管状物计数、模型的训练方法、设备及存储介质

技术领域

本申请涉及图像处理技术领域，具体而言，涉及一种管状物计数、模型的训练方法、设备及存储介质。

背景技术

钢管、棒材等管状物作为基础建材的重要原材料之一，在工业界有着不可或缺的重要作用。管状物按形状可分为圆形、方形、矩形和异形管状物。

由于钢管、棒材等管状物的种类繁多，用途广泛，但却也给生产环境带来了困难；工地现场等生产环境中，管状物堆积的数量存在多、杂、乱等缺点，人眼难以区分和计数，给生产人员、一线工人带来极大困扰。一直以来，行业内默认是工人打计数的方法，以此来统计钢管数量。

但是这样的统计方法不但人工成本和时间成本高，并且无法保证统计的准确率。

发明内容

本申请的目的在于，针对上述现有技术中的不足，提供一种管状物计数、模型的训练方法、设备及存储介质，以解决现有技术中管状物计数统计人工成本和时间成本高，并且无法保证统计的准确率的问题。

为实现上述目的，本申请实施例采用的技术方案如下：

第一方面，本申请一实施例提供了一种管状物计数方法，应用于管状物计数模型，所述管状物计数模型包括：图像特征提取模块、管状物检测模块和输出模块；所述方法包括：

采用所述图像特征提取模块，根据预设滑动窗口对应的缩放比例，对待检测图片进行缩放，得到所述待检测图片的特征图；

采用所述管状物检测模块，对所述特征图进行检测，得到管状物检测信息；所述管状物检测信息包括：管状物的数量；

采用所述输出模块，输出包括所述管状物检测信息的检测结果。

可选地，所述管状物检测信息还包括：各管状物在所述特征图中的位置；所述方法还包括：

采用所述管状物检测模块，根据所述各管状物在所述特征图中的位置，在所述特征图中对所述各管状物进行标注；

采用所述输出模块输出标注后的特征图。

可选地，所述管状物计数模型还包括：上采样模块；所述采用所述输出模块输出标注后的特征图之前，所述方法还包括：

采用所述上采样模块对所述标注后的特征图进行上采样处理；

所述采用所述输出模块输出标注后的特征图，包括：

采用所述输出模块输出上采样处理后的特征图。

可选地，所述采用所述管状物检测模块，根据所述各管状物在所述特征图中的位置，在所述特征图中对所述各管状物进行标注，包括：

采用所述管状物检测模块，根据所述各管状物在所述特征图中的位置，在所述特征图中所述各管状物的位置处标注检测框。

可选地，所述采用所述管状物检测模块，根据所述各管状物在所述特征图中的位置，在所述特征图中所述各管状物的位置处标注检测框，包括：

若所述特征图中至少两个检测框的重合面积大于预设阈值，由所述管状物检测模块，采用非极大值抑制算法从重合的检测框中确定目标检测框，并删除所述重合的检测框中所述目标检测框之外的检测框。

第二方面，本申请另一实施例提供了一种管状物计数模型的训练方法，待训练管状物计数模型包括：图像特征提取模块和管状物检测模块；所述方法包括：

采用所述图像特征提取模块对预设管状物样本图像集中的各样本图像进行特征提取，得到各样本图像的特征图；

采用所述管状物检测模块，对所述各样本图像的特征图进行检测，得到各所述样本图像的管状物检测信息；其中，所述样本图像为包括管状物的样本图像，各所述样本图像上均包括预先标注的管状物的标注信息；

根据所述检测信息和所述标注信息，确定所述待训练管状物计数模型的损失函数；

根据所述损失函数对所述待训练管状物计数模型进行迭代训练，直至满足所述迭代停止条件；

确定满足所述迭代停止条件的所述待训练管状物计数模型为预设管状物计数模型。

可选地，所述检测信息包括：各管状物在所述样本图像中的检测位置，和所述样本图像中各像素点是否为所述管状物的识别信息，所述标注信息包括：各管状物在所述样本图像中的实际位置，和所述样本图像中各像素点是否为所述管状物的实际信息；各所述根据所述检测信息和所述标注信息，确定所述待训练管状物计数模型的损失函数，包括；

根据所述检测位置和实际位置，确定所述待训练管状物计数模型的位置损失函数；

根据所述识别信息和实际信息，确定所述待训练管状物计数模型的识别损失函数；

所述根据所述损失函数对所述待训练管状物计数模型进行迭代训练，包括：

根据所述位置损失函数和所述识别损失函数，对所述管状物检测模块进行迭代训练。

可选地，所述确定满足所述迭代停止条件的所述待训练管状物计数模型为预设管状物计数模型之后，所述方法还包括：

将所述预设管状物计数模型部署在预设虚拟化的图形处理环境下。

第三方面，本申请另一实施例提供了一种管状物计数装置，所述装置包括：缩放模块、检测模块和输出模块，其中：

所述缩放模块，用于根据预设滑动窗口对应的缩放比例，对待检测图片进行缩放，得到所述待检测图片的特征图；

所述检测模块，用于对所述特征图进行检测，得到管状物检测信息；所述管状物检测信息包括：管状物的数量；

所述输出模块，用于输出包括所述管状物检测信息的检测结果。

可选地，所述管状物检测信息还包括：各管状物在所述特征图中的位置；所述装置还包括：标注模块，用于根据所述各管状物在所述特征图中的位置，在所述特征图中对所述各管状物进行标注；

所述输出模块，用于输出标注后的特征图。

可选地，所述管状物计数模型还包括：上采样模块；

所述缩放模块，具体用于对所述标注后的特征图进行上采样处理；

所述输出模块，具体用于输出上采样处理后的特征图。

可选地，所述标注模块，具体用于根据所述各管状物在所述特征图中的位置，在所述特征图中所述各管状物的位置处标注检测框。

可选地，所述装置还包括：确定模块，用于若所述特征图中至少两个检测框的重合面积大于预设阈值，则采用非极大值抑制算法从重合的检测框中确定目标检测框，并删除所述重合的检测框中所述目标检测框之外的检测框。

第四方面，本申请另一实施例提供了一种管状物计数模型的训练装置，所述装置包括：提取模块、检测模块、确定模块和训练模块，其中：

所述提取模块，用于对预设管状物样本图像集中的各样本图像进行特征提取，得到各样本图像的特征图；

所述检测模块，用于采对所述各样本图像的特征图进行检测，得到各所述样本图像的管状物检测信息；其中，所述样本图像为包括管状物的样本图像，各所述样本图像上均包括预先标注的管状物的标注信息；

所述确定模块，用于根据所述检测信息和所述标注信息，确定所述待训练管状物计数模型的损失函数；

所述训练模块，用于根据所述损失函数对所述待训练管状物计数模型进行迭代训练，直至满足所述迭代停止条件；

所述确定模块，具体用于确定满足所述迭代停止条件的所述待训练管状物计数模型为预设管状物计数模型。

可选地，所述检测信息包括：各管状物在所述样本图像中的检测位置，和所述样本图像中各像素点是否为所述管状物的识别信息，所述标注信息包括：各管状物在所述样本图像中的实际位置，和所述样本图像中各像素点是否为所述管状物的实际信息；

所述确定模块，具体用于根据所述识别信息和实际信息，确定所述待训练管状物计数模型的识别损失函数；

所述训练模块，具体用于根据所述位置损失函数和所述识别损失函数，对所述管状物检测模块进行迭代训练。

可选地，所述装置还包括：部署模块，用于将所述预设管状物计数模型部署在预设虚拟化的图形处理环境下。

第五方面，本申请另一实施例提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如上述第一方面或第二方面任一所述方法的步骤。

第六方面，本申请另一实施例提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上述第一方面或第二方面任一所述方法的步骤。

本申请的有益效果是：采用本申请提供的管状物计数方法，可以在获取到待检测图像后，对待检测图像进行缩放，并对缩放后的待检测图像的特征图进行识别和检测，确定特征图中管状物的数量为该待检测图像中管状物的数量，并输出检测结果，从而实现了通过直接对管状物图像进行拍照就可以对图像中的管状物数量进行自动计数，避免了人工计数造成的浪费人力成本和时间成本的问题。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请一实施例提供的管状物计数方法的流程示意图；

图2为本申请另一实施例提供的管状物计数方法的流程示意图；

图3为本申请另一实施例提供的管状物计数方法的流程示意图；

图4为本申请一实施例提供的管状物计数模型的训练方法的流程示意图；

图5为本申请一实施例提供的管状物计数模型的训练方法的流程示意图；

图6为本申请一实施例提供的管状物计数模型的训练方法的流程示意图；

图7为本申请一实施例提供的管状物计数的流程示意图；

图8为本申请一实施例提供的管状物计数装置的结构示意图；

图9为本申请另一实施例提供的管状物计数装置的结构示意图；

图10为本申请一实施例提供的管状物计数模型的训练装置的结构示意图；

图11为本申请另一实施例提供的管状物计数模型的训练装置的结构示意图；

图12为本申请一实施例提供的电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。

通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

另外，本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

如下结合多个具体的应用示例，对本申请实施例所提供的一种管状物计数方法进行解释说明。图1为本申请一实施例提供的一种管状物计数方法的流程示意图，应用于管状物计数模型，管状物计数模型包括：图像特征提取模块、管状物检测模块和输出模块；如图1所示，该方法包括：

S101：采用图像特征提取模块，根据预设滑动窗口对应的缩放比例，对待检测图片进行缩放，得到待检测图片的特征图。

在本申请的一个实施例中，管状物计数模型例如可以为对象检测算法(You OnlyLook Once，YOLO)模型，可以用于对待检测图像中的管状物数量进行计数，在一些可能的实施例中，管状物例如可以为任意形状的钢管，例如待检测图像例如可以为实时拍摄获取的，也可以为通过接收用户上传：圆形钢管、三角形钢管或方形钢管等，也可以为任意棒材，例如木棒、塑料管、灯管、水管等，具体应用场景可以根据用户需要灵活调整，并不以上述实施例给出的为限。

示例地，在一些实施例中，待检测图像中的管状物需要摆放整齐，并且待检测图像的光线需要明亮；若待检测图像时在实时拍摄的环境下拍摄获取的，拍摄过程中用户需要调整拍摄距离，选择适当的距离进行拍照。

示例地，在待检测图像输入至管状物计数模型之前，还需要对待检测图像的尺寸进行压缩，将待检测图像进行无损压缩至预设尺寸，将待检测图像的尺寸进行统一，随后，再将无损压缩后的待检测图像作为管状物计数模型的输入，在本申请的一个实施例中，预设尺寸例如可以为608＊608。

在本申请的一个实施例中，预设滑动窗口的缩放比例是预设好的，例如可以为8＊8、16＊16或32＊32，具体可以根据用户需要进行选择，在本申请的一个实施例中，预设滑动窗口为32＊32的，表示经过该预设滑动窗口的待检测图像需要根据32＊32的比例进行缩放，仍以待检测图像为608＊608为例进行说明，经过32＊32的预设滑动窗口的缩放后，会将待检测图像缩放为19＊19的特征图，该特征图即为待检测图像对应的特征图，其中，不同缩放尺寸的滑动窗口对待检测图像进行缩放后，得到的特征图的尺寸不同。

S102：采用管状物检测模块，对特征图进行检测，得到管状物检测信息。

其中，管状物检测信息包括：管状物的数量。

S103：采用输出模块，输出包括管状物检测信息的检测结果。

在一些可能的实施例中，检测结果例如可以为图像结果和\或文字结果，具体可以根据用户需要灵活调整，并不以上述实施例给出的为限。

采用本申请提供的管状物计数方法，可以在获取到待检测图像后，对待检测图像进行缩放，并对缩放后的待检测图像的特征图进行识别和检测，确定特征图中管状物的数量为该待检测图像中管状物的数量，并输出检测结果，从而实现了通过直接对管状物图像进行拍照就可以对图像中的管状物数量进行自动计数，实现了对管状物高效且准确的计数，避免了人工计数造成的浪费人力成本和时间成本的问题。

可选地，在上述实施例的基础上，本申请实施例还可提供一种管状物计数方法，如下结合附图对上述方法的实现过程进行示例说明。图2为本申请另一实施例提供的一种管状物计数方法的流程示意图，管状物检测信息还包括：各管状物在特征图中的位置；如图2所示，该方法还包括：

S104：采用管状物检测模块，根据各管状物在特征图中的位置，在特征图中对各管状物进行标注。

示例地，在一些可能的实施例中，管状物信息例如可以包括：该位置检测是管状物的概率、归一化后各管状物中心的横坐标、纵坐标、钢管宽度和高管高度；其中，若管状物检测模型的识别结果为1，表示该位置为管状物，对于不是管状物的结果，管状物检测模型的识别结果为0，表示该位置不是管状物，则会将该位置识别为背景；应当理解上述实施例仅为示例性说明，具体管状物信息中包括的内容可以根据用户需要灵活调整，并不以上述实施例给出的图像为限。

在本申请的一个实施例中，例如可以采用管状物检测模块，根据各管状物在特征图中的位置，分别确定各管状物在特征图中横坐标和纵坐标的最大值和最小值，并确定各管状物在特征图中横坐标和纵坐标的最大值和最小值为检测框，在特征图中对各管状物进行检测框的标注；例如可以在特征图中各管状物的位置，在各管状物的位置处标注预设颜色的检测框。

在本申请的另一实施例中，例如可以采用管状物检测模块，将各管状物的中心位置作为该管状物在特征图中的位置，随后根据各管状物的中心位置，在特征图中以各管状物的中心位置为中心，标注预设大小和预设颜色的检测框；此外，还可以将各管状物的中心位置以区别于检测框的颜色进行标注；例如，将各管状物的检测框标注为绿色，将各管状物的中心位置标注为红色。

应当理解上述实施例均为示例性说明，具体各管状物的标注内容和标注方式均可以根据用户需要灵活调整，并不以上述实施例给出的为限。

示例地，在一些可能的实施例中，若特征图中至少两个检测框的重合面积大于预设阈值，由管状物检测模块，采用非极大值抑制算法从重合的检测框中确定目标检测框，并删除重合的检测框中目标检测框之外的检测框。

举例说明，例如特征图中存在至少两个检测框互相重合，并且重合面积大于预设阈值45％，此时则采用非极大值抑制soft－nms算法从重合的多个检测框中确定一个目标检测框为需要保留的最佳检测框，从而避免重复检测的情况。

其中，soft－nms算法为计算多个检测框的评分，并根据最终各检测框的评分值确定目标检测框，其中，计算各检测框的评分算法例如可以为：

S105：采用输出模块输出标注后的特征图。

仍以管状物识别模型的输入为608＊608的待检测图像，管状物信息包括下述五个参数：该位置检测是管状物的概率、归一化后该管状物中心的横坐标、纵坐标、钢管宽度和高管高度为例进行说明；则说明当前管状物识别模型的输入为608＊608的待检测图像，输出的标注后的特征图的维度为19＊19＊5。

输出包括标注的特征图，可以使得用户在得到管状物数量的同时，可以以图像的形式清楚地看到各管状物在图像中的位置，从而方便用户核查计数是否正确，或留底存档等行为。

可选地，在上述实施例的基础上，本申请实施例还可提供一种管状物计数方法，如下结合附图对上述方法的实现过程进行示例说明。图3为本申请另一实施例提供的一种管状物计数方法的流程示意图，管状物计数模型还包括：上采样模块；如图3所示，S105之前，该方法还可包括：

S106：采用上采样模块对标注后的特征图进行上采样处理。

在一些可能的实施例中，例如输出特征图后，用户可以通过点击输出的特征图的方式，触发对特征图的上采样；或者，在另一些可能的实施例中，例如图形用户界面中还包括查看按键，用户可以通过触发查看按键的方式，触发对特征图的上采样，从而得到上采样后的特征图；也可以为在得到特征图后，默认必须经过上采样得到该特征图对应的上采样处理后的特征图，具体上采样的触发方式可以根据用户需要灵活调整，并不以上述实施例给出的为限。

对应的，S105可包括：

S107：采用输出模块输出上采样处理后的特征图。

这种对带有标注的特征图进行上采样后再输出的方式，可以使得输出的图像更加清晰，方便用户查看，在一些可能的实施例中，可以直接将特征图进行上采样，得到与输入的待检测图像大小一致的图像；在另一些可能的实施例中，也可以将特征图进行上采样，得到预设大小的图像，具体上采样后得到的图像的大小可以根据用户需要灵活调整，并不以上述实施例给出的为限。

采用本申请提供的方法，不但可以根据管状物计数模型直接检测出待检测图像中包括的管状物数量，并且可以将待检测图像中的管状物进行标注，通过图文返回检测结果的方式，提高用户体验，用户可以通过查看返回的带有标注的图像，检查是否有漏数等错误情况，在用户确定检测结果无误后，再对检测结果进行记录，从而保证了检测结果的数字与图像的一致性和可追溯性。

如下结合多个具体的应用示例，对本申请实施例所提供的一种管状物计数模型的训练方法进行解释说明。图4为本申请一实施例提供的一种管状物计数模型的训练方法的流程示意图，待训练管状物计数模型包括：图像特征提取模块和管状物检测模块；如图4所示，该方法包括：

S201：采用图像特征提取模块对预设管状物样本图像集中的各样本图像进行特征提取，得到各样本图像的特征图。

在本申请的一个实施例中，样本图像例如可以为从网络爬取的、拍摄的、或通过对历史数据进行筛选得到的，并通过人工标注的方式生成的具有标注信息的样本图像，样本图像集中的每个样本图像均为预设大小的，例如每个样本图像均为608＊608，每个样本图像经过608->304->152->76->38->19的下采样后，分别得到各样本图像对应的19*19大小的特征图。

S202：采用管状物检测模块，对各样本图像的特征图进行检测，得到各样本图像的管状物检测信息。

在本申请的一个实施例中，管状物检测模块可以为YOLO神经网络，YOLO神经网络包含52层卷积层和23层残差网络，其中分别依次包括：卷积层，卷积层，1层单元模块，卷积层，2层单元模块，卷积层，8层单元模块，卷积层，8层单元模块，卷积层，4层单元模块，池化层，全连接层，多分类层。

其中，样本图像为包括管状物的样本图像，各样本图像上的各管状物均包括预先标注的管状物的标注信息。

S203：根据检测信息和标注信息，确定待训练管状物计数模型的损失函数。

其中，损失函数为根据检测信息与标注信息之间的相似度确定的。

S204：根据损失函数对待训练管状物计数模型进行迭代训练，直至满足迭代停止条件。

S205：确定满足迭代停止条件的待训练管状物计数模型为预设管状物计数模型。

上述实施例为图1－图3的预设管状物计数模型的训练方法，带来的有益效果与上述图1－图3带来的有益效果相同，本申请在此不再赘述。

可选地，在上述实施例的基础上，本申请实施例还可提供一种管状物计数模型的训练方法，如下结合附图对上述方法计算损失函数的实现过程进行示例说明。图5为本申请另一实施例提供的一种管状物计数模型的训练方法的流程示意图，检测信息包括：各管状物在样本图像中的检测位置，和样本图像中各像素点是否为管状物的识别信息，标注信息包括：各管状物在样本图像中的实际位置，和样本图像中各像素点是否为管状物的实际信息；如图5所示，S203可包括：

S206：根据检测位置和实际位置，确定待训练管状物计数模型的位置损失函数。

S207：根据识别信息和实际信息，确定待训练管状物计数模型的识别损失函数。

对应的，S204可包括：

S208：根据位置损失函数和识别损失函数，对管状物检测模块进行迭代训练。

在一些可能的实施例中，训练中采用mish激活函数作为识别损失函数，其中识别损失函数为：

mish＝x×tanh(ln(1+e

其中，x为识别信息，即检测到的管状物的分类信息，是管状物或不是管状物，其中是管状物时，x的取值为1，不是管状物时，x的取值为0；此外还使用网络损失函数CIOU_loss激活函数作为位置损失函数，用于解决现有的iou_loss无法优化两个检测框不重合的情况，和无法区分两个检测框存在重合情况两个问题。其中网络损失函数为：

在本申请的一个实施例中，网络损失函数CIOU_loss的阈值指定为0.7，其中α为trade-off的参数，根据公式

为了训练过程中目标函数加快收敛到局部最小值，指定学习率为0.0025(基于gpu的参数和性能这样设定的)，且按照0.1倍率梯度递减，每迭代40000步后递减一次；上述递减倍率和迭代次数可以视为学习率，是根据现有的显卡情况设定的，学习率太大可能会导致内存泄露等异常情况，学习率太小可能会导致训练太慢，因此本申请将学习率设置到的上述数值，但是应当理解具体学习率的设置可以根据用户需要灵活调整，人为设定，并不以上述实施例给出为限。

在本申请的一个实施例中，本申请还指定了动量优化器，并设置超参数β为0.9，其公式为：

在一些可能的实施例中，本申请的模型中采用了L2正则化，正则化公式为：

在本申请的一个实施例中，在迭代训练之后，例如还可以通过预设验证数据集中的各验证图像，对迭代训练后的管状物检测模块进行验证，根据迭代训练后的管状物检测模型检测验证图像中的管状物信息，并确定管状物信息的检测结果是否准确，若准确，则停止迭代，否则根据验证数据集和样本数据集对数据进行扩充，通过对图像数据的明暗、剪裁、翻转、β色调参数等多种数据增广优化方法，打乱数据并采用多线程方式，对管状物检测模型继续进行训练，充分调用中央处理器cpu和图形处理器gpu的性能，对管状物检测模型中的个别参数进行微调，直至训练收敛且检测结果得到较高的准确率。

可选地，在上述实施例的基础上，本申请实施例还可提供一种管状物计数模型的训练方法，如下结合附图对上述方法计算损失函数的实现过程进行示例说明。图6为本申请另一实施例提供的一种管状物计数模型的训练方法的流程示意图，如图6所示，S205之后，该方法还可包括：

S209：将预设管状物计数模型部署在预设虚拟化的图形处理环境下。

图7为本申请一实施例提供的管状物计数的流程示意图，如图7所示，在本申请的一个实施例中，例如可以将预设管状物计数模型部署到虚拟化的图形处理GPU环境下，并提供给调用接口至微服务器系统springboot，待检测图像通过网关传输路径传输至微服务器系统中，通过微服务器系统调用预设管状物计数模型，即在使用过程中，用户例如可以通过预设应用程序、小程序或在预设网页上，可以实现对预设管状物计数模型的调用；前端模块例如客户终端模块，负责上传待检测图像和展示检测结果；后端例如服务器用于传输前端的调用命令并且拦截错误请求。将本申请提供的管状物计数模型部署在后台的gpu服务器的虚拟环境中，可以实现高效快捷部署，且具备一键还原的功能，能极大程度避免环境问题对模型带来的影响。

上述方法的带来的有益效果与上述图1－图3方法相同，本申请在此不再赘述。

下述结合附图对本申请所提供的管状物计数装置进行解释说明，该管状物计数装置可执行上述图1-图3任一管状物计数方法，其具体实现以及有益效果参照上述，如下不再赘述。

图8为本申请一实施例提供的下述结合附图对本申请所提供的管状物计数装置进行解释说明，该管状物计数装置可执行上述图1-图3任一管状物计数方法，其具体实现以及有益效果参照上述，如下不再赘述。如图8所示，该装置包括：缩放模块301、检测模块302和输出模块303，其中：

缩放模块301，用于根据预设滑动窗口对应的缩放比例，对待检测图片进行缩放，得到待检测图片的特征图。

检测模块302，用于对特征图进行检测，得到管状物检测信息；管状物检测信息包括：管状物的数量。

输出模块303，用于输出包括管状物检测信息的检测结果。

可选地，在上述实施例的基础上，本申请实施例还可提供一种管状物计数装置，如下结合附图对上述图8给出的装置进行示例说明。图9为本申请另一实施例提供的一种管状物计数装置的流程示意图，管状物检测信息还包括：各管状物在特征图中的位置；如图9所示，该装置还包括：标注模块304，用于根据各管状物在特征图中的位置，在特征图中对各管状物进行标注。

输出模块303，用于输出标注后的特征图。

可选地，缩放模块301，具体用于对标注后的特征图进行上采样处理。

输出模块303，具体用于输出上采样处理后的特征图。

可选地，标注模块304，具体用于根据各管状物在特征图中的位置，在特征图中各管状物的位置处标注检测框。

如图9所示，该装置还包括：确定模块305，用于若特征图中至少两个检测框的重合面积大于预设阈值，则采用非极大值抑制算法从重合的检测框中确定目标检测框，并删除重合的检测框中目标检测框之外的检测框。

下述结合附图对本申请所提供的管状物计数装置进行解释说明，该管状物计数装置可执行上述图4-图7任一管状物计数模型的训练方法，其具体实现以及有益效果参照上述，如下不再赘述。

图10为本申请一实施例提供的管状物计数模型的训练装置的结构示意图，如图10所示，该装置包括：提取模块401、检测模块402、确定模块403和训练模块404，其中：

提取模块401，用于对预设管状物样本图像集中的各样本图像进行特征提取，得到各样本图像的特征图。

检测模块402，用于对各样本图像的特征图进行检测，得到各样本图像的管状物检测信息；其中，样本图像为包括管状物的样本图像，各样本图像上均包括预先标注的管状物的标注信息。

确定模块403，用于根据检测信息和标注信息，确定待训练管状物计数模型的损失函数。

训练模块404，用于根据损失函数对待训练管状物计数模型进行迭代训练，直至满足迭代停止条件。

确定模块403，具体用于确定满足迭代停止条件的待训练管状物计数模型为预设管状物计数模型。

可选地，检测信息包括：各管状物在样本图像中的检测位置，和样本图像中各像素点是否为管状物的识别信息，标注信息包括：各管状物在样本图像中的实际位置，和样本图像中各像素点是否为管状物的实际信息。

确定模块403，具体用于根据识别信息和实际信息，确定待训练管状物计数模型的识别损失函数。

训练模块404，具体用于根据位置损失函数和识别损失函数，对管状物检测模块进行迭代训练。

可选地，在上述实施例的基础上，本申请实施例还可提供一种管状物计数模型的训练装置，如下结合附图对上述图10给出的装置进行示例说明。图11为本申请另一实施例提供的一种管状物计数模型的训练装置的流程示意图，如图11所示，该装置还包括：部署模块405，用于将预设管状物计数模型部署在预设虚拟化的图形处理环境下。

上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。

以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system－on－a－chip，简称SOC)的形式实现。

图12为本申请一实施例提供的电子设备的结构示意图，该电子设备可以集成于终端设备或者终端设备的芯片。

该电子设备包括：处理器501、存储介质502和总线503。

处理器501用于存储程序，处理器501调用存储介质502存储的程序，以执行上述图1－图7对应的方法实施例。具体实现方式和技术效果类似，这里不再赘述。

可选地，本申请还提供一种程序产品，例如存储介质，该存储介质上存储有计算机程序，包括程序，该程序在被处理器运行时执行上述方法对应的实施例。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read－Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。