(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210918439.7 (22)申请日 2022.08.02 (65)同一申请的已公布的文献号 申请公布号 CN 114973156 A (43)申请公布日 2022.08.30 (73)专利权人 松立控股集团股份有限公司 地址 266000 山东省青岛市 市南区宁 夏路 288号软件园6号楼1 1层 (72)发明人 王永　刘寒松　王国强　翟贵乾　 刘瑞　李贤超　焦安健　谭连胜　 董玉超　 (74)专利代理 机构 青岛高晓专利事务所(普通 合伙) 37104 专利代理师 黄晓敏 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01)G06N 5/02(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 111738436 A,2020.10.02 CN 113378940 A,2021.09.10 CN 112991330 A,2021.0 6.18 US 2022207718 A1,202 2.06.30 CN 112818969 A,2021.0 5.18 CN 112381763 A,2021.02.19 He ST et al. 《Enhanci ng Mid-L ow- Resolution Ship Detecti on With High - Resolution Feature Disti llation》 . 《IEEE》 .2021,第1- 5页. 葛涌涛. 《基 于深度学习的人脸编辑系统研 究与应用》 . 《中国优秀硕士学位 论文全文数据库 信息科技 辑》 .2022,第I138-1 196页. 审查员 孟桓羽 (54)发明名称 一种基于知识蒸馏的夜间渣土车检测方法 (57)摘要 本发明属于渣土车检测技术领域， 涉及一种 基于知识蒸馏的夜 间渣土车检测方法， 先训练一 个低光照图像增强 网络， 然后利用基于特征的知 识蒸馏方法进行蒸馏训练， 很好的利用低光照图 像增强网络提取的特征来指导夜间渣土车检测 网络进行特征提取， 最终能够很好的提升夜间渣 土车的检测效果。 权利要求书2页 说明书4页 附图2页 CN 114973156 B 2022.10.25 CN 114973156 B 1.一种基于知识蒸馏的夜间渣土车检测方法， 其特 征在于， 具体包括如下步骤： （1） 收集交通监控中含有渣土车的夜间图像， 并以物体检测的方式对图像进行标注得 到数据集， 并将数据集划分为训练集、 验证集和 测试集； （2） 利用现有数据集训练低光照图像增强网络， 将数据集中的夜间图像输入低光照图 像增强网络， 输出增强后光照图像， 并保存整个网络的权重， 用于后期的知识蒸馏； 其中训 练低光照图像增强网络的具体过程为： 选用See  in the Dark数据集进行低光照图像增强 网络的训练， 将数据集中的夜间图像裁剪为尺寸800 1024的低光照图像后送入低光照增 强网络训练， 训练200轮后得到训练好的低光照图像增强网络， 网络结构整体框架为译码 器‑解码器结构， 低光照图像依次经过两个下卷积模块、 3 3卷积和两个上卷积模块， 最后 经过3 3卷积后得到增强后光照图像， 其中下卷积模块结构包含3 3卷积、 BN层、 PRELU层和 平均池化层， 上卷积模块包含3 3反卷积、 BN层和PRELU层， 训练过程中的能量损失为实际 正常光线图像与网络 输出增强后光照图像的差值取L1损失， 能量损失函数如下： 其中 为第i个图像通过图像增强网络得到的图像， 为第i个图像的真实清晰图 像，n为样本总数 （3） 选用FCOS网络， 利用步骤 （1） 中的数据集进行训练得到夜间渣土车检测网络， 训练 时利用ResNet50作为主干网络， 训练完后， 取出FCOS网络中的P3特征， 并将P3特征通过双线 性插值放大一倍后用于步骤 （4） 的知识蒸馏； （4） 采用由步骤 （2） 训练好的低光照图像增强网络和步骤 （3） 得到的夜间渣土车检测网 络组成的知识蒸馏网络， 利用不同网络的特征进行蒸馏， 选取低光照图像增强网络中两个 下卷积模块后的特征和FC OS中P3放大一倍后的特征进 行知识蒸馏， 其中低光照图像增强网 络通过预训练后固定， 采用是离线蒸馏方法利用固定后的权重蒸馏夜间渣土车检测网络， 通过特征之间的差值 L2范数作为蒸馏损失进行蒸馏训练， 能量损失函数如下： 其中LR为通过图像增强网络得到的特征， OD为夜间渣土车检测网络的特征， 256为特征 的维度， 蒸馏训练迭代200步， 通过反向迭代调整渣土车检测网络的参数， 迭代完成后保留 渣土车检测网络 权重； （5） 测试夜间渣土车检测网络， 将数据集中的图像通过双线性插值将图像尺寸变为800 1024， 作为网络的输入， 网络模型选用FCOS网络进行检测， 选ResNet50作为主干网络， 利 用步骤 （4） 得到的渣土车检测网络的权重进行前向推导， 实现基于知识蒸馏的夜间渣土车 检测。权　利　要　求　书 1/2 页 2 CN 114973156 B 22.根据权利要求1所述基于知识蒸馏 的夜间渣土车检测方法， 其特征在于， 步骤 （1） 所 述数据集包 含2000张图片， 训练集、 验证集和 测试集的数量比为7： 2： 1。权　利　要　求　书 2/2 页 3 CN 114973156 B 3