[發(fā)明專(zhuān)利]一種基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法、系統(tǒng)及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010798762.6
• 申請(qǐng)日: 2020-08-11
• 公開(kāi)（公告）號(hào): CN111680689B
• 公開(kāi)（公告）日: 2021-03-23
• 發(fā)明（設(shè)計(jì)）人: 馬衛(wèi)飛;袁飛楊;張勝森
• 申請(qǐng)（專(zhuān)利權(quán)）人: 武漢精立電子技術(shù)有限公司;武漢精測(cè)電子集團(tuán)股份有限公司
• 主分類(lèi)號(hào): G06K9/32
• 分類(lèi)號(hào): G06K9/32;G06K9/62;G06N3/04;G06T7/00;G01N21/88
• 代理公司: 武漢東喻專(zhuān)利代理事務(wù)所(普通合伙) 42224
• 代理人: 雷霄

1.一種基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法，其特征在于，包括將訓(xùn)練樣本輸入到卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的步驟以及利用訓(xùn)練好的所述卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行傾斜目標(biāo)檢測(cè)的步驟，所述訓(xùn)練包括步驟：

對(duì)訓(xùn)練樣本進(jìn)行特征提取，獲得所述訓(xùn)練樣本的特征映射圖，所述訓(xùn)練樣本被預(yù)先標(biāo)記有目標(biāo)標(biāo)記框；

對(duì)所述特征映射圖進(jìn)行ROI區(qū)域提取，獲得正矩形ROI區(qū)域的特征圖像；

對(duì)所述正矩形ROI區(qū)域進(jìn)行坐標(biāo)變換，獲得對(duì)應(yīng)的斜矩形ROI區(qū)域的特征圖像；

計(jì)算所述斜矩形ROI區(qū)域的特征圖像與所述目標(biāo)標(biāo)記框的IOU值，將所述IOU值與閾值T進(jìn)行比較確定正樣本和負(fù)樣本，所述閾值T被預(yù)先定義為一個(gè)預(yù)設(shè)閾值，在所述預(yù)設(shè)閾值的基礎(chǔ)上動(dòng)態(tài)調(diào)整所述閾值T，使得所述閾值T隨著所述目標(biāo)標(biāo)記框的長(zhǎng)寬差距的增大而減小，隨著所述目標(biāo)標(biāo)記框的長(zhǎng)寬差距的減小而增大；

將所述正樣本的所述斜矩形ROI區(qū)域的特征圖像轉(zhuǎn)換為對(duì)應(yīng)的正矩形ROI區(qū)域的特征圖像；

根據(jù)轉(zhuǎn)換后的正矩形ROI區(qū)域的特征圖像輸出檢測(cè)結(jié)果。

2.如權(quán)利要求1所述的一種基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法，其特征在于，所述閾值T滿足，所述T₀為預(yù)設(shè)閾值，w為所述目標(biāo)標(biāo)記框的長(zhǎng)，h為所述目標(biāo)標(biāo)記框的寬。

3.如權(quán)利要求2所述的一種基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法，其特征在于，所述預(yù)設(shè)閾值T₀為0.5。

4.如權(quán)利要求1-3中任一項(xiàng)所述的一種基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法，其特征在于，預(yù)先定義統(tǒng)一的標(biāo)記方式，按照所述標(biāo)記方式對(duì)所述訓(xùn)練樣本進(jìn)行標(biāo)記。

5.如權(quán)利要求4所述的一種基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法，其特征在于，所述標(biāo)記方式為：選取預(yù)設(shè)方位的一點(diǎn)作為初始點(diǎn)，按照預(yù)設(shè)方向依次標(biāo)記所述目標(biāo)標(biāo)記框的余下三個(gè)頂點(diǎn)。

6.如權(quán)利要求1-3中任一項(xiàng)所述的一種基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法，其特征在于，該方法應(yīng)用于面板缺陷檢測(cè)領(lǐng)域，檢測(cè)目標(biāo)為傾斜缺陷。

7.一種基于深度學(xué)習(xí)的目標(biāo)檢測(cè)系統(tǒng)，其特征在于，包括用于將訓(xùn)練樣本輸入到卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練模塊以及利用訓(xùn)練好的所述卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行傾斜目標(biāo)檢測(cè)的檢測(cè)模塊，所述訓(xùn)練模塊包括：

特征提取模塊，用于對(duì)訓(xùn)練樣本進(jìn)行特征提取，獲得所述訓(xùn)練樣本的特征映射圖，所述訓(xùn)練樣本被預(yù)先標(biāo)記有目標(biāo)標(biāo)記框；

ROI區(qū)域提取模塊，用于對(duì)所述特征映射圖進(jìn)行ROI區(qū)域提取，獲得正矩形ROI區(qū)域的特征圖像；

區(qū)域變換模塊，用于對(duì)所述正矩形ROI區(qū)域進(jìn)行坐標(biāo)變換，獲得對(duì)應(yīng)的斜矩形ROI區(qū)域的特征圖像；還用于計(jì)算所述斜矩形ROI區(qū)域的特征圖像與所述目標(biāo)標(biāo)記框的IOU值，將所述IOU值與閾值T進(jìn)行比較確定正樣本和負(fù)樣本，所述閾值T被預(yù)先定義為一個(gè)預(yù)設(shè)閾值，在所述預(yù)設(shè)閾值的基礎(chǔ)上動(dòng)態(tài)調(diào)整所述閾值T，使得所述閾值T隨著所述目標(biāo)標(biāo)記框的長(zhǎng)寬差距的增大而減小，隨著所述目標(biāo)標(biāo)記框的長(zhǎng)寬差距的減小而增大；還用于將所述正樣本的所述斜矩形ROI區(qū)域的特征圖像轉(zhuǎn)換為對(duì)應(yīng)的正矩形ROI區(qū)域的特征圖像；

分類(lèi)模塊，用于接收轉(zhuǎn)換后的正矩形ROI區(qū)域的特征圖像，輸出檢測(cè)結(jié)果。

8.如權(quán)利要求7所述的一種基于深度學(xué)習(xí)的目標(biāo)檢測(cè)系統(tǒng)，其特征在于，所述閾值T滿足，所述T₀為預(yù)設(shè)閾值，w為所述目標(biāo)標(biāo)記框的長(zhǎng)，h為所述目標(biāo)標(biāo)記框的寬。