目标检测模型的更新方法及装置与流程

1.本技术实施例涉及计算机技术领域，具体涉及一种目标检测模型的更新方法及装置。


背景技术：

2.在智能仓储自动化领域，拣选机器人执行拣选任务的方式具有较好的应用前景。拣选机器人执行拣选任务是指拣选机器人在视觉引导的基础上，把目标物拣选到指定位置。高精度的目标检测是该应用场景的核心技术基础。基于深度学习的目标检测技术是目前比较实用的技术。针对目标检测的深度学习技术属于监督学习范畴，基本过程是：(1)事先批量采集场景数据；(2)对数据进行人工标注；(3)训练目标检测模型；(4)把训练好的目标检测模型部署到线上应用。可以理解，目标检测模型一般会产生时效性问题。例如，电商场景中，商品更新换代频繁，基于早期数据训练好的目标检测模型的精度会随着时间推移而退化。如果重新执行上述目标检测模型的得到过程，虽然可以使模型再度恢复精度，但其过程费时费力。


技术实现要素：

3.本技术实施例提出了一种目标检测模型的更新方法及装置。
4.第一方面，本技术实施例提供了一种目标检测模型的更新方法，包括：根据目标物在多个角度下的图像数据，构建目标物的三维模型；根据三维模型，生成包括表征目标物的目标物对象的合成图像；以合成图像为样本图像，以目标物对象为标签，得到训练样本，生成训练样本集；通过训练样本集训练目标检测模型，得到更新后的目标检测模型，其中，目标检测模型用于表征输入图像与输入图像中的目标物对象对应的检测结果之间的对应关系。
5.在一些实施例中，上述根据目标物在多个角度下的图像数据，构建目标物的三维模型，包括：在根据目标检测模型对输入图像中的目标物对象的检测结果，控制拣选机器人执行对于目标物的拣选任务的过程中，通过第一图像采集装置采集处于预设信息采集位置的目标物在多个角度下的二维图像数据和三维图像数据；根据二维图像数据和三维图像数据，构建目标物的三维模型。
6.在一些实施例中，上述根据三维模型，生成包括表征目标物的目标物对象的合成图像，包括：确定拣选机器人对应的第二图像采集装置、预设信息采集位置和第一图像采集装置之间的坐标系对应关系；根据坐标系对应关系，确定三维模型在第二图像采集装置的视角下的调整后三维模型；根据调整后三维模型和表征拣选机器人的拣选场景的预设背景图像，生成包括目标物对应的目标物对象的合成图像。
7.在一些实施例中，上述方法还包括：确定目标物的重量；以及上述根据调整后三维模型和表征拣选机器人的拣选场景的预设背景图像，生成包括目标物对应的目标物对象的合成图像，包括：根据调整后三维模型、预设背景图像、重量、合成图像的预设分辨率、第二
图像采集装置的参数，生成包括目标物对应的目标物对象的合成图像。
8.在一些实施例中，上述通过训练样本集训练目标检测模型，得到更新后的目标检测模型，包括：响应于确定目标检测模型的检测精度低于预设阈值，利用机器学习算法，通过训练样本集训练目标检测模型，得到更新后的目标检测模型。
9.在一些实施例中，上述方法还包括：通过更新后的目标检测模型对后续的输入图像进行目标检测，得到检测结果；根据检测结果控制拣选机器人执行拣选任务。
10.第二方面，本技术实施例提供了一种目标检测模型的更新装置，包括：构建单元，被配置成根据目标物在多个角度下的图像数据，构建目标物的三维模型；图像生成单元，被配置成根据三维模型，生成包括表征目标物的目标物对象的合成图像；样本生成单元，被配置成以合成图像为样本图像，以目标物对象为标签，得到训练样本，生成训练样本集；更新单元，被配置成通过训练样本集训练目标检测模型，得到更新后的目标检测模型，其中，目标检测模型用于表征输入图像与输入图像中的目标物对象对应的检测结果之间的对应关系。
11.在一些实施例中，构建单元，进一步被配置成：在根据目标检测模型对输入图像中的目标物对象的检测结果，控制拣选机器人执行对于目标物的拣选任务的过程中，通过第一图像采集装置采集处于预设信息采集位置的目标物在多个角度下的二维图像数据和三维图像数据；根据二维图像数据和三维图像数据，构建目标物的三维模型。
12.在一些实施例中，图像生成单元，进一步被配置成：确定拣选机器人对应的第二图像采集装置、预设信息采集位置和第一图像采集装置之间的坐标系对应关系；根据坐标系对应关系，确定三维模型在第二图像采集装置的视角下的调整后三维模型；根据调整后三维模型和表征拣选机器人的拣选场景的预设背景图像，生成包括目标物对应的目标物对象的合成图像。
13.在一些实施例中，上述装置还包括：确定单元，被配置成确定目标物的重量；以及图像生成单元，进一步被配置成：根据调整后三维模型、预设背景图像、重量、合成图像的预设分辨率、第二图像采集装置的参数，生成包括目标物对应的目标物对象的合成图像。
14.在一些实施例中，更新单元，进一步被配置成：响应于确定目标检测模型的检测精度低于预设阈值，利用机器学习算法，通过训练样本集训练目标检测模型，得到更新后的目标检测模型。
15.在一些实施例中，上述装置还包括：得到单元，被配置成通过更新后的目标检测模型对后续的输入图像进行目标检测，得到检测结果；执行单元，被配置成根据检测结果控制拣选机器人执行拣选任务。
16.第三方面，本技术实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面任一实现方式描述的方法。
17.第四方面，本技术实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面任一实现方式描述的方法。
18.本技术实施例提供的目标检测模型的更新方法及装置，通过根据目标物在多个角度下的图像数据，构建目标物的三维模型；根据三维模型，生成包括表征目标物的目标物对象的合成图像；以合成图像为样本图像，以目标物对象为标签，得到训练样本，生成训练样
本集；通过训练样本集训练目标检测模型，得到更新后的目标检测模型，从而提供了一种自动生成训练数据、自动更新目标检测模型的方法，提高了目标检测模型更新的便捷性和检测结果的准确度。
附图说明
19.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本技术的其它特征、目的和优点将会变得更明显：
20.图1是本技术的一个实施例可以应用于其中的示例性系统架构图；
21.图2是本技术的一个实施例可以应用于其中的又一示例性系统架构图；
22.图3是根据本技术目标检测模型的更新方法的一个实施例的流程图；
23.图4是根据本实施例的目标检测模型的更新方法的应用场景的示意图；
24.图5是根据本技术的目标检测模型的更新方法的又一个实施例的流程图；
25.图6是根据本技术的目标检测模型的更新装置的一个实施例的结构图；
26.图7是适于用来实现本技术实施例的计算机系统的结构示意图。
具体实施方式
27.下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
28.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
29.图1示出了可以应用本技术的目标检测模型的更新方法及装置的示例性架构100。
30.如图1所示，系统架构100可以包括图像采集装置101、102，网络103、104，控制装置105和拣选机器人106。图像采集装置101、102与控制装置105、拣选机器人106之间通信连接构成拓扑网络，网络103、104用以在图像采集装置101、102与控制装置105、拣选机器人106之间提供通信链路的介质。网络103、104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
31.图像采集装置101、102可以是具有2d图像采集功能、3d图像采集功能和信息传输功能的硬件设备或软件。当图像采集装置101、102为硬件时，其可以是支持网络连接，图像获取、交互、显示、处理等功能的各种电子设备，包括但不限于2d相机、3d相机、智能手机、平板电脑和台式计算机等等。当图像采集装置101、102为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
32.控制装置105可以是提供各种服务的服务器，例如在根据目标检测模型对待检测图像中的目标物的检测结果，控制拣选机器人执行拣选任务的过程中，自动生成训练数据、自动更新目标检测模型的服务器。作为示例，控制装置105可以是云端服务器。具体的，控制装置105通过目标检测模型得到对待检测图像中的目标物的检测结果，根据检测结果控制拣选机器人执行拣选任务；并在拣选机器人执行拣选任务的过程中，获取所拣选的目标物在多个角度下的图像数据，构建目标物的三维模型，以得到训练数据，进而通过训练数据更
新目标检测模型。
33.需要说明的是，控制装置可以是硬件，也可以是软件。当控制装置为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当控制装置为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
34.拣选机器人可以是具有拣选功能的各种机器人，例如多自由度机械臂。
35.如图2所示，示出了目标检测模型的更新系统的又一个示例性架构200，包括，第一图像采集装置201、第二图像采集装置202、第三图像采集装置203、控制装置204和拣选机器人205。
36.第三图像采集装置203设置于拣选工位处，拣选工位处放置装有待拣选的目标物的周转箱，第三图像采集装置203用于采集包括周转箱中的目标物对应的目标对象的图像。控制装置204用于将第三图像采集装置203采集到的图像作为目标检测模型的输入图像，得到检测结果，进而控制拣选机器人根据检测结果执行拣选任务(将目标物由拣选工位转移至码垛位)。
37.第二图像采集装置202对应设置于拣选机器人上。第一图像采集装置201设置于预设信息采集位置。其预设信息采集位置可以是拣选机器人拣选目标物的移动过程所经过的任意位置。例如，预设位置靠近放置待拣选的目标物的拣选工位设置。第一图像采集装置201用于在拣选机器人将目标物从拣选工位拣选至码垛位的过程中，响应于确定拣选机器人拣选目标物移动至预设信息采集位置，获取目标物在多个角度下的图像数据；控制装置204进一步用于根据目标物在多个角度下的图像数据构建目标物的三维模型，以生成训练数据，更新目标检测模型。
38.本技术的实施例所提供的目标检测模型的更新方法可以由控制装置执行，相应地，目标检测模型的更新装置包括的各个部分(例如各个单元)可以全部设置于控制装置中。
39.应该理解，图1中的图像采集装置、网络、控制装置和拣选机器人的数目仅仅是示意性的。根据实现需要，可以具有任意数目的图像采集装置、网络、控制装置和拣选机器人。当目标检测模型的更新方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括目标检测模型的更新方法运行于其上的电子设备(例如控制装置)。
40.继续参考图3，示出了目标检测模型的更新方法的一个实施例的流程300，包括以下步骤：
41.步骤301，根据目标物在多个角度下的图像数据，构建目标物的三维模型。
42.本实施例中，目标检测模型的更新方法的执行主体(例如图1中的终端设备或服务器)可以通过有线连接网络或无线连接网络从远程或从本地获取目标物在多个角度下的图像数据，进而根据目标物在多个角度下的图像数据，构建目标物的三维模型。
43.目标检测模型用于表征输入图像与输入图像中的目标物对象对应的检测结果之间的对应关系，可以基于具有目标物检测功能的神经网络模型训练得到，包括但不限于卷积神经网络、残差神经网络、循环神经网络。需要说明的是，目标检测模型为预先训练的、已投入拣选场景中应用的模型。
44.将待检测图像输入目标检测模型，可以确定出指示待检测图像中目标物的检测框，进而根据获取待检测图像的图像采集装置(如图2中的第三图像采集装置203)的标定信息，确定现实环境中拣选工位上目标物的位置信息。进而，可以控制拣选机器人拣选处于所确定的位置信息所表征的位置处的目标物。
45.其中，目标物可以是各种实体物物品。作为示例，目标物是各种商品。
46.图像数据包括2d(2
‑
dimension，二维)图像数据和3d图像数据。作为示例，2d图像数据是rgb(red，green，blue，红色，绿色，蓝色)图像，3d图像数据为点云图像数据。
47.本实施例中，可以通过处于不同位置的多组相机，拍摄得到目标物在多个角度下的图像数据。其中，每组相机包括2d相机和3d相机。
48.本实施例中，上述执行主体可以将目标物在多个角度下的图像数据输入用于3d建模的享有网络模型(例如，capturing reality公司发布reality capture)，得到目标物的三维模型。
49.在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤301：首先，在根据目标检测模型对输入图像中的目标物对象的检测结果，控制拣选机器人执行对于目标物的拣选任务的过程中，通过第一图像采集装置采集处于预设信息采集位置的目标物在多个角度下的二维图像数据和三维图像数据；然后，根据二维图像数据和三维图像数据，构建目标物的三维模型。
50.具体的，在拣选工位和码垛位之间设置预设信息采集位置，环绕预设信息采集位置设置包括多组相机的第一图像采集装置。在拣选机器人根据目标检测模型的检测结果在拣选工位拣选目标物向码垛位移动的过程中，响应于到达预设信息采集位置，将目标物暂时放置于预设信息采集位置，以供第一图像采集装置采集得到目标物在多个角度下的二维图像数据和三维图像数据。
51.步骤302，根据三维模型，生成包括表征目标物的目标物对象的合成图像。
52.本实施例中，上述执行主体可以根据三维模型，生成包括表征目标物的目标物对象的合成图像。
53.作为示例，上述执行主体将目标物的三维模型输入图像合成工具(例如keyshot)，为三维模型设置背景图像，得到合成图像。具体的，可以基于三维模型的不同角度和/或不同的背景图像，对于同一目标物的三维模型，生成多个合成图像。
54.为了得到真实度更高的合成图像，以使得基于合成图像得到的训练数据更新的目标检测模型更适用于如图2所示的拣选机器人工作站的真实场景，在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤302：
55.第一，确定拣选机器人对应的第二图像采集装置、预设信息采集位置和第一图像采集装置之间的坐标系对应关系。
56.第二图像采集装置、预设信息采集位置和第一图像采集装置依次设置有对应的坐标系。上述执行主体可以通过标定算法确定拣选机器人对应的第二图像采集装置、预设信息采集位置和第一图像采集装置之间的坐标系对应关系。
57.第二，根据坐标系对应关系，确定三维模型在第二图像采集装置的视角下的调整后三维模型。
58.将三维模型调整至拣选机器人对应的第二图像采集装置的视角下，以充分贴合拣
选机器人工作站的真实场景。
59.第三，根据调整后三维模型和表征拣选机器人的拣选场景的预设背景图像，生成包括目标物对应的目标物对象的合成图像。
60.作为示例，拣选工位处的目标物一般放置于周转箱中，预设背景图像可以是包括空周转箱对应的周转箱对象的背景图像。如此，可进一步提高合成图像的真实性。
61.在本实施例的一些可选的实现方式中，上述执行主体还可以确定目标物的重量。作为示例，在预设信息采集位置设置重量传感器，以获取目标物的重量。
62.在本实现方式中，上述执行主体可以通过如下方式执行上述第三步骤：
63.根据调整后三维模型、预设背景图像、重量、合成图像的预设分辨率、第二图像采集装置的参数，生成包括目标物对应的目标物对象的合成图像。
64.其中，预设分辨率用于表征所期望的合成图像的分辨率，第二图像采集装置的参数表征其内参数据。
65.具体的，上述执行主体将调整后三维模型、预设背景图像、重量、合成图像的预设分辨率、第二图像采集装置的参数等数据作为输入数据输入虚拟物理引擎工具(如pybullet)，得到合成图像。
66.需要说明的是，所生成的合成图像可以包括同种类的多个目标物对象，也可以包括不同种类的多个目标物对象。作为示例，不同种类的目标物可以是截止到当前所拣选的多种目标物。多种目标物的拣选过程中，上述执行主体得到的每种目标物的调整后三维模型和重量信息，通过虚拟物理引擎工具可以得到不同种类的多个目标物对象的合成图像，以通过合成图像组成的训练数据训练得到检测精度更高的目标检测模型。
67.步骤303，以合成图像为样本图像，以目标物对象为标签，得到训练样本，生成训练样本集。
68.本实施例中，上述执行主体可以合成图像为样本图像，以目标物对象为标签，得到训练样本，生成训练样本集。
69.合成图像是根据三维模型合成的，其中的目标物对象可自然获得，从而即免去了对于标签的人工标注环节，可扩充用于更新目标检测模型的训练样本集。
70.步骤304，通过训练样本集训练目标检测模型，得到更新后的目标检测模型。
71.本实施例中，上述执行主体可以通过训练样本集训练目标检测模型，得到更新后的目标检测模型。
72.具体的，首先，从训练样本集中选取未经过训练的训练样本，将所选取的训练样本中的样本图像输入目标检测模型，以所输入的训练样本对应的标签为期望输出，得到目标检测模型的实际输出。然后，计算实际输出与标签之间的损失。最后，根据损失计算梯度，并基于梯度下降法、随机梯度下降法进行目标检测模型的参数更新。
73.上述执行主体可以循环执行上述更新过程，直至得到预设结束条件，得到更新后的目标检测模型。其中，预设结束条件例如可以是训练次数超过预设次数阈值，训练时间超过预设时间阈值，损失趋于收敛。
74.在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤304：
75.响应于确定目标检测模型的检测精度低于预设阈值，利用机器学习算法，通过训
练样本集训练目标检测模型，得到更新后的目标检测模型。
76.其中，预设阈值可以根据实际情况具体设置。作为示例，当拣选任务要求的检测精度较高，可以设置较高的预设阈值；当拣选任务要求的检测精度并不高，可以设置较低的预设阈值。
77.作为示例，上述执行主体可以将合成图像输入未更新的目标检测模型，得到目标检测模型实际输出的目标对象的检测框；进而确定实际输出的检测框与标签对应的检测框之间的iou(intersection
‑
over
‑
union，交并比)，将多个合成图像对应的iou求取平均值，确定目标检测模型的检测精度。
78.在本实施例的一些可选的实现方式中，在得到更新后的目标检测模型后，上述执行主体通过更新后的目标检测模型对后续的输入图像进行目标检测，得到检测结果；根据检测结果控制拣选机器人执行拣选任务。
79.继续参见图4，图4是根据本实施例的目标检测模型的更新方法的应用场景的一个示意图400。在图4的应用场景中，包括图像采集装置401、图像采集装置402、服务器403和拣选机器人404，服务器403中设置有目标检测模型。图像采集装置401设置于拣选工位处，摄取拣选工位处的目标物得到待检测图像，并通过目标检测模型进行目标检测，得到检测结果，进而控制拣选机器人拣选目标物将其移动至码垛位。拣选机器人执行对于目标物的拣选任务的过程中，通过图像采集装置402采集处于预设信息采集位置的目标物在多个角度下的图像数据。在得到多个角度下的图像数据后，服务器首先根据目标物在多个角度下的图像数据，构建目标物的三维模型；然后，根据三维模型，生成包括表征目标物的目标物对象的合成图像；以合成图像为样本图像，以目标物对象为标签，得到训练样本，生成训练样本集；然后，通过训练样本集训练目标检测模型，得到更新后的目标检测模型。
80.本技术的上述实施例提供的方法，通过根据目标物在多个角度下的图像数据，构建目标物的三维模型；根据三维模型，生成包括表征目标物的目标物对象的合成图像；以合成图像为样本图像，以目标物对象为标签，得到训练样本，生成训练样本集；通过训练样本集训练目标检测模型，得到更新后的目标检测模型，从而提供了一种自动生成训练数据、自动更新目标检测模型的方法，提高了目标检测模型更新的便捷性和检测结果的准确度。
81.继续参考图5，示出了根据本技术的目标检测模型的更新方法的一个实施例的示意性流程500，包括以下步骤：
82.步骤501，在根据目标检测模型对输入图像中的目标物对象的检测结果，控制拣选机器人执行对于目标物的拣选任务的过程中，通过第一图像采集装置采集处于预设信息采集位置的目标物在多个角度下的二维图像数据、三维图像数据和重量。
83.步骤502，根据二维图像数据和三维图像数据，构建目标物的三维模型。
84.步骤503，确定拣选机器人对应的第二图像采集装置、预设信息采集位置和第一图像采集装置之间的坐标系对应关系。
85.步骤504，根据坐标系对应关系，确定三维模型在第二图像采集装置的视角下的调整后三维模型。
86.步骤505，根据调整后三维模型、预设背景图像、重量、合成图像的预设分辨率、第二图像采集装置的参数，生成包括目标物对应的目标物对象的合成图像。
87.步骤506，以合成图像为样本图像，以目标物对象为标签，得到训练样本，生成训练
样本集。
88.步骤507，通过训练样本集训练目标检测模型，得到更新后的目标检测模型。
89.其中，目标检测模型用于表征输入图像与输入图像中的目标物对象对应的检测结果之间的对应关系。
90.步骤508，通过更新后的目标检测模型对后续的输入图像进行目标检测，得到检测结果。
91.步骤509，根据检测结果控制拣选机器人执行拣选任务。
92.从本实施例中可以看出，与图3对应的实施例相比，本实施例中的目标检测模型的更新方法的流程500具体说明了合成图像的构建过程、更新后的目标检测模型的应用过程，提供了一种针对于目标检测模型的闭环持续学习方法，基于构建目标物的三维模型的方式构建训练样本集，适用于所有形状的目标物，提高了目标检测模型的普适性和检测精度。
93.继续参考图6，作为对上述各图所示方法的实现，本技术提供了一种目标检测模型的更新装置的一个实施例，该装置实施例与图3所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
94.如图6所示，目标检测模型的更新装置包括：构建单元601，被配置成根据目标物在多个角度下的图像数据，构建目标物的三维模型；图像生成单元602，被配置成根据三维模型，生成包括表征目标物的目标物对象的合成图像；样本生成单元603，被配置成以合成图像为样本图像，以目标物对象为标签，得到训练样本，生成训练样本集；更新单元604，被配置成通过训练样本集训练目标检测模型，得到更新后的目标检测模型，其中，目标检测模型用于表征输入图像与输入图像中的目标物对象对应的检测结果之间的对应关系。
95.在本实施例的一些可选的实现方式中，构建单元601，进一步被配置成：在根据目标检测模型对输入图像中的目标物对象的检测结果，控制拣选机器人执行对于目标物的拣选任务的过程中，通过第一图像采集装置采集处于预设信息采集位置的目标物在多个角度下的二维图像数据和三维图像数据；根据二维图像数据和三维图像数据，构建目标物的三维模型。
96.在本实施例的一些可选的实现方式中，图像生成单元602，进一步被配置成：确定拣选机器人对应的第二图像采集装置、预设信息采集位置和第一图像采集装置之间的坐标系对应关系；根据坐标系对应关系，确定三维模型在第二图像采集装置的视角下的调整后三维模型；根据调整后三维模型和表征拣选机器人的拣选场景的预设背景图像，生成包括目标物对应的目标物对象的合成图像。
97.在本实施例的一些可选的实现方式中，上述装置还包括：确定单元(图中未示出)，被配置成确定目标物的重量；以及图像生成单元602，进一步被配置成：根据调整后三维模型、预设背景图像、重量、合成图像的预设分辨率、第二图像采集装置的参数，生成包括目标物对应的目标物对象的合成图像。
98.在本实施例的一些可选的实现方式中，更新单元604，进一步被配置成：响应于确定目标检测模型的检测精度低于预设阈值，利用机器学习算法，通过训练样本集训练目标检测模型，得到更新后的目标检测模型。
99.在本实施例的一些可选的实现方式中，上述装置还包括：得到单元(图中未示出)，被配置成通过更新后的目标检测模型对后续的输入图像进行目标检测，得到检测结果；执
行单元(图中未示出)，被配置成根据检测结果控制拣选机器人执行拣选任务。
100.本实施例中，目标检测模型的更新装置中的构建单元根据目标物在多个角度下的图像数据，构建目标物的三维模型；图像生成单元根据三维模型，生成包括表征目标物的目标物对象的合成图像；样本生成单元以合成图像为样本图像，以目标物对象为标签，得到训练样本，生成训练样本集；更新单元通过训练样本集训练目标检测模型，得到更新后的目标检测模型，其中，目标检测模型用于表征输入图像与输入图像中的目标物对象对应的检测结果之间的对应关系，从而提供了一种自动生成训练数据、自动更新目标检测模型的装置，提高了目标检测模型更新的便捷性和检测结果的准确度。
101.下面参考图7，其示出了适于用来实现本技术实施例的设备(例如图1所示的设备101、102、105、106)的计算机系统700的结构示意图。图7示出的设备仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
102.如图7所示，计算机系统700包括处理器(例如cpu，中央处理器)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有系统700操作所需的各种程序和数据。处理器701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
103.以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
104.特别地，根据本技术的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本技术的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本技术的方法中限定的上述功能。
105.需要说明的是，本技术的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由
指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
106.可以以一种或多种程序设计语言或其组合来编写用于执行本技术的操作的计算机程序代码，程序设计语言包括面向目标的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在客户计算机上执行、部分地在客户计算机上执行、作为一个独立的软件包执行、部分在客户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到客户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
107.附图中的流程图和框图，图示了按照本技术各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
108.描述于本技术实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器，包括构建单元、图像生成单元、样本生成单元和更新单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，更新单元还可以被描述为“通过训练样本集训练目标检测模型，得到更新后的目标检测模型的单元”。
109.作为另一方面，本技术还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该计算机设备：根据目标物在多个角度下的图像数据，构建目标物的三维模型；根据三维模型，生成包括表征目标物的目标物对象的合成图像；以合成图像为样本图像，以目标物对象为标签，得到训练样本，生成训练样本集；通过训练样本集训练目标检测模型，得到更新后的目标检测模型，其中，目标检测模型用于表征输入图像与输入图像中的目标物对象对应的检测结果之间的对应关系。
110.以上描述仅为本技术的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。