(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 202211243593.5 (22)申请日 2022.10.12 (71)申请人 浙江霖研精密科技有限公司 地址 313000 浙江省湖州市南 浔区练市镇 茹家甸路10 0号 (72)发明人 张晓武　陈斌　李伟　徐朝彬　 (74)专利代理 机构 成都君合集专利代理事务所 (普通合伙) 51228 专利代理师 张鸣洁 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于豪斯多夫距离计算距离损失的方 法及装置 (57)摘要 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。 权利要求书2页 说明书8页 附图7页 CN 115330759 A 2022.11.11 CN 115330759 A 1.一种基于豪斯多夫距离计算距离损失的方法， 其特 征在于， 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； 步骤S4， 将所述融合特征图输入到基于豪斯多夫距离设计的无锚点检测头网络获取检 测特征图， 并计算预测检测框和真实框的距离损失， 根据所述距离损失对所述基于豪斯多 夫距离的网络模型进行训练， 把检测特征图的每个位置作为训练样本， 对于检测特征图中 的每个位置对应原图的边框都进 行边界平滑的回归， 最 终使用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。 2.根据权利要求1所述的一种基于豪斯多夫距离计算距离损失的方法， 其特征在于， 所 述步骤S1中基于通道 注意力模块的Shuf fleNetV2网络包括： 所述ShuffleNetV2网络从前至后依次设置卷积层、 批标准化层、 激活函数层和若干个 ShuffleNet 基本单元， 并去掉了最后一层卷积， 抽取8、 16、 32倍下采样的特征对工业产品数 据集的训练集进行多尺度的特 征融合， 获取不同尺寸的提取 特征图； 所述ShuffleNet基本单元包括从前至后依次设置的卷积层、 深度可分离卷积层和特征 相加层， 去掉了通道随机混合操作模块， 设计了通道 注意力模块代替； 所述通道注意力模块包括从前至后依次设置的自适应平均池化层、 卷积层、 ReLU激活 函数、 批标准 化层和Hard ‑Sigmoid激活函数； 所述Hard ‑Sigmoid激活函数表示为： ， 其中， x为神经 元的输出。 3.根据权利要求1所述的一种基于豪斯多夫距离计算距离损失的方法， 其特征在于， 所 述步骤S1中Rep Blockv2模块包括： 所述RepBlockv2模块包括从前至后依次设置的卷积层、 深度可分离卷积层、 批标准化 层、 特征相加层和ReLU激活函数； 所述RepBlockv2模块 中的上采样和下采样均使用插值完成， 并且将多尺寸的提取特征 图直接相加。 4.根据权利要求1所述的一种基于豪斯多夫距离计算距离损失的方法， 其特征在于， 所 述步骤S1中基于豪斯多夫距离设计的无锚点检测头网络包括： 基于豪斯多夫距离设计的无锚点检测头网络检测的待测工业产品检测特征图和多层 特征图集中各图之间的误差的方法包括分类损失函数和位置回归函数： 所述类别分类损失函数采用焦点损失函数， 所述的位置回归函数采用双向豪斯多夫距 离损失函数和平 滑L1损失函数； 所述双向豪斯多夫距离表示 为：权　利　要　求　书 1/2 页 2 CN 115330759 A 2其中， B和G分别代表预测检测框和真实框的二维高斯分布， b和g分别为分布中的点集， 然后采用非线性转换函数f将双向豪斯多 夫距离映射为类似IoU损失的函数， 所以豪斯多 夫 损失函数表示 为： ； 最终总损失函数表示如下：  ； 其中， n为预测检测框的个数， 为预测检测框， 为真实框， 为预测检测框的标 签， 为真实框的标签， 和 为超参数， 为焦点损失。 5.一种基于豪斯多夫距离计算距离损失的装置， 其特征在于， 包括采集模块、 训练模块 和检测模块：  所述采集模块用于采集待测工业产品上 的工业产品图像样本作为工业产品 数据集， 并将工业产品数据集分为测试集和训练集； 所述训练模块中引入训练豪斯多夫模块， 用于采集训练基于豪斯多夫距离的网络模 型， 所述基于豪斯多夫距离的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、 Rep Blockv2模块和基于豪斯多夫距离设计的无锚点检测头网络； 所述检测模块用于使用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。权　利　要　求　书 2/2 页 3 CN 115330759 A 3