目标检测模型的优化方法、装置、设备和存储介质

技术领域

本申请涉及人工智能技术领域，特别是涉及一种目标检测模型的优化方法、装置、设备和存储介质。

背景技术

传统电力能源是社会生产的重要能源，在社会生产与日常生活中占据着至关重要的地位。高压线路作为能源供应的重要基础设施，其安全稳定的运行将决定电力系统的安全与供电稳定，然而由于高压线路容易受到挂空异物的影响，从而为电力运输带来了安全隐患。因此需要对高压线路上的挂空异常进行检测。

由于大多数高压线都在空旷的平原地带，人工巡检不仅耗费人力物力并且巡检效率低，因此目前主要利用无人机对高压线路进行拍照，并基于传统的目标检测模型对图像进行处理，来实现对挂空异物的检测。然而传统的目标检测模型对挂空异物检测的准确度比较低，亟需改进。

发明内容

基于此，有必要针对上述技术问题，提供一种目标检测模型的优化方法、装置、设备和存储介质，能够对传统的目标检测模型进行优化，提高了对挂空异物检测的准确度。

第一方面，本申请提供了一种目标检测模型的优化方法。所述方法包括：

将包含高压线路挂空异物的样本图像输入至目标检测模型，得到样本图像中预测挂空异物的预测信息；其中，预测信息包括预测边界框信息和预测类别信息；

向样本图像中真实挂空异物的原标签数据添加噪声，得到真实挂空异物的噪声标签数据，其中，原标签数据包括真实边界框信息和真实类别信息；

采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的原标签数据，确定第一训练损失；

采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的噪声标签数据，确定第二训练损失；

根据第一训练损失和第二训练损失，对目标检测模型进行优化。

在其中一个实施例中，向样本图像中真实挂空异物的原标签数据添加噪声，得到真实挂空异物的噪声标签数据，包括：

根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度、高度和中心点坐标，确定噪声标签数据中噪声边界框的中心点坐标；根据第二噪声尺度，以及真实边界框的宽度和高度，确定噪声标签数据中噪声边界框的宽度和高度；将真实类别信息，作为噪声标签数据中的噪声类别信息。

在其中一个实施例中，根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度、高度和中心点坐标，确定噪声标签数据中噪声边界框的中心点坐标，包括：

根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度和高度，确定真实边界框的中心点坐标的移动范围；根据真实边界框的中心点坐标和移动范围，确定噪声标签数据中噪声边界框的中心点坐标。

在其中的一个实施例中，根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度和高度，确定真实边界框的中心点坐标的移动范围，包括：

根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度，确定真实边界框的中心点坐标中横坐标的第一移动范围；根据第一噪声尺度，以及真实边界框信息中真实边界框的高度，确定真实边界框的中心点坐标中纵坐标的第二移动范围。

在其中的一个实施例中，采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的原标签数据，确定第一训练损失，包括：

根据每一预测挂空异物的预测信息，以及每一真实挂空异物的原标签数据，确定每一预测挂空异物与每一真实挂空异物的第一代价值；

采用匈牙利匹配算法，根据每一预测挂空异物与每一真实挂空异物的第一代价值，确定与每一真实挂空异物匹配的预测挂空异物，作为匹配挂空异物；根据每一真实挂空异物的原标签数据，以及每一真实挂空异物对应的匹配挂空异物的预测信息，确定第一训练损失。

在其中的一个实施例中，根据每一预测挂空异物的预测信息，以及每一真实挂空异物的原标签数据，确定每一预测挂空异物与每一真实挂空异物的第一代价值，包括：

针对每一预测挂空异物，根据该预测挂空异物的预测类别信息，以及每一真实挂空异物的真实类别信息，确定该预测挂空异物与每一真实挂空异物之间的类别损失；根据该预测挂空异物的预测边界框信息，以及每一真实挂空异物的真实边界框信息，确定该预测挂空异物与每一真实挂空异物之间的边界框损失；根据该预测挂空异物与每一真实挂空异物之间的类别损失和边界框损失，确定该预测挂空异物与每一真实挂空异物之间的第一代价值。

第二方面，本申请还提供了一种目标检测模型的优化装置。所述装置包括：

结果预测模块，用于将包含高压线路挂空异物的样本图像输入至目标检测模型，得到样本图像中预测挂空异物的预测信息；其中，预测信息包括预测边界框信息和预测类别信息；

噪声添加模块，用于向样本图像中真实挂空异物的原标签数据添加噪声，得到真实挂空异物的噪声标签数据，其中，原标签数据包括真实边界框信息和真实类别信息；

第一损失确定模块，用于采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的原标签数据，确定第一训练损失；

第二损失确定模块，用于采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的噪声标签数据，确定第二训练损失；

模型优化模块，用于根据第一训练损失和第二训练损失，对目标检测模型进行优化。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

将包含高压线路挂空异物的样本图像输入至目标检测模型，得到样本图像中预测挂空异物的预测信息；其中，预测信息包括预测边界框信息和预测类别信息；

向样本图像中真实挂空异物的原标签数据添加噪声，得到真实挂空异物的噪声标签数据，其中，原标签数据包括真实边界框信息和真实类别信息；

采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的原标签数据，确定第一训练损失；

采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的噪声标签数据，确定第二训练损失；

根据第一训练损失和第二训练损失，对目标检测模型进行优化。

第四方面，本申请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，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

将包含高压线路挂空异物的样本图像输入至目标检测模型，得到样本图像中预测挂空异物的预测信息；其中，预测信息包括预测边界框信息和预测类别信息；

向样本图像中真实挂空异物的原标签数据添加噪声，得到真实挂空异物的噪声标签数据，其中，原标签数据包括真实边界框信息和真实类别信息；

采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的原标签数据，确定第一训练损失；

采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的噪声标签数据，确定第二训练损失；

根据第一训练损失和第二训练损失，对目标检测模型进行优化。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

将包含高压线路挂空异物的样本图像输入至目标检测模型，得到样本图像中预测挂空异物的预测信息；其中，预测信息包括预测边界框信息和预测类别信息；

向样本图像中真实挂空异物的原标签数据添加噪声，得到真实挂空异物的噪声标签数据，其中，原标签数据包括真实边界框信息和真实类别信息；

采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的原标签数据，确定第一训练损失；

采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的噪声标签数据，确定第二训练损失；

根据第一训练损失和第二训练损失，对目标检测模型进行优化。

上述目标检测模型的优化方法、装置、设备和存储介质，通过对真实挂空异物的原标签数据添加噪声，扩大了标签数量，进而采用匈牙利算法，根据预测挂空异物的预测信息，以及真实挂空异物的原标签数据，确定第一训练损失，根据预测挂空异物的预测信息，以及真实挂空异物的噪声标签数据，确定第二训练损失，从而基于第一训练损失和第二训练损失，对目标检测模型进行优化，能够提高目标检测模型的精度，因此能够更准确的确定高压线路上的挂空异物，有利于高压线路的运行安全。进一步的，通过对原标签数据添加噪声，还可加速模型训练时的收敛，进一步提高了模型训练的效率。

附图说明

图1为一个实施例中目标检测模型的优化方法的流程图；

图2为一个实施例中添加噪声标签的流程图；

图3为一个实施例中确定第一训练损失的流程图；

图4为一个实施例中目标检测模型的结构示意图；

图5为另一个实施例中目标检测模型的优化方法的流程图；

图6为一个实施例中目标检测模型的优化装置的结构框图；

图7为另一个实施例中目标检测模型的优化装置的结构框图；

图8为又一个实施例中目标检测模型的优化装置的结构框图；

图9为再一个实施例中目标检测模型的优化装置的结构框图；

图10为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，如图1所示，提供了一种目标检测模型的优化方法，该方法可以应用于终端，也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。以该方法应用于服务器为例进行说明，具体包括以下步骤：

S101，将包含高压线路挂空异物的样本图像输入至目标检测模型，得到样本图像中预测挂空异物的预测信息。

其中，样本图像是通过无人机或者塔基摄像头上的图像采集设备(比如相机)所采集的包含高压线路挂空异物的图像。可选的，样本图像中的高压线路上可含有挂空异物，其中挂空异物可为风筝或者塑料袋等小体积物体。

可选的，在图像采集设备部署于无人机或者塔基模型的情况下，可以对图像采集设备中的采集帧率、分辨率、采集格式等进行配置。例如，配置图像采集设备的采集帧率为1Hz、采集分辨率为1920x1080，采集格式为JPEG的RGB图像，即每间隔1秒可采集1帧分辨率为1920x1080且格式为JPEG的图像。

示例性的，本实施例中的目标检测模型是一个基于图像进行异物检测的神经网络模型。本实施例中，可以将样本图像输入到目标检测模型中，由目标检测模型基于自身参数，对样本图像中的异物进行感知，将感知到的每一异物作为一个预测挂空异物，并输出预测挂空异物的预测信息。其中，预测信息包括预测边界框信息和预测类别信息。可选的，预测边界框信息包括预测挂空异物所在边界框(即预测边界框)的宽度、高度和中心点坐标等数据；类别预测信息包括预测挂空异物的类别数据。

S102，向样本图像中真实挂空异物的原标签数据添加噪声，得到真实挂空异物的噪声标签数据。

其中，将样本图像中标注的每一异物，均作为真实挂空异物；每一真实挂空异物对应一个原标签数据；可选的，原标签数据包括真实边界框信息和真实类别信息。真实边界框信息包括真实挂空异物所在边界框(即真实边界框)的宽度、高度和中心点坐标等数据；真实类别信息包括真实挂空异物的类别数据。例如，样本图像中真实挂空异物的原标签数据可表示为(x，y，w，h，L)，其中x，y代表真实挂空异物在所在边界框(即真实边界框)的中心点在样本图像中的坐标，w代表真实边界框的宽度，h代表真实边界框的高度，L代表真实挂空异物的类别。

可选的，对一个原标签数据添加的噪声可以不只一个，可以添加多个噪声，这样一个原标签数据就可以对应多组噪声标签数据。可以理解的是，本实施例中对原标签数据添加噪声，能够使得一个真实挂空异物对应多个标签数据，扩大了标签数量。

S103，采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的原标签数据，确定第一训练损失。

其中，第一训练损失是用于衡量预测挂空异物的预测信息与真实挂空异物的原标签数据差别的指标。

可选的，可以将每一预测挂空异物的预测信息与真实挂空异物的原标签数据同时输入到第一训练损失模型中，第一训练损失模型可以基于输入的数据，以及模型本身预设的参数直接输出预测挂空异物的第一训练损失值。其中，第一训练损失模型可以是基于匈牙利匹配算法构建的神经网络模型。

S104，采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的噪声标签数据，确定第二训练损失。

其中，第二训练损失是用于衡量预测挂空异物的预测信息与真实挂空异物的噪声标签数据差别的指标。

可选的，可以将每一预测挂空异物的预测信息与真实挂空异物的噪声标签数据同时输入到第二训练损失模型中，第二训练损失模型可以基于输入的数据，以及模型本身预设的参数直接输出预测挂空异物的第二训练损失值。其中，第二训练损失模型可以是基于匈牙利匹配算法构建的神经网络模型。

S105，根据第一训练损失和第二训练损失，对目标检测模型进行优化。

在本实施例中，可以采用第一训练损失和第二训练损失的和，对目标检测模型进行训练，不断优化目标检测模型中的网络参数。具体的，本实施例可基于上述方法对目标检测模型进行多次迭代训练，直至达到预设的训练停止条件，则停止调整目标检测模型的网络参数，得到经训练的目标检测模型。训练停止条件可以包括：训练次数达到预设次数，或者完成训练损失收敛等。

进一步的，在目标检测模型优化结束之后，可以将无人机实时获取采集的图像输入到优化后的目标检测模型，目标检测模型会对实时获取的图像进行检测，并输出图像中所存在的异物的位置、类别等相关信息。

上述目标检测模型的优化方法，通过对真实挂空异物的原标签数据添加噪声，扩大了标签数量，进而采用匈牙利算法，根据预测挂空异物的预测信息，以及真实挂空异物的原标签数据，确定第一训练损失，根据预测挂空异物的预测信息，以及真实挂空异物的噪声标签数据，确定第二训练损失，从而基于第一训练损失和第二训练损失，对目标检测模型进行优化，能够提高目标检测模型的精度，因此能够更准确的确定高压线路上的挂空异物，有利于高压线路的运行安全。进一步的，通过对原标签数据添加噪声，还可加速模型训练时的收敛，进一步提高了模型训练的效率。

在上述实施例的基础上，在一个实施例中，对S102作进一步阐述，具体包括以下步骤：

S201，根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度、高度和中心点坐标，确定噪声标签数据中噪声边界框的中心点坐标。

其中，第一噪声尺度是在对原标签进行添加噪声操作时使用的参数。

可选的，可以将第一噪声尺度，以及真实边界框信息中真实边界框的宽度、高度和中心点坐标同时输入到坐标确定模型中，坐标确定模型能够基于输入的数据，以及模型本身预设的参数，直接输出噪声标签数据中噪声边界框的中心点坐标。

或者，可以采用下述步骤来确定噪声标签数据中噪声边界框的中心点坐标，具体包括：

第一步骤，根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度和高度，确定真实边界框的中心点坐标的移动范围。

具体的，如公式1所示，可以根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度，确定真实边界框的中心点坐标中横坐标的第一移动范围。其中，Δx表示横坐标的第一移动范围；λ

进一步的，如公式2所示，可以根据第一噪声尺度，以及真实边界框信息中真实边界框的高度，确定真实边界框的中心点坐标中纵坐标的第二移动范围。其中，Δy表示纵坐标的第二移动范围；h表示真实边界框的高度。

第二步骤，根据真实边界框的中心点坐标和移动范围，确定噪声标签数据中噪声边界框的中心点坐标。

可选的，在得到真实边界框的中心点坐标和移动范围后，可以根据真实边界框的中心点坐标和移动范围确定噪声标签数据中噪声边界框的中心点坐标的移动范围。具体的，可以根据真实边界框的中心点的横坐标和第一移动范围，确定噪声标签数据中噪声边界框的中心点的横坐标范围；可以根据真实边界框的中心点的纵坐标和第二移动范围，确定噪声标签数据中噪声边界框的中心点的纵坐标范围。

进一步的，可以在噪声边界框的中心点坐标的移动范围内选择多个中心点位置，并基于每一中心点位置对应生成噪声标签数据。

S202，根据第二噪声尺度，以及真实边界框的宽度和高度，确定噪声标签数据中噪声边界框的宽度和高度。

其中，第二噪声尺度是在对原标签进行添加噪声操作时使用的参数。

可选的，可以将第二噪声尺度，以及真实边界框的宽度和高度同时输入到边界框确定模型中，边界框确定模型能够基于输入的数据，以及模型本身预设的参数，直接输出噪声标签数据中噪声边界框的宽度和高度。

或者，可以根据第二噪声尺度，以及真实边界框信息中真实边界框的宽度，确定噪声标签数据中噪声边界框的宽度。例如，噪声标签数据中噪声边界框的宽度可以是[(1-λ

进一步的，可以根据第二噪声尺度，以及真实边界框信息中真实边界框的高度，确定噪声标签数据中噪声边界框的高度。例如，噪声标签数据中噪声边界框的高度可以是[(1-λ

S203，将真实类别信息，作为噪声标签数据中的噪声类别信息。

具体的，为了保证训练结果的准确性，可以直接将挂空异物的真实类别信息，作为噪声标签数据中的噪声类别信息。

在本实施例中，通过引入第一噪声尺度和第二噪声尺度，向样本图像中真实挂空异物的原标签数据添加噪声，扩大了标签数量，能够让目标检测模型接触到更多目标可能预测错的情况，进而让目标检测模型能够更好的区分目标和背景，从而在背景很复杂的情况下能够使得原有的预测框和目标在不同训练轮次的匹配准确性更好，从而加速目标检测模型收敛，达到提升复杂背景下挂空异物检测性能的目的。

为保证所确定的第一训练损失的准确度，在上述实施例的基础上，本实施例提供了一种确定第一训练损失的可选方式。参见图3，具体包括以下步骤：

S301，根据每一预测挂空异物的预测信息，以及每一真实挂空异物的原标签数据，确定每一预测挂空异物与每一真实挂空异物的第一代价值。

可选的，可以将每一预测挂空异物的预测信息，以及每一真实挂空异物的原标签数据直接输入到第一代价值模型，第一代价值模型可以基于输入的数据以及模型本身预设的参数直接输出每一预测挂空异物与每一真实挂空异物的第一代价值。

或者，还可以采用下述步骤来确定每一预测挂空异物与每一真实挂空异物的第一代价值，具体包括：

第一步骤，针对每一预测挂空异物，根据该预测挂空异物的预测类别信息，以及每一真实挂空异物的真实类别信息，确定该预测挂空异物与每一真实挂空异物之间的类别损失。

可选的，可以采用聚焦损失函数，根据该预测挂空异物的预测类别信息，以及每一真实挂空异物的真实类别信息，确定该预测挂空异物与每一真实挂空异物之间的类别损失。具体的，根据预测挂空异物的预测类别信息和每一真实空异物的真实类别信息，基于聚焦损失函数的逻辑，即能确定预测挂空异物和每一真实挂空异物之间的类别损失。

第二步骤，根据该预测挂空异物的预测边界框信息，以及每一真实挂空异物的真实边界框信息，确定该预测挂空异物与每一真实挂空异物之间的边界框损失。

可选的，可以采用范数损失函数和交并比损失函数，根据该预测挂空异物的预测边界框信息，以及每一真实挂空异物的真实边界框信息，确定该预测挂空异物与每一真实挂空异物之间的边界框损失。可选的，边界框损失可以包括边界框范数损失和边界框交并比损失。

具体的，可以采用范数损失函数，根据该预测挂空异物的预测边界框信息，以及每一真实挂空异物的真实边界框信息，确定该预测挂空异物与每一真实挂空异物之间的边界框范数损失。如公式3所示，范数损失函数可以为L

L

进一步的，对于每一真实挂空异物，基于上述公式3，可以根据该预测挂空异物的预测边界框信息，以及该真实挂空异物的真实边界框信息，确定该预测挂空异物与每一真实挂空异物之间的边界框范数损失。例如，在预测边界框信息和真实边界框信息均包括边界框的宽度、高度和中心点坐标的情况下，可以将预测边界框信息中预测边界框的宽度与真实边界框信息中真实边界框的宽度之差的绝对值、预测边界框信息中预测边界框的高度与真实边界框信息中真实边界框的高度之差的绝对值、以及预测边界框信息中预测边界框的中心点坐标与真实边界框信息中真实边界框的中心点坐标之差的绝对值相加，并将相加结果作为该预测挂空异物与该真实挂空异物之间的边界框范数损失。

同时，如公式4所示，可以采用交并比损失函数，根据该预测挂空异物的预测边界框信息，以及每一真实挂空异物的真实边界框信息，确定该预测挂空异物与每一真实挂空异物之间的边界框交并比损失。其中，IoU表示A框和B框的交并比；C表示A框和B框的最小封闭区域。可选的，在本实施例中，A框可以代表真实挂空异物的真实边界框，B框可以代表预测挂空异物的预测边界框。

具体的，对于每一真实挂空异物，可以根据该预测挂空异物的预测边界框信息，绘制该预测挂空异物的预测边界框；与此同时，可以根据该真实挂空异物的真实边界框信息，绘制该真实挂空异物的真实边界框；进一步的，可以将该预测挂空异物的预测边界框和该真实挂空异物的真实边界框绘制到一起，计算两个边界框的交并比、交集和最小封闭区域；最后，将所计算的结果带入上述公式4，即可得到该预测挂空异物与该真实挂空异物之间的边界框交并比损失。

第三步骤，根据该预测挂空异物与每一真实挂空异物之间的类别损失和边界框损失，确定该预测挂空异物与每一真实挂空异物之间的第一代价值。

可选的，如公式5所示，对于每一真实挂空异物，可以根据该预测挂空异物与该真实挂空异物之间的类别损失和边界框损失，确定该预测挂空异物与该真实挂空异物之间的第一代价值。其中，L

L

S302，采用匈牙利匹配算法，根据每一预测挂空异物与每一真实挂空异物的第一代价值，确定与每一真实挂空异物匹配的预测挂空异物，作为匹配挂空异物。

可选的，可以根据每一预测挂空异物与每一真实挂空异物的第一代价值构建一个代价矩阵；进一步的，将所构建的代价矩阵输入至匈牙利匹配算法，由匈牙利匹配算法，输出每一真实挂空异物所匹配的预测挂空异物，即每一真实挂空异物所对应的匹配挂空异物。

S303，根据每一真实挂空异物的原标签数据，以及每一真实挂空异物对应的匹配挂空异物的预测信息，确定第一训练损失。

具体的，对于每一真实挂空异物，可以根据该真实挂空异物的原标签数据，以及该真实挂空异物对应的每一匹配挂空异物的预测信息，分别计算损失值；进一步的，将计算得到的所有的损失值进行加和，并将得到的结果作为第一训练损失。

可选的，可以根据任一真实挂空异物的原标签数据中的真实类别信息，以及该真实挂空异物对应的每一匹配挂空异物的预测信息中的预测类别信息，确定该真实挂空异物与每一匹配挂空异物之间的类别损失；进一步的，根据该真实挂空异物的原标签数据中的真实边界框信息，以及该真实挂空异物对应的每一匹配挂空异物的预测信息中的预测边界框信息，确定该真实挂空异物与每一匹配挂空异物之间的边界框损失，即边界框范数损失和边界框交并比损失；最后，对于每一匹配挂空异物，可以将2倍的类别损失加上5倍的边界框范数损失再加上2倍的边界框交并比损失得到的计算结果作为该真实挂空异物与该匹配挂空异物的第一训练损失。

在本实施例中，通过引入第一代价值，并基于匈牙利匹配算法确定与每一真实挂空异物匹配的预测挂空异物，能够更加精准的确定出第一训练损失，进而对目标检测模型进行优化，能够提高目标检测模型的精度。

在上述实施例的基础上，基于确定第一训练损失的方法，提供一个确定第二训练损失的可选方法，具体包括：

第一步骤，根据每一预测挂空异物的预测信息，以及每一真实挂空异物的噪声标签数据，确定每一预测挂空异物与每一真实挂空异物的第二代价值。

可选的，针对每一预测挂空异物，可以根据该预测挂空异物的预测类别信息，以及每一真实挂空异物的噪声类别信息，确定该预测挂空异物与每一真实挂空异物之间的噪声类别损失；

进一步的，可以根据该预测挂空异物的预测边界框信息，以及每一真实挂空异物的噪声边界框信息，确定该预测挂空异物与每一真实挂空异物之间的噪声边界框损失；

最后，可以根据该预测挂空异物与每一真实挂空异物之间的噪声类别损失和噪声边界框损失，确定该预测挂空异物与每一真实挂空异物之间的第二代价值。

第二步骤，采用匈牙利匹配算法，根据每一预测挂空异物与每一真实挂空异物的第二代价值，确定与每一真实挂空异物匹配的预测挂空异物，作为匹配挂空异物。

可选的，可以根据每一预测挂空异物与每一真实挂空异物的第二代价值构建一个代价矩阵；进一步的，将所构建的代价矩阵输入至匈牙利匹配算法，由匈牙利匹配算法，输出每一真实挂空异物所匹配的预测挂空异物，即每一真实挂空异物所对应的匹配挂空异物。

可以理解的是，匈牙利匹配算法采用一对一匹配，即每一真实挂空异物匹配一个预测挂空异物。但是，由于本实施例中对真实挂空异物的原标签数据添加了噪声，能够使得一个真实挂空异物匹配多个预测挂空异物。也就是说，在本实施例中，一个真实挂空异物对应多个匹配挂空异物。其中，每一真实挂空异物所对应的匹配挂空异物的数量，与对原标签数据添加噪声的个数相同。

第三步骤，根据每一真实挂空异物的噪声标签数据，以及每一真实挂空异物对应的匹配挂空异物的预测信息，确定第二训练损失。

具体的，对于每一真实挂空异物，可以根据该真实挂空异物的噪声标签数据，以及该真实挂空异物对应的每一匹配挂空异物的预测信息，分别计算损失值；进一步的，将计算得到的所有的损失值进行加和，并将得到的结果作为第二训练损失。

在本实施例中，通过引入第二代价值，并基于匈牙利匹配算法确定与每一真实挂空异物匹配的预测挂空异物，能够更加精准的确定出第二训练损失，进而对目标检测模型进行优化，能够提高目标检测模型的精度。

在上述实施例的基础上，进一步对目标检测模型进行细化。可选的，如图4所示，目标检测模型41至少包括特征提取网络410、编码网络411、解码网络412和预测头网络413。

基于此，对S101进一步细化，具体包括以下步骤：

第一步骤，将包含高压线路挂空异物的样本图像输入至目标检测模型中特征提取网络，得到样本图像的特征图和特征图中各像素点的位置编码。

其中，特征提取网络410用于提取图像中的相关特征，具体可用于提取样本图像的特征图和各像素点的位置编码等。所谓特征图即为从样本图像中所提取的图像的相关特征。可选的，特征提取网络可为MobileNet v2网络。

具体的，将样本图像输入至特征提取网络410，特征提取网络410可自动识别样本图像，将图像分成多少个单元，对每个单元分别进行提取特征点，根据特征点得到样本图像的特征图，以及特征图中各像素点的位置编码。

第二步骤，将特征图和位置编码输入至目标检测模型中的编码网络，得到第一输出值。

其中，第一输出值也是一个特征图，它的大小与输入的特征图的大小一样。

可选的，编码网络411可以为transformer网络，具体由依次连接的多个编码器构成。对于每一编码器，其可以包括依次连接的多头注意力机制网络、残差网络、层归一化网络、前馈网络、残差网络和层归一化网络等。

具体的，将特征图和位置编码输入至编码网络411的第一个编码器，输出一个输出值，再将该输出值输入到下一个编码器，下一个编码器输出一个输出值，以此类推，最后一个编码器输出第一输出值。

第三步骤，将第一输出值输入至目标检测模型中的解码网络，得到第二输出值。

具体的，解码网络可由多个解码器构成，本实施例中的解码网络412会对第一输出值进行层层解码得到第二输出值。其中，第一输出值和第二输出值的大小一样。可选的，本实施中每个解码器都包括依次连接的多头自注意力机制网络、残差网络、层归一化网络、基于条件交叉注意力机制网络、残差网络、层归一化网络、前馈网络、残差网络和层归一化网络等。

第四步骤，将第二输出值输入至目标检测模型中的预测头网络，得到样本图像中预测挂空异物的预测信息。

其中，预测头网络413包括两个独立的第一前馈网络和第二前馈网络。具体的，第一前馈网络用于类别预测，第二前馈网络用于边界框预测。因此，预测信息包括预测挂空异物的类别预测信息和预测边界框信息。

具体的，将第二输出值分别输入至预测头网络413中的第一前馈网络和第二前馈网络，由第一前馈网络输出预测类别信息，由第二前馈网络输出预测边界框信息。

在本实施例中，通过在目标检测模型中引入特征提取网络、编码网络、解码网络和预测头网络，并由这些网络相互配合，使得预测结果更为精准。

图5为另一个实施例中目标检测模型的优化方法的流程示意图，在上述实施例的基础上，本实施例提供了一种目标检测模型的优化方法的可选实例。结合图5，具体实现过程如下：

S501，将包含高压线路挂空异物的样本图像输入至目标检测模型，得到样本图像中预测挂空异物的预测信息。

S502，根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度和高度，确定真实边界框的中心点坐标的移动范围。

S503，根据真实边界框的中心点坐标和移动范围，确定噪声标签数据中噪声边界框的中心点坐标。

S504，根据第二噪声尺度，以及真实边界框的宽度和高度，确定噪声标签数据中噪声边界框的宽度和高度。

S505，将真实类别信息，作为噪声标签数据中的噪声类别信息。

S506，采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的原标签数据，确定第一训练损失。

S507，采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的噪声标签数据，确定第二训练损失。

S508，根据第一训练损失和第二训练损失，对目标检测模型进行优化。

上述S501-S508的具体过程可以参见上述方法实施例的描述，其实现原理和技术效果类似，在此不再赘述。

应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的目标检测模型的优化方法的目标检测模型的优化装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个目标检测模型的优化装置实施例中的具体限定可以参见上文中对于目标检测模型的优化方法的限定，在此不再赘述。

在一个实施例中，如图6所示，提供了一种目标检测模型的优化装置1，包括：结果预测模块10、噪声添加模块20、第一损失确定模块30、第二损失确定模块40和模型优化模块50，其中：

结果预测模块10，用于将包含高压线路挂空异物的样本图像输入至目标检测模型，得到样本图像中预测挂空异物的预测信息；其中，预测信息包括预测边界框信息和预测类别信息；

噪声添加模块20，用于向样本图像中真实挂空异物的原标签数据添加噪声，得到真实挂空异物的噪声标签数据，其中，原标签数据包括真实边界框信息和真实类别信息；

第一损失确定模块30，用于采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的原标签数据，确定第一训练损失；

第二损失确定模块40，用于采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的噪声标签数据，确定第二训练损失；

模型优化模块50，用于根据第一训练损失和第二训练损失，对目标检测模型进行优化。

在其中的一个实施例中，如图7所示，噪声添加模块20包括：

坐标确定单元21，用于根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度、高度和中心点坐标，确定噪声标签数据中噪声边界框的中心点坐标；

边界框确定单元22，用于根据第二噪声尺度，以及真实边界框的宽度和高度，确定噪声标签数据中噪声边界框的宽度和高度；

类别确定单元23，用于将真实类别信息，作为噪声标签数据中的噪声类别信息。

在其中的一个实施例中，如图8所示，坐标确定单元21包括：

范围确定子单元211，用于根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度和高度，确定真实边界框的中心点坐标的移动范围；

坐标确定子单元212，用于根据真实边界框的中心点坐标和移动范围，确定噪声标签数据中噪声边界框的中心点坐标。

在其中的一个实施例中，范围确定子单元211具体用于：

根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度，确定真实边界框的中心点坐标中横坐标的第一移动范围；根据第一噪声尺度，以及真实边界框信息中真实边界框的高度，确定真实边界框的中心点坐标中纵坐标的第二移动范围。

在其中的一个实施例中，可以在上述图6-图8中任一图的基础上，对第一损失确定模块30进行细化。本实施例以在图6的基础上为例对第一损失确定模块30进行细化。如图9所示，第一损失确定模块30包括：

代价值确定单元31，用于根据每一预测挂空异物的预测信息，以及每一真实挂空异物的原标签数据，确定每一预测挂空异物与每一真实挂空异物的第一代价值；

匹配异物确定单元32，用于采用匈牙利匹配算法，根据每一预测挂空异物与每一真实挂空异物的第一代价值，确定与每一真实挂空异物匹配的预测挂空异物，作为匹配挂空异物；

损失确定单元33，用于根据每一真实挂空异物的原标签数据，以及每一真实挂空异物对应的匹配挂空异物的预测信息，确定第一训练损失。

在其中的一个实施例中，代价值确定单元31具体包括：

针对每一预测挂空异物，根据该预测挂空异物的预测类别信息，以及每一真实挂空异物的真实类别信息，确定该预测挂空异物与每一真实挂空异物之间的类别损失；根据该预测挂空异物的预测边界框信息，以及每一真实挂空异物的真实边界框信息，确定该预测挂空异物与每一真实挂空异物之间的边界框损失；根据该预测挂空异物与每一真实挂空异物之间的类别损失和边界框损失，确定该预测挂空异物与每一真实挂空异物之间的第一代价值。

上述的目标检测模型的优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

将包含高压线路挂空异物的样本图像输入至目标检测模型，得到样本图像中预测挂空异物的预测信息；其中，预测信息包括预测边界框信息和预测类别信息；

向样本图像中真实挂空异物的原标签数据添加噪声，得到真实挂空异物的噪声标签数据；其中，原标签数据包括真实边界框信息和真实类别信息；

采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的原标签数据，确定第一训练损失；

采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的噪声标签数据，确定第二训练损失；

根据第一训练损失和第二训练损失，对目标检测模型进行优化。

在一个实施例中，处理器执行计算机程序中向样本图像中真实挂空异物的原标签数据添加噪声，得到真实挂空异物的噪声标签数据的逻辑时还实现以下步骤：

根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度、高度和中心点坐标，确定噪声标签数据中噪声边界框的中心点坐标；根据第二噪声尺度，以及真实边界框的宽度和高度，确定噪声标签数据中噪声边界框的宽度和高度；将真实类别信息，作为噪声标签数据中的噪声类别信息。

在一个实施例中，处理器执行计算机程序中根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度、高度和中心点坐标，确定噪声标签数据中噪声边界框的中心点坐标的逻辑时还实现以下步骤：

根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度和高度，确定真实边界框的中心点坐标的移动范围；根据真实边界框的中心点坐标和移动范围，确定噪声标签数据中噪声边界框的中心点坐标。

在一个实施例中，处理器执行计算机程序中根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度和高度，确定真实边界框的中心点坐标的移动范围的逻辑时还实现以下步骤：

根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度，确定真实边界框的中心点坐标中横坐标的第一移动范围；根据第一噪声尺度，以及真实边界框信息中真实边界框的高度，确定真实边界框的中心点坐标中纵坐标的第二移动范围。

在一个实施例中，处理器执行计算机程序中采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的原标签数据，确定第一训练损失的逻辑时还实现以下步骤：

根据每一预测挂空异物的预测信息，以及每一真实挂空异物的原标签数据，确定每一预测挂空异物与每一真实挂空异物的第一代价值；采用匈牙利匹配算法，根据每一预测挂空异物与每一真实挂空异物的第一代价值，确定与每一真实挂空异物匹配的预测挂空异物，作为匹配挂空异物；根据每一真实挂空异物的原标签数据，以及每一真实挂空异物对应的匹配挂空异物的预测信息，确定第一训练损失。

在一个实施例中，处理器执行计算机程序中根据每一预测挂空异物的预测信息，以及每一真实挂空异物的原标签数据，确定每一预测挂空异物与每一真实挂空异物的第一代价值的逻辑时还实现以下步骤：

针对每一预测挂空异物，根据该预测挂空异物的预测类别信息，以及每一真实挂空异物的真实类别信息，确定该预测挂空异物与每一真实挂空异物之间的类别损失；根据该预测挂空异物的预测边界框信息，以及每一真实挂空异物的真实边界框信息，确定该预测挂空异物与每一真实挂空异物之间的边界框损失；根据该预测挂空异物与每一真实挂空异物之间的类别损失和边界框损失，确定该预测挂空异物与每一真实挂空异物之间的第一代价值。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

将包含高压线路挂空异物的样本图像输入至目标检测模型，得到样本图像中预测挂空异物的预测信息；其中，预测信息包括预测边界框信息和预测类别信息；

向样本图像中真实挂空异物的原标签数据添加噪声，得到真实挂空异物的噪声标签数据；其中，原标签数据包括真实边界框信息和真实类别信息；

采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的原标签数据，确定第一训练损失；

采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的噪声标签数据，确定第二训练损失；

根据第一训练损失和第二训练损失，对目标检测模型进行优化。

在一个实施例中，计算机程序中对向样本图像中真实挂空异物的原标签数据添加噪声，得到真实挂空异物的噪声标签数据的这一代码逻辑被处理器执行时还实现以下步骤：

根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度、高度和中心点坐标，确定噪声标签数据中噪声边界框的中心点坐标；根据第二噪声尺度，以及真实边界框的宽度和高度，确定噪声标签数据中噪声边界框的宽度和高度；将真实类别信息，作为噪声标签数据中的噪声类别信息。

在一个实施例中，计算机程序中对根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度、高度和中心点坐标，确定噪声标签数据中噪声边界框的中心点坐标的这一代码逻辑被处理器执行时还实现以下步骤：

根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度和高度，确定真实边界框的中心点坐标的移动范围；根据真实边界框的中心点坐标和移动范围，确定噪声标签数据中噪声边界框的中心点坐标。

在一个实施例中，计算机程序中对根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度和高度，确定真实边界框的中心点坐标的移动范围的这一代码逻辑被处理器执行时还实现以下步骤：

根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度，确定真实边界框的中心点坐标中横坐标的第一移动范围；根据第一噪声尺度，以及真实边界框信息中真实边界框的高度，确定真实边界框的中心点坐标中纵坐标的第二移动范围。

在一个实施例中，计算机程序中对采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的原标签数据，确定第一训练损失的这一代码逻辑被处理器执行时还实现以下步骤：

根据每一预测挂空异物的预测信息，以及每一真实挂空异物的原标签数据，确定每一预测挂空异物与每一真实挂空异物的第一代价值；采用匈牙利匹配算法，根据每一预测挂空异物与每一真实挂空异物的第一代价值，确定与每一真实挂空异物匹配的预测挂空异物，作为匹配挂空异物；根据每一真实挂空异物的原标签数据，以及每一真实挂空异物对应的匹配挂空异物的预测信息，确定第一训练损失。

在一个实施例中，计算机程序中对根据每一预测挂空异物的预测信息，以及每一真实挂空异物的原标签数据，确定每一预测挂空异物与每一真实挂空异物的第一代价值的这一代码逻辑被处理器执行时还实现以下步骤：

针对每一预测挂空异物，根据该预测挂空异物的预测类别信息，以及每一真实挂空异物的真实类别信息，确定该预测挂空异物与每一真实挂空异物之间的类别损失；根据该预测挂空异物的预测边界框信息，以及每一真实挂空异物的真实边界框信息，确定该预测挂空异物与每一真实挂空异物之间的边界框损失；根据该预测挂空异物与每一真实挂空异物之间的类别损失和边界框损失，确定该预测挂空异物与每一真实挂空异物之间的第一代价值。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

将包含高压线路挂空异物的样本图像输入至目标检测模型，得到样本图像中预测挂空异物的预测信息；其中，预测信息包括预测边界框信息和预测类别信息；

向样本图像中真实挂空异物的原标签数据添加噪声，得到真实挂空异物的噪声标签数据；其中，原标签数据包括真实边界框信息和真实类别信息；

采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的原标签数据，确定第一训练损失；

采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的噪声标签数据，确定第二训练损失；

根据第一训练损失和第二训练损失，对目标检测模型进行优化。

在一个实施例中，计算机程序被处理器执行向样本图像中真实挂空异物的原标签数据添加噪声，得到真实挂空异物的噪声标签数据的操作时，具体实现以下步骤：

根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度、高度和中心点坐标，确定噪声标签数据中噪声边界框的中心点坐标；根据第二噪声尺度，以及真实边界框的宽度和高度，确定噪声标签数据中噪声边界框的宽度和高度；将真实类别信息，作为噪声标签数据中的噪声类别信息。

在一个实施例中，计算机程序被处理器执行根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度、高度和中心点坐标，确定噪声标签数据中噪声边界框的中心点坐标的操作时，具体实现以下步骤：

根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度和高度，确定真实边界框的中心点坐标的移动范围；根据真实边界框的中心点坐标和移动范围，确定噪声标签数据中噪声边界框的中心点坐标。

在一个实施例中，计算机程序被处理器执行根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度和高度，确定真实边界框的中心点坐标的移动范围的操作时，具体实现以下步骤：

根据第一噪声尺度，以及真实边界框信息中真实边界框的宽度，确定真实边界框的中心点坐标中横坐标的第一移动范围；根据第一噪声尺度，以及真实边界框信息中真实边界框的高度，确定真实边界框的中心点坐标中纵坐标的第二移动范围。

在一个实施例中，计算机程序被处理器执行采用匈牙利匹配算法，根据预测挂空异物的预测信息，以及真实挂空异物的原标签数据，确定第一训练损失的操作时，具体实现以下步骤：

根据每一预测挂空异物的预测信息，以及每一真实挂空异物的原标签数据，确定每一预测挂空异物与每一真实挂空异物的第一代价值；采用匈牙利匹配算法，根据每一预测挂空异物与每一真实挂空异物的第一代价值，确定与每一真实挂空异物匹配的预测挂空异物，作为匹配挂空异物；根据每一真实挂空异物的原标签数据，以及每一真实挂空异物对应的匹配挂空异物的预测信息，确定第一训练损失。

在一个实施例中，计算机程序被处理器执行根据每一预测挂空异物的预测信息，以及每一真实挂空异物的原标签数据，确定每一预测挂空异物与每一真实挂空异物的第一代价值的操作时，具体实现以下步骤：

针对每一预测挂空异物，根据该预测挂空异物的预测类别信息，以及每一真实挂空异物的真实类别信息，确定该预测挂空异物与每一真实挂空异物之间的类别损失；根据该预测挂空异物的预测边界框信息，以及每一真实挂空异物的真实边界框信息，确定该预测挂空异物与每一真实挂空异物之间的边界框损失；根据该预测挂空异物与每一真实挂空异物之间的类别损失和边界框损失，确定该预测挂空异物与每一真实挂空异物之间的第一代价值。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。