CN109977191A - 问题地图检测方法、装置、电子设备和介质 - Google Patents

Abstract

本发明实施例公开了一种问题地图检测方法、装置、电子设备和介质，其中，该方法包括：获取目标电子地图数据，其中，目标电子地图数据中包括至少一个检测对象；将目标电子地图数据输入预先训练的地图检测模型，根据地图检测模型的输出确定目标电子地图数据是否存在版图绘制错误，其中，地图检测模型基于每个检测对象的设定区域比例参数训练得到，地图检测模型的输出包括在不存在版图绘制错误的目标电子地图数据上对检测对象的标注。本发明实施例首次将深度学习技术引入问题地图自动检测，解决了现有的依赖人工检测的地图检测方法效率低且人力成本高的问题，实现了电子地图的自动检测与问题地图的自动标识，提高了检测效率。

Description

问题地图检测方法、装置、电子设备和介质

技术领域

本发明实施例涉及测绘地理信息技术领域，尤其涉及一种问题地图检测方法、装置、电子设备和介质。

背景技术

在我国古代，“版”是登记户口和土地的簿册，“图”是指地图，“版图”即代表了户籍和地图，并逐渐演变成国家疆域的代名词。随着时代发展，地图和人们的日常生活息息相关，直接影响着经济社会发展，甚至国家安全。然而，近年来地图使用安全问题事件频发，若是“问题地图”流传开来，不仅对社会公众产生不良影响、损害国家主权安全和利益，更会成为境外敌对势力攻击的把柄，甚至引发国际纠纷，对此必须引起高度重视。

据了解，目前我国地图市场快速扩张，繁荣发展。2012年以来，每年公开出版的地图约2000多种，近3亿册幅。仅2016年，导航电子地图就完成服务总值66亿元，具有互联网地图服务资质的测绘资质单位完成服务总值达282亿元。但与此同时，地图市场和对地图的展示使用中损害我国领土主权、安全和海洋权益等“问题地图”仍然屡禁不止。据统计，2012年以来，全国共开展执法行动11000多次，查处相关案件近1000起，收缴各类违法违规地图产品愈20万余件，完成1000余个存在“问题地图”网站的处置。2016年地图市场检查中，在各类地图市场、文化用品市场、互联网地图服务单位、展览(展会)、纪念馆、博物馆等，发现并依法查处了一大批违法、违规案件。这些案件，有的漏画、错画我国重要岛屿、国界线等，危及国家主权；有的在互联网中上传、标注敏感和涉密信息，公开登载、非法交易涉密地图等，危及国家安全；有的对相关国家和地区不按我国政治外交主张进行标示，以及非法测图、编图、提供地图服务等，损害国家利益。尤其是一些互联网刊载的、自媒体发布的“问题地图”，分布广，传播快，危害大。

目前，对“问题地图”审核方法主要是依赖人工目视解译。“问题地图”与正确地图相比，存在的差异可能非常小，检测人员需要熟练掌握正确地图的绘制方法，检测速度慢，而且劳动强度大。

发明内容

本发明实施例提供一种问题地图检测方法、装置、电子设备和介质，以提高问题地图的检测效率，并保证检测准确性。

第一方面，本发明实施例提供了一种问题地图检测方法，该方法包括：

获取目标电子地图数据，其中，所述目标电子地图数据中包括至少一个检测对象；

将所述目标电子地图数据输入预先训练的地图检测模型，根据所述地图检测模型的输出确定所述目标电子地图数据是否存在版图绘制错误，其中，所述地图检测模型基于每个检测对象的设定区域比例参数训练得到，所述地图检测模型的输出包括在不存在版图绘制错误的目标电子地图数据上对检测对象的标注。

第二方面，本发明实施例还提供了一种问题地图检测装置，该装置包括：

获取模块，用于获取目标电子地图数据，其中，所述目标电子地图数据中包括至少一个检测对象；

检测模块，用于将所述目标电子地图数据输入预先训练的地图检测模型，根据所述地图检测模型的输出确定所述目标电子地图数据是否存在版图绘制错误，其中，所述地图检测模型基于每个检测对象的设定区域比例参数训练得到，所述地图检测模型的输出包括在不存在版图绘制错误的目标电子地图数据上对检测对象的标注。

第三方面，本发明实施例还提供了一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任一实施例所述的问题地图检测方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的问题地图检测方法。

本发明实施例通过将获取的目标电子地图数据输入预先训练的地图检测模型，根据地图检测模型的输出确定目标电子地图数据是否存在版图绘制错误，其中，地图检测模型基于每个检测对象的设定区域比例参数训练得到，地图检测模型的输出包括在不存在版图绘制错误的目标电子地图数据上对检测对象的标注，即通过首次将深度学习技术引入问题地图自动检测中，解决了现有的依赖人工检测的地图检测方法效率低且人力成本高的问题，实现了电子地图的自动检测与问题地图的自动标识，提高了检测效率，并保证了检测的准确性。

附图说明

图1是本发明实施例一提供的问题地图检测方法的流程图；

图2是本发明实施例二提供的问题地图检测方法的流程图；

图3是本发明实施例三提供的问题地图检测装置的结构示意图；

图4是本发明实施例四提供的一种电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明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本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1是本发明实施例一提供的问题地图检测方法的流程图，本实施例可适用于对电子地图中的问题地图进行检测的情况，该方法可以由问题地图检测装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在电子设备上，该电子设备包括服务器。

如图1所示，本实施例提供的问题地图检测方法可以包括：

S110、获取目标电子地图数据，其中，目标电子地图数据中包括至少一个检测对象。

目标电子地图数据指任意的待检测电子地图数据，包括世界地图、国家地图和城市地图等任意类型。检测对象指目标电子地图数据中的特定区域，根据当前检测需求而确定。例如，当前检测需求是检测国家地图中指定省份对应的区域信息是否正确，则检测对象为该指定省份在国家地图中的子区域。

S120、将目标电子地图数据输入预先训练的地图检测模型，根据地图检测模型的输出确定目标电子地图数据是否存在版图绘制错误，其中，地图检测模型基于每个检测对象的设定区域比例参数训练得到，地图检测模型的输出包括在不存在版图绘制错误的目标电子地图数据上对检测对象的标注。

考虑电子地图数据与普通的图像数据有所不同，当地理区域确定之后，电子地图数据中包括的各个子区域的轮廓形状通常是确定的，不会随着电子地图数据的格式、尺寸和分辨率等因素的变化而变化。因此，在地图检测模型的训练过程，设置与每个检测对象一一对应的区域比例参数，该区域比例参数确定的边框区域恰好可以将检测对象包围在内，即该边框区域中除了检测对象占用的区域面积外，包括的干扰区域的面积最小。在电子地图的检测过程中，地图轮廓是确定地图是否正确的重要因素，因此，区域比例参数确定的边框区域与检测对象的匹配度直接影响地图检测的准确度。边框区域包括的干扰区域越小，检测对象的区域轮廓越明确，针对检测对象的检测精度越高。

每个检测对象的设定区域比例参数的确定过程包括：确定电子地图数据的目标比例尺，该目标比例尺可以当前绘制或显示电子地图时使用频率最高的比例尺；在采用目标比例尺表示的电子地图数据中，确定检测对象对应的几何边长之间的比例；将该几何边长之间的比例确定为检测对象的设定区域比例参数，例如，将检测对象的宽高比作为其设定区域比例参数。

本实施例中，地图检测模型是利用深度学习方法训练得到。在依据构建的神经网络结构训练模型时，除了设置常用的网络模型超参数，例如学习率、迭代次数、初始化方法、模型的训练结构、训练过程的阈值和梯度裁剪策略等，还针对每个检测对象，将与检测对象对应的设定区域比例参数设置为训练参数，同时参与模型训练。得益于电子地图数据的独特性，不同检测对象的轮廓形状各不同，因此，每个检测对象的设定区域比例参数互不相同。将每个检测对象对应的设定区域比例参数作为训练参数进行设置，可以实现针对不同的检测对象进行准确选定的效果，是保证模型训练的准确性与针对性的重要基础。当模型训练完成用于电子地图检测的过程中，设定区域比例参数还可以作为筛选条件，对目标电子地图数据上的区域进行筛选，从而快速定位出检测对象。

示例性的，在模型训练过程中，针对国家地图类训练数据，检测对象分别是子区域A、B、C和D，根据四个子区域在目标比例尺下的地图上的宽高比，设置四个子区域的设定区域比例参数分别为1：3.61、3.62:1、2.80:1、1:1.28和1:1.53。

利用地图检测模型对目标电子地图数据进行检测，可以通过模型输出结果的差异，确定目标电子地图数据是否存在版图绘制错误，实现对电子地图数据的智能化检测。例如，如果目标电子地图数据中不存在版图绘制错误，模型输出结果可以是：将检测对象在该目标电子地图数据上进行可视化的边框标注；如果目标电子地图数据存在版图绘制错误，即该目标电子地图是问题地图，则模型输出结果可以是：直接以文字提示或者语音提示等预警方式输出该目标电子地图数据属于问题地图，而不对检测对象进行边框标注，即通过模型输出结果的差异实现对问题地图的自动标识。当目标电子地图上存在多个检测对象时，只要其中一个检测对象的存在绘制错误，则该目标电子地图数据属于问题地图，多个检测对象均绘制正确时，该目标电子地图数据属于正确地图。需要说明的是，电子地图数据中的检测对象通常是固定的有限数量的检测区域，检测对象的正确绘制情况是唯一的，而检测对象的错误绘制情况存在多种可能性，因此，在地图检测模型的训练过程中只学习识别正确绘制的检测对象，将模型应用于问题地图检测时，模型输出结果中也只对不存在绘制错误的电子地图数据中的检测对象进行边框标注，基于排除法，没有输出边框标注检测对象的电子地图数据则属于问题地图。当然，也可以适应性的示出问题地图上错误区域的位置，以便于对该问题地图进行后续的修正。此外，目标电子地图数据中包括的检测对象均是地图检测模型训练过程中参与训练的检测对象。

本实施例的技术方案通过将获取的目标电子地图数据输入预先训练的地图检测模型，根据地图检测模型的输出确定目标电子地图数据是否存在版图绘制错误，其中，地图检测模型基于每个检测对象的设定区域比例参数训练得到，地图检测模型的输出包括在不存在版图绘制错误的目标电子地图数据上对检测对象的标注，解决了现有的依赖人工检测的地图检测方法效率低且人力成本高的问题，实现了电子地图的自动检测与问题地图的自动标识，提高了检测效率，并保证了检测的准确性。

实施例二

图2是本发明实施例二提供的问题地图检测方法的流程图，本实施例是在上述实施例的基础上进一步进行优化。如图2所示，该方法可以包括：

S210、获取至少一张样本电子地图数据，作为训练集，其中，每张样本电子地图数据上，使用与每个检测对象对应的设定区域比例参数标注每个检测对象。

例如，可以从互联网上搜索足够多的电子地图数据作为训练集，并对每张电子地图数据进行边框标注，以确定模型训练过程的检测对象。为了保证在训练集中准确定位检测对象，边框标注采用人工标注的方式实现。示例性的，用户按照预先为每个检测对象确定的设定区域比例参数，以检测对象的区域中心为边框中心，制作相应的矩形框将检测对象适应性包围在内。

可选的，获取至少一张样本电子地图数据，作为训练集，包括：

对至少一张样本电子地图数据进行清洗，将清洗之后的样本电子地图数据作为训练集。其中，数据清洗是指剔除样本电子地图数据中绘制错误的数据。使用绘制正确的电子地图数据作为训练集，保证得到的训练模型的准确性。

可选的，在将训练集输入预设神经网络结构中进行模型训练，得到地图检测模型之前，地图检测模型的训练过程还包括：对训练集中的每张样本电子地图数据进行实时增强处理，以基于增强处理后得到训练集进行模型训练。其中，实时增强处理包括但不限于：数据去中心化、数据标准化、数据ZCA(Zero-phase Component Analysis)白化、数据灰度化、数据随机转动、数据水平偏移、数据竖直偏移、数据尺寸随机缩放、数据随机通道偏移、数据随机水平翻转、数据随机竖直翻转、数据二值化和数据随机裁剪。通过对样本电子地图数据进行实时增强处理，可以实现样本电子地图数据的实时变换与更新，增加样本数据的多样性；并且通过增强处理得到的变换样本电子地图数据以缓存的方式进行存储，当样本数据被用于模型训练后，该缓存随机释放，并不会过多的占用电子设备的存储空间，从而在实现丰富样本数据的基础上缓解了存储压力。

S220、将训练集输入预设神经网络结构中进行模型训练，得到地图检测模型，其中，预设神经网络结构中包括区域建议网络。

本实施例中的预设神经网络结构可以包括Faster-RCNN和Mask-RCNN网络结构，这些神经网络结构中包括区域建议网络(Region Proposal Network，RPN)，采用RPN网络生成ROI(Region Of Interest，感兴趣区)。在模型训练过程中，用户将每个检测对象的设定区域比例参数作为训练参数进行预先设置，区域建议网络便利用该设定区域比例参数，将对应的检测对象以边框的形式确定出来，然后继续基于预设神经网络结构进行地图识别，最终训练得到地图检测模型。

例如，基于Faster-RCNN网络结构，对RPN网络进行训练时，针对每一张样本电子地图数据，使用多任务损失函数(multi-task loss)同时进行分类和回归计算，对分类概率和边框位置进行联合训练。多任务损失函数包括分类损失函数(Softmax Loss)和边框回归损失函数(Smooth L1Loss)，定义如下：

其中：N_cls表示mini-batch中输入样本个数，N_reg表示anchor(锚点)位置的数量，i是mini-batch中anchor的索引；p_i是该anchor被预测为一个目标的概率；是标记样本中的正样本的概率，且是一个向量，代表RPN预测该anchor的位置；为真实位置；其中的正样本是指检测对象，负样本中指图像背景。

是前景/背景的分类损失：

是边框位置损失：

考虑问题地图的错误情况有无数种可能，例如颜色错误、轮廓线错误、区域缺失等，因此，在模型训练过程中，利用区域建议网络在电子地图数据的原图中只标记正样本，而不是标记负样本。例如，设置阈值T＝0.7，概率P大于T的目标为正样本，概率P小于或等于T的目标为负样本，在电子地图数据的原图中只标记出P大于T的目标。

最终训练得到的地图检测模型对应的损失函数包括生成ROI的损失和将ROI分类为具体类别的损失，即确定检测对象所在区域位置对应的损失，以及将检测对象分类为正确地图区域或错误地图区域对应的损失：

Loss＝L_rpn+L_spe

其中：

L_rpn＝L_{rpn_class}+L_{rpn_bbox},L_{rpn_class}是区域建议网络的分类损失，即网络将提出的检测框分为前景/背景的损失；L_{rpn_bbox}是区域建议网络的边框位置损失；L_spe＝L_{spe_class}+L_{spe_bbox}，L_{spe_class}是将提出的感兴趣区分类为具体类别的分类损失；L_{spe_bbox}是将区域建议网络提出的检测框与真实框(即训练集中标注的检测对象的边框)对比而计算的边框位置损失。

S230、获取目标电子地图数据，其中，目标电子地图数据中包括至少一个检测对象。

本实施例中，目标电子地图数据中包括的检测对象均属于在模型训练过程中被用于训练模型的检测对象。

S240、将目标电子地图数据输入预先训练的地图检测模型，根据地图检测模型的输出确定目标电子地图数据是否存在版图绘制错误。

在上述技术方案的基础上，可选的，将训练集输入预设神经网络结构中进行模型训练，得到地图检测模型，包括：

利用预设神经网络结构的特征提取网络，提取每张样本电子地图数据的特征，得到每张样本电子地图数据的特征图像；

将特征图像输入预设神经网络结构的区域建议网络，基于每个检测对象的设定区域比例参数，确定每张样本电子地图数据上每个检测对象的建议区域；

将携带建议区域的每张特征图像输入预设神经网络结构中，并依据区域差异调整预设神经网络结构的训练参数，经训练处理得到地图检测模型，其中，区域差异指每张样本电子地图数据上，每个检测对象的建议区域所在位置与其标注区域位置之间的差异。

下面以预设神经网络结构是Faster-RCNN网络结构进行示例性说明：

将样本电子地图数据输入Faster-RCNN网络结构中，首先利用Faster-RCNN的特征提取网络中的共享卷积层提取样本电子地图数据的特征，得到样本电子地图数据的特征图像；将经共享卷积层得到的特征图像输入Faster-RCNN的区域建议网络中，在滑动窗口的每个像素点对应的原图片上设置9个矩形窗口(3种长宽比，3种尺度)，一个矩形窗口即一个锚点；在区域建议网络中，继续将特征图像输入卷积层进行卷积计算，然后依据卷积结果和锚点进行回归和分类计算，输出检测对象的建议区域；将携带建议区域的特征图像输入ROI池化层，再次生成固定尺寸的特征图，将尺寸固定的特征图输入全连接层确定检测对象是否存在版图绘制错误，并定位出错误的检测对象。其中，当区域建议网络输出检测对象的建议区域后，将样本电子地图数据中人工标注的该检测对象的边框位置与建议区域的位置进行比较，依据两者的差异调整预设神经网络结构的训练参数，例如，依据该差异调整梯度裁剪策略参数，以保证训练得到的地图检测模型的准确性。

进一步的，预设神经网络结构的特征提取网络包括特征金字塔网络；相应的，利用预设神经网络结构的特征提取网络，提取每张样本电子地图数据的特征，得到每张样本电子地图数据的特征图像，包括：

利用特征金字塔网络对每张样本电子地图数据进行多尺度特征处理；

基于多尺度特征处理后的样本电子地图数据，进行特征提取，以得到特征图像。为解决针对多尺度下的电子地图数据识别正确率较低的问题，引入特征金字塔网络(FeaturePyramid Networks，FPN)，以加强训练得到的地图检测模型在多尺度上的表达能力，达到综合多个尺度下的地图特征，忽略变尺度效应对电子地图检测的影响的效果，从而准确检测多尺度的电子地图数据，实现对多尺度的问题地图数据的自适应检测。例如，利用特征金字塔网络能够对超高分辨率(如30000*30000)的电子地图数据进行自动降采样，从而解决传统的图像处理工具无法直接处理超高分辨率的电子地图数据的问题。

在上述技术方案的基础上，可选的，地图检测模型的训练过程还包括：

获取电子地图数据验证集；

利用训练过程中得到的至少一个地图检测模型对电子地图数据验证集中的电子地图数据进行检测，并根据电子地图数据验证集的当前检测结果对当前地图检测模型所采用的预设神经网络结构进行评估；

将评估值大于预设阈值的预设神经网络结构确定为目标神经网络结构，并将基于目标神经网络结构训练得到的地图检测模型确定为目标地图检测模型，以利用目标地图检测模型检测目标电子地图数据。

示例性的，在数据准备阶段，从联网上收集大量的电子地图数据，按照一定比例，构造训练集和验证集。训练集用于模型训练，验证集用于在模型训练过程中对训练好的模型进行验证。

基网络是预设神经网络结构的一部分，选取不同的基网络，预设神经网络结构的性能不同，进而导致基于预设神经网络结构训练得到的地图检测模型的性能不同。在模型训练过程中，可以首先确定最优基网络，然后基于该最优基网络，确定最优的预设神经网络结构。

示例性的，首先，设置网络超参数，基于同一种预设神经网络结构对不同的基网络进行筛选，可选择的基网络包括但不限于：ResNet50、ResNet101、VGG19、ResNext101-64x4d、ResNext101-32x8d、ResNext152-32x8d-IN5k等。具体的，在模型训练过程中，采用监视器对基于不同基网络训练得到的模型进行评估，从模型计算速度和检测精度方面进行权衡，确定在相同超参数情况下的最优基网络，例如最优基网络可以是ResNet101。然后，利用验证集的模型检测结果对包括该最优基网络的不同预设神经网络结构进行评估。其中，可选择的预设神经网络结构包括Faster-RCNN和Mask-RCNN等。具体的，可以在模型训练的整个周期中，利用监视器对基于不同预设神经网络结构训练得到的地图检测模型进行全方位监测与评估，保存整个训练周期中最理想的模型以及理想模型对应的预设神经网络结构，该预设神经网络结构即目标神经网络结构。在预设神经网络结构或者训练模型的评估过程中，可以将监测对象作为评估因素，例如监测对象对应的值越小，训练模型以及对应的神经网络结构的评估结果越高。监测对象可以包括：训练损失、区域候选网络训练损失、验证损失和区域候选网络验证损失等。神经网络结构的评估值越高，地图检测模型的检测精度越高。

此外，数据准备阶段还可以同时创建测试集，用于对训练好的地图检测模型进行测试。训练集、验证集和测试集保持一定的数学分布，例如，三者比例分布为8:1:1。根据测试集的模型检测结果，调整不同的置信度阈值，使得模型检测精度符合要求。

本实施例的技术方案通过首先获取训练集，并在训练集中每张样本电子地图数据上使用与每个检测对象对应的设定区域比例参数标注每个检测对象，然后将训练集输入预设神经网络结构中进行模型训练，得到地图检测模型，最后将获取的目标电子地图数据输入地图检测模型，根据地图检测模型的输出确定目标电子地图数据是否存在版图绘制错误，解决了现有的依赖人工检测的地图检测方法效率低且人力成本高的问题，实现了电子地图的自动检测与问题地图的自动标识，提高了检测效率，并保证了检测的准确性；并且，基于预设神经网络结构中区域建议网络，实现了根据检测对象的设定区域比例参数准确定位检测对象的效果；此外，通过在预设神经网络结构中引入特征金字塔网络，解决了多尺度下的问题地图数据识别正确率较低的问题，实现了对多尺度的问题地图数据的自适应检测。

实施例三

图3是本发明实施例三提供的问题地图检测装置的结构示意图，本实施例可适用于对电子地图中的问题地图进行检测的情况。该装置可以采用软件和/或硬件的方式实现，并可集成在电子设备上，该电子设备包括服务器。

如图3所示，本实施例提供的问题地图检测装置可以包括获取模块310和检测模块320，其中：

获取模块310，用于获取目标电子地图数据，其中，目标电子地图数据中包括至少一个检测对象；

检测模块320，用于将目标电子地图数据输入预先训练的地图检测模型，根据地图检测模型的输出确定目标电子地图数据是否存在版图绘制错误，其中，地图检测模型基于每个检测对象的设定区域比例参数训练得到，地图检测模型的输出包括在不存在版图绘制错误的目标电子地图数据上对检测对象的标注。

可选的，该装置还包括地图检测模型训练模块，该地图检测模型训练模块包括：

训练集获取单元，用于获取至少一张样本电子地图数据，作为训练集，其中，每张样本电子地图数据上，使用与每个检测对象对应的设定区域比例参数标注每个检测对象；

模型训练单元，用于将训练集输入预设神经网络结构中进行模型训练，得到地图检测模型，其中，预设神经网络结构中包括区域建议网络。

可选的，模型训练单元包括：

特征图像确定子单元，用于利用预设神经网络结构的特征提取网络，提取每张样本电子地图数据的特征，得到每张样本电子地图数据的特征图像；

建议区域确定子单元，用于将特征图像输入预设神经网络结构的区域建议网络，基于每个检测对象的设定区域比例参数，确定每张样本电子地图数据上每个检测对象的建议区域；

模型训练子单元，用于将携带建议区域的每张特征图像输入预设神经网络结构中，并依据区域差异调整预设神经网络结构的训练参数，经训练处理得到地图检测模型，其中，区域差异指每张样本电子地图数据上，每个检测对象的建议区域所在位置与其标注区域位置之间的差异。

可选的，特征提取网络包括特征金字塔网络；

相应的，特征图像确定子单元用于：

利用特征金字塔网络对每张样本电子地图数据进行多尺度特征处理；

基于多尺度特征处理后的样本电子地图数据，进行特征提取，以得到特征图像。

可选的，地图检测模型训练模块还包括：

数据实时增强处理单元，用于在模型训练单元执行在将训练集输入预设神经网络结构中进行模型训练，得到地图检测模型的操作之前，对训练集中的每张样本电子地图数据进行实时增强处理。

可选的，训练集获取单元用于：

对至少一张样本电子地图数据进行清洗，将清洗之后的样本电子地图数据作为训练集。

可选的，地图检测模型训练模块还包括：

验证集获取单元，用于获取电子地图数据验证集；

神经网络结构评估单元，用于利用训练过程中得到的至少一个地图检测模型对电子地图数据验证集中的电子地图数据进行检测，并根据电子地图数据验证集的当前检测结果对当前地图检测模型所采用的预设神经网络结构进行评估；

目标神经网络结构确定单元，用于将评估值大于预设阈值的预设神经网络结构确定为目标神经网络结构，并将基于目标神经网络结构训练得到的地图检测模型确定为目标地图检测模型，以利用目标地图检测模型检测目标电子地图数据。

本发明实施例所提供的问题地图检测装置可执行本发明任意实施例所提供的问题地图检测方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本发明方法实施例中的描述。

实施例四

图4是本发明实施例四提供的一种电子设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性电子设备412的框图。图4显示的电子设备412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，电子设备412以通用电子设备的形式表现。电子设备412的组件可以包括但不限于：一个或者多个处理器416，存储装置428，连接不同***组件(包括存储装置428和处理器416)的总线418。

总线418表示几类总线结构中的一种或多种，包括存储装置总线或者存储装置控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry SubversiveAlliance，ISA)总线，微通道体系结构(Micro Channel Architecture，MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及***组件互连(Peripheral Component Interconnect，PCI)总线。

电子设备412典型地包括多种计算机***可读介质。这些介质可以是任何能够被电子设备412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储装置428可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(Random Access Memory，RAM)430和/或高速缓存存储器432。电子设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例，存储***434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘，例如只读光盘(Compact Disc Read-Only Memory，CD-ROM),数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储装置428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储装置428中，这样的程序模块442包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。

电子设备412也可以与一个或多个外部设备414(例如键盘、指向终端、显示器424等)通信，还可与一个或者多个使得用户能与该电子设备412交互的终端通信，和/或与使得该电子设备412能与一个或多个其它计算终端进行通信的任何终端(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，电子设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图4所示，网络适配器420通过总线418与电子设备412的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备412使用其它硬件和/或软件模块，包括但不限于：微代码、终端驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)***、磁带驱动器以及数据备份存储***等。

处理器416通过运行存储在存储装置428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明任意实施例所提供的问题地图检测方法，该方法可以包括：

获取目标电子地图数据，其中，所述目标电子地图数据中包括至少一个检测对象；

将所述目标电子地图数据输入预先训练的地图检测模型，根据所述地图检测模型的输出确定所述目标电子地图数据是否存在版图绘制错误，其中，所述地图检测模型基于每个检测对象的设定区域比例参数训练得到，地图检测模型的输出包括在不存在版图绘制错误的目标电子地图数据上对检测对象的标注。

实施例五

本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的问题地图检测方法，该方法可以包括：

获取目标电子地图数据，其中，所述目标电子地图数据中包括至少一个检测对象；

将所述目标电子地图数据输入预先训练的地图检测模型，根据所述地图检测模型的输出确定所述目标电子地图数据是否存在版图绘制错误，其中，所述地图检测模型基于每个检测对象的设定区域比例参数训练得到，地图检测模型的输出包括在不存在版图绘制错误的目标电子地图数据上对检测对象的标注。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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***、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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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***、装置或者器件使用或者与其结合使用。

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***、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。

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发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—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用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用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终端上执行。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)—连接到用户计算机，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)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种问题地图检测方法，其特征在于，包括：

获取目标电子地图数据，其中，所述目标电子地图数据中包括至少一个检测对象；

将所述目标电子地图数据输入预先训练的地图检测模型，根据所述地图检测模型的输出确定所述目标电子地图数据是否存在版图绘制错误，其中，所述地图检测模型基于每个检测对象的设定区域比例参数训练得到，所述地图检测模型的输出包括在不存在版图绘制错误的目标电子地图数据上对检测对象的标注。

2.根据权利要求1所述的方法，其特征在于，所述地图检测模型的训练过程包括：

获取至少一张样本电子地图数据，作为训练集，其中，每张样本电子地图数据上，使用与每个检测对象对应的设定区域比例参数标注每个检测对象；

将所述训练集输入预设神经网络结构中进行模型训练，得到所述地图检测模型，其中，所述预设神经网络结构中包括区域建议网络。

3.根据权利要求2所述的方法，其特征在于，将所述训练集输入预设神经网络结构中进行模型训练，得到所述地图检测模型，包括：

利用所述预设神经网络结构的特征提取网络，提取每张样本电子地图数据的特征，得到每张样本电子地图数据的特征图像；

将所述特征图像输入所述预设神经网络结构的区域建议网络，基于每个检测对象的设定区域比例参数，确定每张样本电子地图数据上每个检测对象的建议区域；

将携带建议区域的每张特征图像输入所述预设神经网络结构中，并依据区域差异调整所述预设神经网络结构的训练参数，经训练处理得到所述地图检测模型，其中，所述区域差异指每张样本电子地图数据上，每个检测对象的建议区域所在位置与其标注区域位置之间的差异。

4.根据权利要求2所述的方法，其特征在于，所述特征提取网络包括特征金字塔网络；

相应的，利用所述预设神经网络结构的特征提取网络，提取每张样本电子地图数据的特征，得到每张样本电子地图数据的特征图像，包括：

利用所述特征金字塔网络对每张样本电子地图数据进行多尺度特征处理；

基于多尺度特征处理后的样本电子地图数据，进行特征提取，以得到所述特征图像。

5.根据权利要求2所述的方法，其特征在于，在将所述训练集输入预设神经网络结构中进行模型训练，得到所述地图检测模型之前，所述地图检测模型的训练过程还包括：

对所述训练集中的每张样本电子地图数据进行实时增强处理。

6.根据权利要求2所述的方法，其特征在于，所述获取至少一张样本电子地图数据，作为训练集，包括：

对所述至少一张样本电子地图数据进行清洗，将清洗之后的样本电子地图数据作为所述训练集。

7.根据权利要求2-6中任一所述的方法，其特征在于，所述地图检测模型的训练过程还包括：

获取电子地图数据验证集；

利用训练过程中得到的至少一个地图检测模型对所述电子地图数据验证集中的电子地图数据进行检测，并根据所述电子地图数据验证集的当前检测结果对当前地图检测模型所采用的预设神经网络结构进行评估；

将评估值大于预设阈值的预设神经网络结构确定为目标神经网络结构，并将基于所述目标神经网络结构训练得到的地图检测模型确定为目标地图检测模型，以利用所述目标地图检测模型检测所述目标电子地图数据。

8.一种问题地图检测装置，其特征在于，包括：

获取模块，用于获取目标电子地图数据，其中，所述目标电子地图数据中包括至少一个检测对象；

检测模块，用于将所述目标电子地图数据输入预先训练的地图检测模型，根据所述地图检测模型的输出确定所述目标电子地图数据是否存在版图绘制错误，其中，所述地图检测模型基于每个检测对象的设定区域比例参数训练得到，所述地图检测模型的输出包括在不存在版图绘制错误的目标电子地图数据上对检测对象的标注。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的问题地图检测方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的问题地图检测方法。