教师模型的权重中，得到当前迭代教师模型；所述自监督实例分割训练包括：将每张迭代图片输入到所述更新的教师模型中进行模型训练，得到当前迭代教师模型以及每张迭代图片检测目标的推理标定结果；将每张迭代图片输入到所述更新的学生模型中进行模型训练，得到每张迭代图片检测目标的预测结果；根据所述每张迭代图片检测目标的预测结果与所述每张迭代图片检测目标的推理标定结果计算迭代推理标定总损失值；根据所述迭代推理标定总损失值对所述更新的学生模型进行反向传播，得到当前迭代学生模型；第一重复训练单元，用于重复所述训练单元直至将训练集中全部图片训练完，得到当前轮学生模型、当前轮教师模型、当前轮人工标定总损失值或当前轮推理标定总损失值；第二重复训练单元，用于重复所述训练单元、所述第一重复训练单元，直至当前轮人工标定总损失值或当前轮推理标定总损失值在第一预设范围内波动，得到目标学生模型、目标教师模型；检测单元，将待检测图片输入到所述目标学生模型和所述目标教师模型中进行检测，得到目标位置和类别。13.可选的，所述根据所述每张迭代图片检测目标的预测结果与每张迭代图片检测目标的人工标定结果计算迭代人工标定总损失值包括：根据所述每张迭代图片检测目标的预测结果与每张迭代图片检测目标的人工标定结果计算得到迭代人工标定分类损失值、迭代人工标定回归损失值和迭代人工标定掩膜损失值；根据以下公式计算所述迭代人工标定总损失值：其中，所述表示迭代人工标定总损失值；所述表示迭代人工标定分类损失值；所述表示迭代人工标定回归损失值；所述表示迭代人工标定掩膜损失值。14.本发明的有益效果：本发明提供了一种通过半监督实例分割标定监控目标的方法及系统，该方法通过实例分割标定监控目标来代替原先的目标检测方法，减少目标框的噪音影响，降低误检率；采用全监督实例分割训练或自监督实例分割训练，减少人工因素导致的误检；教师模型和学生模型同时训练减少训练时间；对目标框依次进行类别得分筛选、波动差值筛选、掩膜差值筛选，修正人为标定结果，提高检测目标的准确率；对迭代推理标定分类损失设置权重，降低误检和漏检的作用，提高正检的作用。附图说明15.图1是本发明实施例提供的一种通过半监督实例分割标定监控目标的方法的流程图；图2是本发明实施例提供的得到每张迭代图片检测目标的推理标定结果的流程图；图3是本发明实施例提供的一种通过半监督实例分割标定监控目标的系统的结构示意图；图4是本发明实施例提供的得到每张迭代图片检测目标的推理标定结果的结构示意图。具体实施方式16.为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。17.变电站是容易发生事故的场所，因此变电站的安全极其重要，采用人为监控现场，需要花费大量的人力成本。目前常用的变电站安全监控是目标检测检测方法，由于1）变电站环境复杂，目标容易被遮挡，容易产生漏检；2）目标框含有较多背景噪音，容易产生误检；3）人为因素影响，训练集中人工标定目标框存在误标现象，将会对模型产生副作用影响。18.因而，本发明提供了一种通过半监督实例分割标定监控目标的方法，可减少目标框的噪音影响，降低误检率。图1是本发明实施例提供的一种通过半监督实例分割标定监控目标的方法的流程图，如图1所示，该方法包括：步骤s101，获取预训练模型，将所述预训练模型的权重赋值到初始学生模型的权重中，得到更新的学生模型；将所述更新的学生模型的权重赋值到初始教师模型的权重中，得到更新的教师模型；本发明中，初始学生模型和初始教师模型保持同一种网络结构。首先使用imagenet预训练模型的权重初始化初始学生模型的权重（参数），得到更新的学生模型；初始教师模型的权重由更新的学生模型的权重进行赋值，得到更新的教师模型；冻结更新的教师模型的权重，使更新的教师模型不进行反向传播。19.步骤s102，从训练集选取预设数量的图片作为迭代图片；将每张迭代图片随机进行全监督实例分割训练或自监督实例分割训练；所述全监督实例分割训练包括：将每张迭代图片输入到所述更新的学生模型中进行模型训练，得到每张迭代图片检测目标的预测结果；根据所述每张迭代图片检测目标的预测结果与每张迭代图片检测目标的人工标定结果计算迭代人工标定总损失值；根据所述迭代人工标定总损失值对所述更新的学生模型进行反向传播，得到当前迭代学生模型；将所述当前迭代学生模型的权重赋值到所述更新的教师模型的权重中，得到当前迭代教师模型；具体的，将每张迭代图片进行数据强预处理（例如：图片混合、拷贝和拼图等方法）；将进行数据强预处理后的每张迭代图片输入到所述更新的学生模型中进行模型训练（即依次进行主干网络、瓶颈层和预测分支前向传播；所述预测分支前向传播包括预测类别分支、预测框分支、预测掩膜分支），得到每张迭代图片检测目标的预测结果（类别得分、目标框、像素点类别）；根据所述每张迭代图片检测目标的预测结果与每张迭代图片检测目标的人工标定结果计算迭代人工标定总损失值；具体的，其包括：根据所述每张迭代图片检测目标的预测结果与每张迭代图片检测目标的人工标定结果计算得到迭代人工标定分类损失值、迭代人工标定回归损失值和迭代人工标定掩膜损失值；根据以下公式计算所述迭代人工标定总损失值：其中，所述表示迭代人工标定总损失值；所述表示迭代人工标定分类损失值；所述表示迭代人工标定回归损失值；所述表示迭代人工标定掩膜损失值。20.根据所述迭代人工标定总损失值对所述更新的学生模型进行反向传播，得到当前迭代学生模型；将所述当前迭代学生模型的权重赋值到所述更新的教师模型的权重中，得到当前迭代教师模型；具体的，将所述当前迭代学生模型的权重赋值到所述更新的教师模型的权重中根据以下公式计算：其中，所述表示当前迭代教师模型的权重；所述表示当前迭代学生模型权重的占比；表示当前迭代学生模型的权重；表示上一迭代教师模型的权重；n表示当前迭代；s表示学生模型；t表示教师模型；max表示求最大值；min表示求最小值；step表示当前迭代步数；warm_step表示预设迭代步数。21.模型训练前期，更新的学生模型的参数学习效果好，因此前期，当前迭代教师模型的权重大部分由当前迭代学生模型的权重赋值（ration比较大），到后期，当前迭代学生模型趋于稳定，当前迭代学生模型容易出现波动，因此，当前迭代教师模型的权重大部分来自上一迭代教师模型的权重（ration比较小），少部分由当前迭代学生模型的权重赋值（即当前迭代学生模型对当前迭代教师模型起到微调作用）。22.所述自监督实例分割训练包括：将每张迭代图片输入到所述更新的教师模型中进行模型训练，得到当前迭代教师模型以及每张迭代图片检测目标的推理标定结果；将每张迭代图片输入到所述更新的学生模型中进行模型训练，得到每张迭代图片检测目标的预测结果；根据所述每张迭代图片检测目标的预测结果与所述每张迭代图片检测目标的推理标定结果计算迭代推理标定总损失值；根据所述迭代推理标定总损失值对所述更新的学生模型进行反向传播，得到当前迭代学生模型；具体的，将每张迭代图片进行数据弱预处理（例如按比例改变尺寸等轻微改变图片信息），将进行数据弱预处理的每张迭代图片输入到所述更新的教师模型中进行模型训练，得到当前迭代教师模型以及每张迭代图片检测目标的推理标定结果；图2是本发明实施例提供的得到每张迭代图片检测目标的推理标定结果的流程图，如图2所示，所述将每张迭代图片输入到所述更新的教师模型中进行模型训练，得到当前迭代教师模型以及每张迭代图片检测目标的推理标定结果包括：步骤s1021，将每张迭代图片输入到所述更新的教师模型中进行模型训练，得到初始迭代教师模型以及每张迭代图片检测目标的初始预测结果；所述初始预测结果包括：类别得分、目标框、像素点类别；步骤s1022，将所述每张迭代图片中的目标框随机多次扩展预设范围内倍数，得到每张迭代图片的多个第一更新目标框；本发明中，预设范围内倍数为1~4倍；以一张迭代图片为例，该张迭代图片中有一个目标框（假设该目标框中的目标为人），将该张迭代图片中的一个目标框随机扩展1.2倍、1.5倍、1.8倍、2倍、3倍得到5个第一更新目标框。23.步骤s1023，将所述每张迭代图片的多个第一更新目标框输入到所述初始迭代教师模型中进行模型训练，得到当前迭代教师模型以及每张迭代图片检测目标的当前预测结果；所述当前预测结果包括：分别与所述多个第一更新目标框对应的当前类别得分及当前像素点类别；将上述的5个第一更新目标框输入到所述初始迭代教师模型中进行模型训练，得到该张迭代图片检测目标的当前预测结果，所述当前预测结果包括：分别与所述5个第一更新目标框对应的当前类别得分及当前像素点类别。24.步骤s1024，将所述每张迭代图片的第一更新目标框中，类别得分大于或等于预设类别得分的第一更新目标框保留为第二更新目标框；将上述一张迭代图片的5个第一更新目标框中，类别得分大于或等于预设类别得分（本发明中设置为0.85）的第一更新目标框保留为第二更新目标框；即假设5个第一更新目标框中，有1个第一更新目标框的类别得分小于0.85，则将该第一更新目标框删除，剩余的4个第一更新目标框保留为第二更新目标框（即4个第二更新目标框）。25.步骤s1025，计算所述每张迭代图片的全部第二更新目标框的波动差值，当判定该波动差值不在预设波动差值范围内时，将所述每张迭代图片的全部第二更新目标框删除；反之，进入下一步；计算上述一张迭代图片的4个第二更新目标框的波动差值；所述每张迭代图片的全部第二更新目标框的波动差值根据以下公式计算：其中，表示当前迭代图片的全部第二更新目标框的波动差值，n表示当前迭代图片的第二更新目标框的数量；表示第i个第二更新目标框第j个坐标的值，其中，第j个坐标的值为当前第二更新目标框的左上、右下两个坐标中的四个坐标值中的任一坐标值，z表示第z个第二更新目标框。26.当判定该波动差值不在预设波动差值范围（本发明中设置为1.0）内时，将该4个第二更新目标框均删除，反之，则全部保留，进入步骤s1026。27.步骤s1026，计算所述每张迭代图片的全部第二更新目标框的掩膜差值，当判定该掩膜差值不在预设掩膜差值范围内时，将所述每张迭代图片的全部第二更新目标框删除；反之，进入下一步；计算上述一张迭代图片的4个第二更新目标框的掩膜差值；所述每张迭代图片的全部第二更新目标框的掩膜差值根据以下公式计算：全部第二更新目标框的掩膜差值根据以下公式计算：其中，表示当前迭代图片的全部第二更新目标框的均值；n表示当前迭代图片的第二更新目标框的数量；表示当前迭代图片的当前第二更新目标框的掩膜像素点数量（例如：当前迭代图片的当前第二更新目标框中的人的像素点数量）；表示当前迭代图片的第j个第二更新目标框的第i个掩膜像素点的类别概率；为当前迭代图片的全部第二更新目标框的掩膜差值。28.当判定该掩膜差值不在预设掩膜差值范围（本发明中设置为0.9）内时，将该4个第二更新目标框均删除，反之，则全部保留，进入步骤s1027。29.步骤s1027，保留所述每张迭代图片中类别得分最高的第二更新目标框，并将其作为最终目标框；将上述一张迭代图片的4个第二更新目标框中，类别得分最高的第二更新目标框保留，并将其作为最终目标框。30.步骤s1028，将所述最终目标框及该最终目标框对应的所述当前类别得分及当前像素点类别作为每张迭代图片检测目标的推理标定结果。31.将每张迭代图片进行数据强预处理（例如进行翻转、拷贝等操作），将进行数据强预处理后的每张迭代图片输入到所述更新的学生模型中进行模型训练，得到每张迭代图片检测目标的预测结果（类别得分、目标框、像素点类别）；根据所述每张迭代图片检测目标的预测结果与所述每张迭代图片检测目标的推理标定结果计算迭代推理标定总损失值；具体的，其包括：根据所述每张迭代图片检测目标的预测结果与所述每张迭代图片检测目标的推理标定结果计算迭代推理标定分类损失值、迭代推理标定回归损失值、迭代推理标定掩膜损失值；根据以下公式计算所述迭代推理标定总损失值：其中，所述表示迭代推理标定总损失值；所述表示迭代推理标定分类损失值；所述表示迭代推理标定回归损失值；所述表示迭代推理标定掩膜损失值。32.具体的，所述迭代推理标定分类损失值根据以下公式计算：具体的，所述迭代推理标定分类损失值根据以下公式计算：其中，所述为迭代推理标定分类损失值；所述为每张迭代图片检测目标的预测结果匹配上每张迭代图片检测目标的推理标定结果的目标框的数量；表示每张迭代图片检测目标的预测结果的目标框的概率；表示每张迭代图片检测目标的推理标定结果匹配上每张迭代图片检测目标的预测结果的目标框的概率；表示每张迭代图片检测目标的预测结果未匹配上每张迭代图片检测目标的推理标定结果的目标框的数量；表示每张迭代图片检测目标的推理标定结果未匹配上每张迭代图片检测目标的预测结果的目标框的概率；表示每张迭代图片检测目标的预测结果未匹配上每张迭代图片检测目标的推理标定结果的目标框的权重；表示每张迭代图片检测目标的预测结果未匹配上每张迭代图片检测目标的推理标定结果的第j个目标框的得分，表示每张迭代图片检测目标的预测结果未匹配上每张迭代图片检测目标的推理标定结果的第k个目标框的得分。33.本发明中，由于每张迭代图片检测目标的预测结果的类别得分偏高，因此更新的学生模型对每张迭代图片误检的目标框含有大量准确目标，所以对每个误检的目标框（即每张迭代图片检测目标的预测结果未匹配上每张迭代图片检测目标的推理标定结果的目标框）增加权重，减少类别得分高的目标框的作用。即降低误检和漏检的作用，提高正检的作用。34.该自监督实例分割训练采用更新的教师模型来预测并标定每张迭代图片的目标框，减少人工因素导致的误检；教师模型和学生模型同时训练减少训练时间；对目标框依次进行类别得分筛选、波动差值筛选、掩膜差值筛选，修正人为标定结果，提高检测目标的准确率。35.根据所述迭代推理标定总损失值对所述更新的学生模型进行反向传播，得到当前迭代学生模型。36.步骤s103，重复所述步骤s102直至将训练集中全部图片训练完，得到当前轮学生模型、当前轮教师模型、当前轮人工标定总损失值或当前轮推理标定总损失值；步骤s104，重复步骤s102、步骤s103，直至当前轮人工标定总损失值或当前轮推理标定总损失值在第一预设范围内波动，得到目标学生模型、目标教师模型；步骤s105，将待检测图片输入到所述目标学生模型和所述目标教师模型中进行检测，得到目标位置和类别。37.图3是本发明实施例提供的一种通过半监督实例分割标定监控目标的系统的结构示意图，如图3所示，该系统包括：赋值单元201，用于获取预训练模型，将所述预训练模型的权重赋值到初始学生模型的权重中，得到更新的学生模型；将所述更新的学生模型的权重赋值到初始教师模型的权重中，得到更新的教师模型；本发明中，初始学生模型和初始教师模型保持同一种网络结构。首先使用imagenet预训练模型的权重初始化初始学生模型的权重（参数），得到更新的学生模型；初始教师模型的权重由更新的学生模型的权重进行赋值，得到更新的教师模型；冻结更新的教师模型的权重，使更新的教师模型不进行反向传播。38.训练单元202，用于从训练集选取预设数量的图片作为迭代图片；将每张迭代图片随机进行全监督实例分割训练或自监督实例分割训练；所述全监督实例分割训练包括：将每张迭代图片输入到所述更新的学生模型中进行模型训练，得到每张迭代图片检测目标的预测结果；根据所述每张迭代图片检测目标的预测结果与每张迭代图片检测目标的人工标定结果计算迭代人工标定总损失值；根据所述迭代人工标定总损失值对所述更新的学生模型进行反向传播，得到当前迭代学生模型；将所述当前迭代学生模型的权重赋值到所述更新的教师模型的权重中，得到当前迭代教师模型；所述自监督实例分割训练包括：将每张迭代图片输入到所述更新的教师模型中进行模型训练，得到当前迭代教师模型以及每张迭代图片检测目标的推理标定结果；将每张迭代图片输入到所述更新的学生模型中进行模型训练，得到每张迭代图片检测目标的预测结果；根据所述每张迭代图片检测目标的预测结果与所述每张迭代图片检测目标的推理标定结果计算迭代推理标定总损失值；根据所述迭代推理标定总损失值对所述更新的学生模型进行反向传播，得到当前迭代学生模型；具体的，图4是本发明实施例提供的得到每张迭代图片检测目标的推理标定结果的结构示意图，如图4所示：所述将每张迭代图片输入到所述更新的教师模型中进行模型训练，得到当前迭代教师模型以及每张迭代图片检测目标的推理标定结果包括：初始训练子单元2021，用于将每张迭代图片输入到所述更新的教师模型中进行模型训练，得到初始迭代教师模型以及每张迭代图片检测目标的初始预测结果；所述初始预测结果包括：类别得分、目标框、像素点类别；扩展子单元2022，用于将所述每张迭代图片中的目标框随机多次扩展预设范围内倍数，得到每张迭代图片的多个第一更新目标框；扩展训练子单元2023，用于将所述每张迭代图片的多个第一更新目标框输入到所述初始迭代教师模型中进行模型训练，得到当前迭代教师模型以及每张迭代图片检测目标的当前预测结果；所述当前预测结果包括：分别与所述多个第一更新目标框对应的当前类别得分及当前像素点类别；第一筛选子单元2024，用于将所述每张迭代图片的第一更新目标框中，类别得分大于或等于预设类别得分的第一更新目标框保留为第二更新目标框；第二筛选子单元2025，用于计算所述每张迭代图片的全部第二更新目标框的波动差值，当判定该波动差值不在预设波动差值范围内时，将所述每张迭代图片的全部第二更新目标框删除；反之，进入下一步；第三筛选子单元2026，用于计算所述每张迭代图片的全部第二更新目标框的掩膜差值，当判定该掩膜差值不在预设掩膜差值范围内时，将所述每张迭代图片的全部第二更新目标框删除；反之，进入下一步；第四筛选子单元2027，用于保留所述每张迭代图片中类别得分最高的第二更新目标框，并将其作为最终目标框；合并子单元2028，用于将所述最终目标框及该最终目标框对应的所述当前类别得分及当前像素点类别作为每张迭代图片检测目标的推理标定结果。39.第一重复训练单元203，用于重复所述训练单元直至将训练集中全部图片训练完，得到当前轮学生模型、当前轮教师模型、当前轮人工标定总损失值或当前轮推理标定总损失值；第二重复训练单元204，用于重复所述训练单元、所述第一重复训练单元，直至当前轮人工标定总损失值或当前轮推理标定总损失值在第一预设范围内波动，得到目标学生模型、目标教师模型；检测单元205，将待检测图片输入到所述目标学生模型和所述目标教师模型中进行检测，得到目标位置和类别。40.本发明的有益效果：本发明提供了一种通过半监督实例分割标定监控目标的方法及系统，该方法通过实例分割标定监控目标来代替原先的目标检测方法，减少目标框的噪音影响，降低误检率；采用全监督实例分割训练或自监督实例分割训练，减少人工因素导致的误检；教师模型和学生模型同时训练减少训练时间；对目标框依次进行类别得分筛选、波动差值筛选、掩膜差值筛选，修正人为标定结果，提高检测目标的准确率；对迭代推理标定分类损失设置权重，降低误检和漏检的作用，提高正检的作用。41.最后应说明的是：以上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。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!