[發明專利]一種微小目標檢測方法、介質及系統

有效

• 申請號: 202010905792.2
• 申請日: 2020-09-01
• 公開（公告）號: CN112183579B
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 趙欣洋;葉濤;王玄之;崔鵬;杜巍;趙希洋;朱穎;劉亮
• 申請（專利權）人: 國網寧夏電力有限公司檢修公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 莎日娜

1.一種微小目標檢測方法，其特征在于，包括：

將包含微小目標的圖像輸入深度學習目標檢測網絡后，輸出從所述圖像中提取出的所述微小目標，其中，所述微小目標的面積小于預設面積；

將提取出的所述微小目標輸入放大深度學習網絡，輸出放大預設倍數的所述微小目標；

將放大預設倍數的所述微小目標輸入深度學習分類網絡，輸出所述微小目標的類別；

所述放大深度學習網絡的結構由依次連接的微小目標ResNet網絡結構塊和子像素卷積層組成，其中，所述微小目標ResNet網絡結構塊由級聯預設次數的殘差ResNet網絡組成，所述殘差ResNet網絡中的兩層權重層替換為稠密DenseNet網絡，所述殘差ResNet網絡確保網絡的深度，稠密DenseNet網絡確保更多的微小目標信息傳遞到深層特征圖。

2.根據權利要求1所述的微小目標檢測方法，其特征在于：所述殘差ResNet網絡的輸出結果X_l＝H_l(X_l-1,w_i,b_i)+X_l-1，其中，X_l-1表示當前所述殘差ResNet網絡的輸入對象，H_l表示所述稠密DenseNet網絡的函數，w_i和b_i表示所述稠密DenseNet網絡的參數。

3.根據權利要求1所述的微小目標檢測方法，其特征在于：所述微小目標ResNet網絡結構塊輸出的微小目標特征圖F_l-1＝R(X_lr,W,B)，其中，X_lr表示輸入所述微小目標ResNet網絡結構塊的所述微小目標，R表示所述微小目標ResNet網絡結構塊的非線性函數，W和B表示所述微小目標ResNet網絡結構塊的參數權值和偏值。

4.根據權利要求3所述的微小目標檢測方法，其特征在于：所述微小目標特征圖的尺寸為w×h×c×r²，r表示所述微小目標特征圖的放大倍數，w×h×c表示輸入所述微小目標ResNet網絡結構塊的所述微小目標的大小。

5.根據權利要求1所述的微小目標檢測方法，其特征在于：所述子像素卷積層的子像素卷積公式為I_sr＝PS(W_l×F_l-1+B_l)，其中，I_sr表示所述子像素卷積層的輸出結果，F_l-1表示所述微小目標ResNet網絡結構塊輸出的微小目標特征圖，PS表示周期混牌算子，W_l和B_l分別表示子像素卷積權值和偏值。

6.根據權利要求1所述的微小目標檢測方法，其特征在于，還包括：

將包含微小目標的圖像輸入深度學習目標檢測網絡后，輸出微小目標的位置信息。

7.根據權利要求1或6所述的微小目標檢測方法，其特征在于，所述將包含微小目標的圖像輸入深度學習目標檢測網絡的步驟之前，所述方法還包括：

將原始圖像縮放為預設像素的所述圖像。

8.一種計算機可讀存儲介質，其特征在于：所述計算機可讀存儲介質上存儲有計算機程序指令；所述計算機程序指令被處理器執行時實現如權利要求1～7中任一項所述的微小目標檢測方法。

9.一種微小目標檢測系統，其特征在于，包括：如權利要求8所述的計算機可讀存儲介質。