[发明专利]基于人工智能的相机灰尘检测方法、装置及电子设备

权利要求书

1.一种基于人工智能的相机灰尘检测方法，其特征在于，所述方法包括：

获取相机采集的图像；

基于所述图像生成至少一个锚框，每个尺寸的所述锚框分别对应一个锚框权重系数；

基于各所述尺寸的锚框分别对应的锚框权重系数对相应的锚框的尺寸进行加权，以增加所述锚框的尺寸的数量；其中，小尺寸的锚框对应的锚框权重系数为取值范围在0至1之间的正态分布的随机数，大尺寸的锚框对应的锚框权重系数为取值范围在1至2之间的正态分布的随机数；

利用预先训练的预测边界框模型确定加权后的各所述锚框对应的预测边界框；

基于所述预测边界框检测所述相机是否覆盖灰尘。

2.根据权利要求1所述的方法，其特征在于，所述基于各所述尺寸的锚框分别对应的锚框权重系数，利用预先训练的预测边界框模型确定各所述锚框对应的预测边界框包括：

针对各所述锚框，分别执行下述操作：

确定各所述锚框对应的尺寸；

基于各所述锚框对应的尺寸以及所述尺寸的锚框对应的锚框权重系数，利用预先训练的预测边界框模型确定各所述锚框的类别和偏移量；

基于各所述锚框的类别和偏移量，确定各所述锚框对应的预测边界框。

3.根据权利要求2所述的方法，其特征在于，所述基于各所述锚框的类别和偏移量，确定各所述锚框对应的预测边界框，包括：

确定包括至少两个候选预测边界框的候选预测边界框集合；

基于所述候选预测边界框集合确定针对每个对象的类别预测概率值最大的候选预测边界框；

基于所述类别预测概率值最大的候选预测边界框的偏移量，确定各所述锚框对应的预测边界框。

4.根据权利要求3所述的方法，其特征在于，所述基于所述候选预测边界框集合确定针对每个对象的类别预测概率值最大的候选预测边界框，包括：

针对所述候选预测边界框集合重复执行下述操作：

对全部所述候选预测边界框的类别预测概率值排序，确定类别预测概率值最大的第一候选预测边界框；

以所述第一候选预测边界框为基准，计算第二候选预测边界框与所述第一候选预测边界框的交并比；所述第二候选预测边界框为所述候选预测边界框集合中除所述第一候选预测边界框以外的候选预测边界框；

若所述交并比大于交并比阈值，则移除所述第二候选预测边界框。

5.根据权利要求3所述的方法，其特征在于，所述基于所述类别预测概率值最大的候选预测边界框的偏移量，确定各所述锚框对应的预测边界框，包括：

基于所述类别预测概率值最大的候选预测边界框的偏移量，调整所述类别预测概率值最大的候选预测边界框的位置，得到各所述锚框对应的预测边界框。

6.根据权利要求1至5任一项所述的方法，其特征在于，所述确定所述锚框对应的预测边界框之前，所述方法还包括：

获取锚框样本，以及所述锚框样本对应的标签；所述标签包括类别标签和偏移量标签；

通过所述边界框模型包括的尺寸确定层，确定所述锚框样本的尺寸以及所述尺寸的锚框样本对应的锚框权重系数；

通过所述边界框模型包括的边界框确定层，基于对应的锚框权重系数确定所述锚框样本的样本类别和样本偏移量；

获取所述锚框样本的样本类别与所述锚框样本的类别标签之间的第一差异，以及所述锚框样本的样本偏移量与所述锚框样本的偏移量标签之间的第二差异；

基于所述第一差异和所述第二差异更新所述边界框模型的参数。

7.根据权利要求1所述的方法，其特征在于，所述基于图像生成至少一个锚框，包括：

以所述图像上每个像素点为中心，生成针对每个像素点的至少一个预设尺寸的锚框。

8.根据权利要求1所述的方法，其特征在于，所述基于所述预测边界框检测采集所述图像的相机是否覆盖灰尘，包括：

基于所述预测边界框的类别，检测所述预测边界框内的对象是否为灰尘。