[发明专利]一种基于豪斯多夫距离计算距离损失的方法及装置

说明书

本发明涉及豪斯多夫距离技术领域，公开了一种基于豪斯多夫距离计算距离损失的方法，包括：构建基于豪斯多夫距离的网络模型，网络模型包括从前到后依次连接的基于通道注意力模块的ShuffleNetV2网络、RepBlockv2模块和基于豪斯多夫距离设计的无锚点检测头网络；将待测工业产品的数据集和训练集输入到基于通道注意力模块的ShuffleNetV2网络获取不同尺寸的提取特征图；将提取特征图输入到RepBlockv2模块，使用多分支结构配合深度可分离卷积和残差连接，进行多级预测获取融合特征图；训练后的基于豪斯多夫距离的网络模型检测待测工业产品。本发明设计豪斯多夫距离损失函数，解决了目标检测中常用损失函数与评测指标不一致的问题，并且使得预测检测框的坐标回归范围的边界更加准确和平滑。

技术领域

本发明涉及豪斯多夫距离技术领域，具体地说，是一种基于豪斯多夫距离计算距离损失的方法及装置。

背景技术

工业产品在生产过程中，由于产品表面会受到药粉等不可控的脏污，从而导致对产品检测出现误检的情况，因此能够正确检测产品，既可以保证工业产品的质量，也能大幅度提高生产效率。工业产品检测方法主要分为传统方法和人工智能方法。传统方法也分两种，一种完全由人眼检测，这种方法检测结果不稳定，检测人员的主观因素占比很大，而且随着产品产量的增加，检测人员会出现视觉疲劳，造成大量误检；另外一种是对工业产品提取手工特征进行分类，是一种应用传统图像处理衍生的技术，但是一些产品上面的文字或图案，由于模具不一致以及图像模糊等原因，使用传统的图像匹配算法容易出错，造成误检。人工智能方法是指使用基于深度学习的方法进行检测，通过深度神经网络模型对采集的工业产品图像数据进行分析，定位出检测目标，在数据量较大且复杂的情况下，也能通过加深加宽网络模型，提高模型的特征表达能力，从而精准检测产品，得到了令人满意的检测效果。基于深度学习的检测技术主要分为两阶段算法和单阶段算法，两阶段算法中代表算法有Fater R-CNN、MTCNN等，这类基于Anchor-Based算法主要将检测过程分成生成候选区域和基于候选区域检测分类，具有高精度的优势。而单阶段代表算法有YOLOV3、SSD等，这类算法基于Anchor-Free，没有候选区域部分的计算，直接在特征图上定位分类，具有较高的实时性。

目前的工业产品检测，为了能够得到精度较高的模型，模型结构比较复杂，如专利号CN202210386933.3 一种基于无锚框算法的轻量化文字检测方法及装置中所述的ShuffleNetV2中包含了通道随机混合操作模块，该模块起到了通道间的信息交换作用，但是会出现特征融合损失的问题，而且计算过程较为复杂即计算操作比较比较耗时间。传统的特征融合模块，模型的计算效率和检测性能无法同时兼顾，往往为保证检测性能该模块的设计会出现计算量较大的情况。传统目标检测损失函数中会出现损失函数与评测指标不一致，即更小的损失值不等于更高的性能的问题，且预测检测框往往会因为目标个体的形状、重叠的目标和目标背景而产生边界框不准确、不平滑的问题。从而产生的模型比较笨重，这直接影响了在实际工业应用中由于设备的限制，不能够有效的实施。因此，亟需一种部署简单的轻量化工业产品检测方案，使得模型能够在移动端部署，以达到实时对工业产品上文字位置准确检测的性能。

发明内容

本发明的目的在于提供一种基于豪斯多夫距离计算距离损失的方法，对工业产品上准确检测的效果。

本发明通过下述技术方案实现：一种基于豪斯多夫距离计算距离损失的方法，包括：

步骤S1，构建基于豪斯多夫距离的网络模型，所述网络模型包括从前到后依次连接的基于通道注意力模块的ShuffleNetV2网络、RepBlockv2模块和基于豪斯多夫距离设计的无锚点检测头网络；

步骤S2，将待测工业产品的数据集和训练集输入到基于通道注意力模块的ShuffleNetV2网络获取不同尺寸的提取特征图；

步骤S3，将所述提取特征图输入到RepBlockv2模块，使用多分支结构配合深度可分离卷积和残差连接，进行多级预测获取融合特征图；