(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210124010.0 (22)申请日 2022.02.10 (71)申请人 青岛海尔工业智能研究院有限公司 地址 266510 山东省青岛市黄岛区团结路 2877号中德生态园管委 会257房间 申请人 海尔数字科技 （青岛） 有限公司 　 海尔卡奥斯物联生态科技有限公司 (72)发明人 孟海秀　嵇晓峰　姚星星　田玉　 王克刚　 (74)专利代理 机构 北京品源专利代理有限公司 11332 专利代理师 初春 (51)Int.Cl. G06V 40/20(2022.01) G06V 10/40(2022.01)G06V 10/762(2022.01) G06V 10/82(2022.01) G06V 10/70(2022.01) G06K 9/62(2022.01) G06N 3/08(2006.01) G06N 3/12(2006.01) (54)发明名称 图像检测方法、 装置、 设备及存 储介质 (57)摘要 本申请公开了一种图像检测方法、 装置、 设 备及存储介质， 包括： 获取待检测图像和模型训 练数据集； 获取改进YOLO网络模型， 其中， 改进 YOLO网络模型包含有锚框参数， 该锚框参数是基 于聚类算法和遗传算法生 成的； 根据模型训练数 据集对改进YOL O网络模型进行训练， 生成检测模 型； 根据检测模型对待检测图像进行检测， 生成 检测结果。 由于在YOL O网络模型中引入了锚框参 数， 那么基于根据YOL O网络模型训练生成的检测 模型进行图像检测时， 可 以更加准确、 高效地识 别出场景 下， 采集到的图像中的目标对象。 权利要求书2页 说明书6页 附图3页 CN 114463851 A 2022.05.10 CN 114463851 A 1.一种图像 检测方法， 其特 征在于， 包括： 获取待检测图像和模型训练数据集； 获取改进YOLO网络模型， 其 中， 所述改进YOLO网络模型包含有锚框参数， 所述锚框参数 是基于聚类算法和遗传算法生成的； 根据所述模型训练数据集对所述改进YOLO网络模型进行训练， 生成检测模型； 根据所述检测模型对所述待检测图像进行检测， 生成检测结果。 2.根据权利要求1所述的方法， 其特 征在于， 所述获取改进YOLO网络模型， 包括： 获取公共数据集和锚框参数； 根据所述公共数据集对YOLO网络模型进行训练， 得到预训练模型； 将所述锚框参数设置为所述预训练模型的输入参数， 得到更新后的网络模型； 将所述更新后的网络模型确定为所述改进YOLO网络模型。 3.根据权利要求1或2所述的方法， 其特 征在于， 获取 所述锚框参数， 包括： 根据所述聚类算法对所述模型训练数据集中的各数据进行初始聚类， 得到K个簇， 其 中， 所述各 数据为实数对形式， K为大于 0的整数； 根据所述遗传算法分别 对所述K个簇 中各数据进行变异， 生成所述K个簇 中各数据对应 的数据变异结果； 在所述数据变异结果的评估值大于对应簇的评估值的情况下， 将所述数据变异结果确 定为所述对应簇中各个锚框的参数； 在所述数据变异结果的评估值小于或等于对应簇的评估值的情况下， 将所述对应簇中 各数据确定为所述对应簇中各个锚框的参数。 4.根据权利要求3所述的方法， 其特征在， 所述根据 所述聚类算法对所述模型训练数据 集中的各 数据进行初始聚类， 得到K个簇， 包括： 在所述模型训练数据集中随机 选取K个点作为K个初始聚类中心； 其中， 所述K个点 为实数对形式； 分别计算所述K个初始聚类中心与所述模型训练数据集中各 数据之间的距离； 将所述模型训练数据集中各 数据划分为与其距离最小的初始聚类中心所属的类别； 按照均值计算方法重新确定划分后的各类别的聚类中心， 并将重新确定聚类中心的各 类别分别确定为K个簇 。 5.根据权利要求3所述的方法， 其特征在于， 获取所述数据变异结果的评估值和所述对 应簇的评估值， 包括： 根据anchor_fitnes s算法分别计算所述数据变异结果的适应度和对应簇的适应度； 将所述数据变异结果的适应度和对应簇的适应度分别确定为所述数据变异结果的评 估值和所述对应簇的评估值。 6.根据权利要求1所述的方法， 其特征在于， 所述根据所述模型训练数据集对所述改进 YOLO网络模型进行训练， 生成检测模型， 包括： 冻结所述改进YOLO网络模型中的第一类网络参数， 所述第一类网络参数用于提取图像 特征； 在前N个训练周期内， 基于所述模型训练数据集训练所述改进YOLO网络模型的其他网 络参数；权　利　要　求　书 1/2 页 2 CN 114463851 A 2其中， 所述其他网络参数为所述改进YOLO网络模型中除所述第一类网络参数之外的剩 余所有网络参数； 解冻所述第一类网络参数； 在第N+1至M个训练周期内， 基于所述模型训练数据集训练所述改进YOLO网络模型中的 所有网络参数， 将训练得到的网络模型确定为所述检测模型； 其中， N和M为大于 0的整数， 且M大于N。 7.一种图像 检测装置， 其特 征在于， 包括： 获取模块， 用于获取待检测图像和模型训练数据集； 所述获取模块， 还用于获取改进YOLO网络模型， 其中， 所述改进YOLO网络模型包含有锚 框参数， 所述锚框参数 是基于聚类算法和遗传算法生成的； 训练模块， 用于根据所述模型训练数据集对所述改进YOLO网络模型进行训练， 生成检 测模型； 检测模块， 用于根据所述检测模型对所述待检测图像进行检测， 生成检测结果。 8.根据权利要求7所述的装置， 其特征在于， 所述获取模块， 还用于通过以下方式获取 锚框参数： 根据所述聚类算法对所述模型训练数据集中的各数据进行初始聚类， 得到K个簇， 其 中， 所述各 数据为实数对形式， K为大于 0的整数； 根据所述遗传算法分别 对所述K个簇 中各数据进行变异， 生成所述K个簇 中各数据对应 的数据变异结果； 在所述数据变异结果的评估值大于对应簇的评估值的情况下， 将所述数据变异结果确 定为所述对应簇中各个锚框的参数； 在所述数据变异结果的评估值小于或等于对应簇的评估值的情况下， 将所述对应簇中 各数据确定为所述对应簇中各个锚框的参数。 9.一种计算机设备， 其特征在于， 包括： 存储器、 处理器及存储在存储器上并可在处理 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， 实现如权利要求 1‑6任一项所 述的图像 检测方法。 10.一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， 实现如权利要求1 ‑6任一项所述的图像 检测方法。权　利　要　求　书 2/2 页 3 CN 114463851 A 3