电动车检测方法、装置、终端设备及计算机可读存储介质

技术领域

本申请属于计算机视觉应用技术领域，尤其涉及一种电动车检测方法、装置、终端设备及计算机可读存储介质。

背景技术

随着居民生活水平日益提高，大家的安全意识也逐渐增强。其中，电动车引起的室内火灾事故对居民的危害重大，引起相关管理部门的重视。目前仍有少数居民将电动车放进室内，例如直梯、楼道等。若需要落实禁止电动车进楼的规定，则需要配合全天候监视，对直梯或楼道等室内场景进行监控，识别是否存在电动车停放。

目前，现有的针对图像中目标检测的模型通常是多目标检测的类型，而上述场景需要检测的只有单目标的电动车，通过现有的模型对电动车进行检测容易出现误检的现象，即将非电动车对象识别成电动车，从而降低了模型的准确性。

发明内容

本申请实施例提供了一种电动车检测方法、装置、终端设备及计算机可读存储介质，可以解决在预设场景下将非电动车对象识别成电动车，而降低模型识别准确率的问题。

第一方面，本申请实施例提供了一种电动车检测方法，所述方法包括：

获取预设场景下的待检测图像；将所述待检测图像输入电动车检测模型进行处理，输出所述待检测图像中对电动车的检测结果；其中，所述电动车检测模型为通过正样本数据和负样本数据训练得到的，所述正样本数据包括所述预设场景中有电动车的正样本图像和正样本标签，所述负样本数据包括所述预设场景中无电动车的负样本图像和负样本标签。

在第一方面的一种可能的实现方式中，所述将所述待检测图像输入电动车检测模型进行处理，输出所述待检测图像中对电动车的检测结果，包括：

将所述待检测图像输入电动车检测模型进行特征提取，输出所述待检测图像中含有所述电动车对应的分数，将所述分数作为所述检测结果。

在第一方面的一种可能的实现方式中，所述方法还包括：

若所述分数小于或等于所述预设分数阈值，则确定所述待检测图像中无电动车；若所述分数大于所述预设分数阈值，则确定所述待检测图像中存在所述电动车，同时，所述电动车检测模型输出所述电动车在所述待检测图像中的位置信息，将所述分数和所述位置信息作为所述检测结果。

在第一方面的一种可能的实现方式中，在所述将所述待检测图像输入电动车检测模型进行处理之前，所述方法包括：

获取所述预设场景对应的训练数据集，所述训练数据集包括正样本数据和负样本数据，所述正样本数据包括所述正样本图像和所述正样本标签，所述负样本数据包括负样本图像和负样本标签；将所述正样本图像按预设大小输入初始检测模型进行处理，输出正样本检测结果；将所述负样本图像按所述预设大小输入所述初始检测模型进行处理，输出负样本检测结果；根据所述正样本检测结果和所述正样本标签，通过第一损失函数计算第一损失值；根据所述负样本检测结果和所述负样本标签，通过第二损失函数计算第二损失值；根据所述第一损失值和所述第二损失值，对所述初始检测模型进行训练，并调整所述初始检测模型的参数，得到所述电动车检测模型。

在第一方面的一种可能的实现方式中，所述正样本标签包括所述正样本图像的第一类别标签和实际位置信息，第一损失函数包括分类损失函数和回归损失函数，正样本检测结果包括第一分类预测结果和位置预测结果；所述根据所述正样本检测结果和所述正样本标签，通过第一损失函数计算第一损失值，包括：

通过所述分类损失函数，计算所述第一分类预测结果与所述第一类别标签的第一误差值；通过所述回归损失函数，计算所述位置预测结果与所述实际位置信息的第二误差值；将所述第一误差值和所述第二误差值作为所述第一损失值。

在第一方面的一种可能的实现方式中，所述负样本标签包括所述负样本图像的第二类别标签，所述第二损失函数包括分类损失函数，所述负样本检测结果包括第二分类预测结果；

所述根据所述负样本检测结果和所述负样本标签，通过第二损失函数计算第二损失值，包括：

通过所述分类损失函数，计算所述第二分类预测结果与所述第二类别标签的第三误差值；将所述第三误差值作为所述第二损失值。

第二方面，本申请实施例提供了一种电动车检测装置，所述装置包括：

获取单元，用于获取预设场景下的待检测图像；

处理单元，用于将所述待检测图像输入电动车检测模型进行处理，输出所述待检测图像中对电动车的检测结果；其中，所述电动车检测模型为通过正样本数据和负样本数据训练得到的，所述正样本数据包括所述预设场景中有电动车的正样本图像和正样本标签，所述负样本数据包括所述预设场景中无电动车的负样本图像和负样本标签。

在第二方面的一种可能的实现方式中，所述装置还包括训练单元；

所述训练单元用于获取所述预设场景对应的训练数据集，所述训练数据集包括正样本数据和负样本数据，所述正样本数据包括所述正样本图像和所述正样本标签，所述负样本数据包括负样本图像和负样本标签；将所述正样本数据输入初始检测模型进行处理，输出正样本检测结果；将所述负样本数据输入所述初始检测模型进行处理，输出负样本检测结果；根据所述正样本检测结果和所述正样本标签，通过第一损失函数计算第一损失值；根据所述负样本检测结果和所述负样本标签，通过第二损失函数计算第二损失值；根据所述第一损失值和所述第二损失值，对所述初始检测模型进行训练，并调整所述初始检测模型的参数，得到所述电动车检测模型。

第三方面，本申请实施例提供了一种终端设备，所述终端设备包括存储器、处理器以及存储在所述存储器中并可在所述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所述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面所述的方法。

可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

本申请实施例与现有技术相比存在的有益效果是：通过本申请实施例，终端设备获取预设场景下的待检测图像；将待检测图像输入电动车检测模型进行处理，输出待检测图像中对电动车的检测结果；其中，电动车检测模型为通过正样本数据和负样本数据训练得到的，正样本数据包括预设场景中有电动车的正样本图像和正样本标签，负样本数据包括所述场景中无电动车的负样本图像和负样本标签；本申请通过使用基于正样本数据和负样本数据训练得到的电动车检测模型，对预设场景下的待检测图像进行检测识别，识别出待检测图像中的是否含有电动车，有效的减少了电动车识别模型的误识别率，提升了电动车检测模型的准确性；具有较强的易用性与实用性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例提供的应用场景的示意图；

图2是本申请一实施例提供的电动车检测方法的流程示意图；

图3是本申请另一实施例提供的模型训练的方法的流程示意图；

图4是本申请一实施例提供的样本图像的示意图；

图5是本申请实施例提供的电动车检测模型的网络架构示例图；

图6是本申请实施例提供的模型识别结果的示意图；

图7是本申请实施例提供的电动车检测装置的结构示意图；

图8是本申请实施例提供的终端设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

随着深度学习在计算机视觉领域的发展，得到了广泛的应用，如物体分类、目标检测、语义分割等领域都有诸多的实际应用。其中，物体分类就是对图像中的物体进行分类识别，而目标检测则是不仅要对图像中所有目标都要进行识别，还要显示相应目标的具体位置。

目前，在计算机视觉领域所采用的目标检测模型通常为多目标检测的类型，因此训练其模型所采用的数据涵盖的场景和目标均比较丰富，从而有利于提高模型的泛化性。然而，针对本申请所提出的应用场景下电动车检测任务，所涉及到的场景可以包括电梯或楼道，场景中需要检测的目标对象只有电动车；因此，训练该模型的数据涵盖相对单一，不利于提高模型的泛化性。而在本申请提供的场景下，如果直接将多目标检测模型更改为单目标检测模型对电动车进行检测，则容易出现误检的现象，即把非电动车对象识别成电动车，从而降低了模型的准确性。

另外，模型的运算速度也是严重制约深度学习被广泛应用的重要原因之一，因此，如何减少模型的计算量，实现加快模型的运算速度，降低模型的部署成本，也是本申请实施例针对的需要解决的问题。

参见图1，本申请一实施例提供的应用场景的系统架构示意图。本申请实施例所应用的预设场景可以包括电梯或楼道等室内场景。如图1所示，在电梯或楼道内可以设置有摄像装置11，终端设备10或终端设备13可以通过有线或无线的方式与摄像装置11进行通信。其中，摄像装置11可以为独立设置；也可以集成在终端设备10上，与终端设备10作为一个整体。当终端设备10通过摄像装置获取到预设场景下的图像后，对图像进行检测，得到在该预设场景下是否含有电动车的检测结果，并将检测结果通过有线或无线的方式推送至客户端12。或者，终端设备13作为客户端，通过摄像装置获取到预设场景下的图像后，由终端设备13的处理器直接对图像进行检测处理，得到该预设场景下是否含有电动车的检测结果。

需要说明的是，本申请实施例所提供的终端设备10或终端设备13，对两者与摄像装置的通信方式以及设置关系不做具体限定。终端设备10还可以是独立的服务器或云服务器，通过有线或无线的方式获取到摄像装置11采集到的待检测图像后，对待检测图像进行检测处理，得到检测结果，并通过有线或无线的方式推送至客户端。另外，终端设备10与摄像装置11作为一个整体，获取到预设场景下的待检测图像后，直接经过检测处理，得到检测结果，并将检测结果通过有线或无线的方式向客户端进行推送。

通过本申请实施例，可以提高在电梯场景或楼道场景下，对电动车识别的准确性；同时还可以加快终端设备中所采用的电动车检测模型的运算速度。

下面通过具体实施例对本申请提供的电动车检测方法的流程步骤进行描述。

参见图2，本申请一实施例提供的电动车检测方法的流程示意图。该方法的执行主体可以是图1中的终端设备10或终端设备13，该方法可以包括以下步骤：

步骤S201，终端设备获取预设场景下的待检测图像。

在一些实施例中，预设场景可以包括楼道或电梯等室内场景。通过该预设场景下的摄像装置，终端设备可以获取到该预设场景下的待检测图像；终端设备与摄像装置可以为分开独立设置，摄像装置也可以集成在终端设备上。终端设备与摄像装置可以通过有线或无线的方式进行通信，从而获取到预设场景下的待检测图像。

其中，待检测图像可以是每天实时采集的预设场景下的图像，也可以是每天设置的固定时间段内采集的、保存在缓存中的预设场景下的图像。

需要说明的是，预设场景不局限于电梯场景或楼道场景，其他禁止停放电动车又有可能出现停放，并且需要进行全天候监视的场景，同样适用。

步骤S202，终端设备将待检测图像输入电动车检测模型进行处理，输出待检测图像中对电动车的检测结果。

其中，电动车检测模型为通过正样本数据和负样本数据训练得到的，正样本数据包括预设场景中有电动车的正样本图像和正样本标签，负样本数据包括预设场景中无电动车的负样本图像和负样本标签。

在一些实施例中，针对电动车检测模型，引入了负样本训练的策略，从而可以实现在预设场景下对单目标对象的电动车的识别，并减少对非电动车对象的误识别。

在一些实施例中，电动车检测模型可以采用目标检测算法EfficientDet，目标检测算法EfficientDet包括网络架构EfficientNet和特征提取网络层BiFPN。通过网络架构EfficientNet和特征提取网络层BiFPN对待检测图像进行特征提取和结果预测。

其中，本申请实施例采用的训练后的电动车检测模型为目标检测算法EfficientDet系列中的进行修改后的EfficientDet-D0模型，删除了EfficientDet-D0模型的BiFPN网络结构中的P7层。同时将待检测图像按预设大小输入电动车检测模型，预设大小为电动车检测模型训练之前的原始网络架构输入图像长宽尺寸的一半，从而基于网络架构的删减以及输入图像的缩小，减少了模型的计算量。

示例性的，如图5中的(a)图所示，原始的EfficientDet-D0模型的EfficientNet网络架构包括7层，对应输入BiFPN网络结构的P7层；如图5中的(b)图所示，本申请实施例对网络架构进行修改后的网络架构，删除了P7层，在保证检测正确率的同时，提高了模型的运算速度。

如图5所示，对应EfficientNet网络架构部分，输入Input的图像大小可以为256×256，每经过一级的处理，图像尺寸进行等比例缩小，例如对应P1层处理后，图像缩小为原始输入图像长宽的1/2，对应P2层处理后，图像缩小为原始输入图像长宽的1/4，以此类推，到P6层处理后，图像缩小为原始输入图像长宽的1/64。对应模型的输出部分，包括类别预测网络(Class prediction net)，对应输出类别预测结果；方框预测网络(Box predictionnet)，对应输出位置信息的预测结果。

另外，训练模型所采用的正样本数据中的正样本图像为在预设场景下获取的图像中包含电动车的图像，如图4中的(a)图和(c)分别所示的楼道场景和电梯场景的图像；负样本图像为在预设场景下获取的图像中无电动车的图像，如图4中的(b)图和(d)图分别所示的在楼道场景和电梯场景的图像。

示例性的，正样本标签包括目标对象电动车的第一类别标签和目标对象电动车的实际位置信息；第一类别标签可以设置为1。负样本标签包括第二类别标签，第二类别标签可以设置为除1以外的其他值，例如-1或0。

需要说明的是，电动车检测模型输出的检测结果包括待检测图像中含有目标对象电动车情况所对应的分数，以及电动车的位置信息。终端设备通过检测模型对待检测图像进行处理，可以识别出待检测图像中是否含有目标对象电动车；若输出的分数大于预设阈值，则确定待检测图像中包含目标对象电动车，同时输出目标对象电动车的位置信息。其中，位置信息可以通过方框框选出目标对象电动车，通过方框的任一组对顶角的坐标确定目标对象电动车在图像中的位置信息。

在一些实施例中，终端设备将待检测图像输入电动车检测模型进行处理，输出待检测图像中对电动车的检测结果，包括：

终端设备将待检测图像输入电动车检测模型进行特征提取，输出待检测图像中含有所述电动车对应的分数，将分数作为检测结果。

在一些实施例中，终端设备将待检测图像输入电动车检测模型，通过电动车检测模型中的网络层提取待检测图像中的纹理、色彩等特征，最后输出待检测图像中含有电动车的分数，将分数作为检测结果，确定待检测图像中是否含有电动车。

在一些实施例中，该电动车检测方法还包括：

若分数小于或等于预设分数阈值，则确定待检测图像中无电动车；

若分数大于预设分数阈值，则确定待检测图像中存在电动车，同时，电动车检测模型输出电动车在待检测图像中的位置信息，将分数和位置信息作为所述检测结果。

在一些实施例中，预设分数阈值可以根据实际应用过程中进行设置，例如可以设置为0.8，当电动车检测模型输出的分数小于或等于0.8时，则说明待检测图像中无目标对象电动车。若电动车检测模型输出的分数为0.985或0.976，分数大于0.8，则确定待检测图像中包含电动车，并通过方框框选出电动车在待检测图像中的位置信息，如图6中的(a)图或(b)图所示。

另外，本申请实施例提供电动车检测模型同样适用于预设场景中存在多辆电动车的情况。若终端设备通过电动车检测模型检测出待检测图像中存在多辆目标对象电动车，则输出每一辆电动车对应的分数和电动车在待检测图像中的位置信息，通过方框框选出预设场景下待检测图像中的所有电动车，从而还可以根据每个方框的任一组对顶点的坐标确定对应每个电动车的位置坐标。

参见图3，本申请另一实施例提供的模型训练的方法的流程示意图。本申请实施例提供的电动车检测模型为通过正样本数据和负样本数据训练得到的，下面通过实施例进一步描述电动车检测模型的训练过程。

在一些实施例中，在终端设备将待检测图像输入电动车检测模型进行处理之前，该电动车检测方法还包括：

步骤S301，终端设备获取预设场景对应的训练数据集，训练数据集包括正样本数据和负样本数据，正样本数据包括正样本图像和正样本标签，负样本数据包括负样本图像和负样本标签。

在一些实施例中，本申请实施例引入负样本训练策略，在保证了对电动车检测的准率的同时，减少了对图像中非电动车对象的误识别。

示例性的，正样本数据中的正样本图像为预设场景中包含电动车的图像，负样本书中的负样本图像为预设场景中不包含电动车的图像。如图4中的(a)图和(b)图，分别为在楼道场景下对应的正样本图像和负样本图像；图4中的(c)图和(d)图，分别为在电梯场景下对应的正样本图像和负样本图像。

其中，与正样本图像对应的正样本标签包括第一类别标签和电动车的实际位置信息，实际位置信息可以通过对电动车进行框选的方框的任一组对顶角的坐标进行表示。与负样本图像对应的负样本标签包括第二类别标签。

示例性的，第一类别标签可以设置为1，第二类别标签可以设置为-1或除1以外的其他值。

步骤S302，终端设备将正样本图像按预设大小输入初始检测模型进行处理，输出正样本检测结果。

在一些实施例中，初始检测模型为待训练的检测模型。终端设备在对初始检测模型进行训练时，将正样本数据中的正样本图像输入初始检测模型。预设大小可以为输入初始检测模型原始图像长宽尺寸的一半，例如输入初始检测模型的原始图像的大小为512×512，本申请实施例中将输入的图像修改为256×256大小，从而在保证识别准确性的同时，减少了模型的计算量，提高了运算及响应速度。

需要说明的是，在对初始检测模型进行训练的过程中，输入正样本图像，则对应输出正样本检测结果。正样本检测结果可以包括对正样本图像中包含电动车的预测分数和自行车在正样本图像中的预测位置信息。

步骤S303，终端设备将负样本图像按预设大小输入初始检测模型进行处理，输出负样本检测结果。

在一些实施例中，在对初始检测模型进行训练时，将正样本图像和负样本图像均按预设大小分别输入初始检测模型进行处理。终端设备将负样本图像输入初始检测模型，输出的负样本检测结果只包含负样本图像中对应包含电动车的预测分数。

可理解的是，针对负样本图像，模型输出的检测结果中的预测分数小于预设分数阈值，从而识别出不包含电动车的场景。输入负样本图像的预设大小与正样本图像的大小相同，为初始检测模型原始输入图像长宽尺寸的一半；该输入图像的大小还可以根据实际的应用场景需要进行一定比例的放大或缩小，可以根据具体应用场景进行设置。

步骤S304，终端设备根据正样本检测结果和正样本标签，通过第一损失函数计算第一损失值。

其中，正样本标签包括正样本图像的第一类别标签和实际位置信息，第一损失函数包括分类损失函数和回归损失函数，正样本检测结果包括第一分类预测结果和位置预测结果。

在一些实施例中，终端设备根据正样本检测结果和正样本标签，通过第一损失函数计算第一损失值，包括：

终端设备通过分类损失函数，计算第一分类预测结果与第一类别标签的第一误差值；终端设备通过回归损失函数，计算位置预测结果与实际位置信息的第二误差值；将第一误差值和所述第二误差值作为第一损失值。

在一些实施例中，分类损失函数采用Focal Loss损失函数。通过交叉熵损失函数，得到Focal Loss损失函数，其中交叉熵损失函数表示如下：

其中，CE(p,y)为交叉熵损失值，p为第一分类预测结果，y为第一类别标签。为了便于表示，对公式(1)进行变换，令：

则公式(1)可以表示为：

CE(p,y)＝CE(p

为了控制训练过程中容易分类的样本图像和难分类的样本图像的权重，基于上述交叉熵损失函数，本申请实施例的分类损失函数采用Focal Loss损失函数，Focal Loss损失函数表示如下：

FL(p

其中，FL(p

另外，回归损失函数采用L

其中，y'为位置预测结果，y

步骤S305，终端设备根据负样本检测结果和负样本标签，通过第二损失函数计算第二损失值。

其中，负样本标签包括负样本图像的第二类别标签，第二损失函数包括分类损失函数，负样本检测结果包括第二分类预测结果。

在一些实施例中，终端设备根据负样本检测结果和负样本标签，通过第二损失函数计算第二损失值，包括：

终端设备通过分类损失函数，计算第二分类预测结果与第二类别标签的第三误差值；将第三误差值作为第二损失值。

在一些实施例中，第二损失函数包括的分类损失函数采用公式(4)进行计算，将负样本检测结果和负样本标签代入公式(4)，得到第三误差值，将第三误差值作为第二损失值。

需要说明的是，根据输入的训练数据的类型选择相应的损失函数，例如输入的为正样本数据，则选择分类损失函数和回归损失函数；若输入的为负样本数据，则只需选择分类损失函数。

步骤S306，终端设备根据第一损失值和第二损失值，对初始检测模型进行训练，并调整初始检测模型的参数，得到电动车检测模型。

在一些实施例中，终端设备通过正样本损失函数和负样本损失函数计算得出的第一损失值和第二损失值，反向更新网络模型的权重参数，以不断提升电动车检测模型的准确性。

示例性的，经过训练后得到的电动车检测模型，可以部署在rk3288主板上，从而终端设备的处理器可实现每秒钟检测2次输入的待检测图像，从而有效实现对直梯和楼道场景下电动车的全天候监控与检测。

需要说明的是，本申请实施例提供的电动车检测模型所采用的目标检测模型不仅仅适用于上述所述的楼道场景及电梯场景中的电动车的识别，还可以对其他场景下的单目标对象的识别，上述实施例仅示例性说明，不构成对本申请技术方案的限定，若存在与本申请相同或相似构思的计算机视觉的应用场景，同样属于本申请的保护范围。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

通过本申请实施例，在对模型进行训练过程中，引入负样本训练策略，有效地减少网络模型误识别率，从而提升模型的检测准确性；本申请实施例选择准确性高且运算速度快的模型，并删除模型部分网络层和改变模型输入大小，减少模型的计算量，有效加快了模型的运算速度。

参见图7，对应于上文实施例的电动车检测方法，本申请实施例还提供了一种电动车检测装置，该装置包括：

获取单元71，用于获取预设场景下的待检测图像；

处理单元72，用于将所述待检测图像输入电动车检测模型进行处理，输出所述待检测图像中对电动车的检测结果；其中，所述电动车检测模型为通过正样本数据和负样本数据训练得到的，所述正样本数据包括所述预设场景中有电动车的正样本图像和正样本标签，所述负样本数据包括所述预设场景中无电动车的负样本图像和负样本标签。

对应于上文另一实施例所述的数据通信方法，本申请实施例提供的电动车检测装置还包括训练单元。

该训练单元用于获取所述预设场景对应的训练数据集，所述训练数据集包括正样本数据和负样本数据，所述正样本数据包括所述正样本图像和所述正样本标签，所述负样本数据包括负样本图像和负样本标签；将所述正样本数据输入初始检测模型进行处理，输出正样本检测结果；将所述负样本数据输入所述初始检测模型进行处理，输出负样本检测结果；根据所述正样本检测结果和所述正样本标签，通过第一损失函数计算第一损失值；根据所述负样本检测结果和所述负样本标签，通过第二损失函数计算第二损失值；根据所述第一损失值和所述第二损失值，对所述初始检测模型进行训练，并调整所述初始检测模型的参数，得到所述电动车检测模型。

通过本申请实施例，终端设备获取预设场景下的待检测图像；将待检测图像输入电动车检测模型进行处理，输出待检测图像中对电动车的检测结果；其中，电动车检测模型为通过正样本数据和负样本数据训练得到的，正样本数据包括预设场景中有电动车的正样本图像和正样本标签，负样本数据包括所述场景中无电动车的负样本图像和负样本标签；本申请通过使用基于正样本数据和负样本数据训练得到的电动车检测模型，对预设场景下的待检测图像进行检测识别，识别出待检测图像中的是否含有电动车，有效的减少了电动车识别模型的误识别率，提升了电动车检测模型的准确性；另外，在对模型进行训练过程中，引入负样本训练策略，有效地减少网络模型误识别率，从而提升模型的检测准确性；本申请实施例选择准确性高且运算速度快的模型，并删除模型部分网络层和改变模型输入大小，减少模型的计算量，有效加快了模型的运算速度。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。

图8本申请一实施例提供的终端设备8的结构示意图。如图8所示，该实施例的终端设备8包括：至少一个处理器80(图8中仅示出一个)处理器、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82，所述处理器80执行所述计算机程序82时实现上述任意各个电动车检测方法实施例中的步骤。

所述终端设备8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备8可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是终端设备8的举例，并不构成对终端设备8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，该处理器80还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器81在一些实施例中可以是所述终端设备8的内部存储单元，例如终端设备8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述终端设备8的外部存储设备，例如所述终端设备8上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括所述终端设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。