[發明專利]一種小目標物體檢測方法

在審

• 申請號: 202010969487.X
• 申請日: 2020-09-15
• 公開（公告）號: CN112184641A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 崔綺嫦;王斌;羅桂蓮;鄭少鋒;何南堅;李偉才;黃慧宇;王文;余娟;畢興忠;王軍
• 申請（專利權）人: 佛山中紡聯檢驗技術服務有限公司;廣州冠圖視覺科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 北京世譽鑫誠專利代理有限公司 11368
• 代理人: 郭官厚

本發明公開的小目標物體檢測方法，涉及計算機技術領域，利用每一次卷積和下采樣過程中采集到的特征圖像，將每一次的特征與下一次下采樣輸出的特征進行疊加，實現了利用丟失信息少的大尺寸特征圖像預測小目標物體，用經過多次卷積獲得的語義信息更抽象的小尺寸特征圖像來預測大目標物體，提高了預測結果的精確度。

技術領域

本發明涉及計算機技術領域，具體涉及一種小目標物體檢測方法。

背景技術

對于菌落等小目標物體的檢測，傳統的方案為先在培養皿上面培養菌落，然后采用人眼觀察并以黑色記號筆在培養皿上面做記號并計數。整個過程工作量大、枯燥繁瑣且重復性勞動比較多且由于其中很多菌落都是非常細小的，使得在計數過程中人眼非常容易看花眼，需要不斷聚集精神地看，容易陷入疲勞，導致效率低，人工成本高。

為了提高效率、降低人工成本，當前對小目標物體的檢測主要通過卷積神經網絡模型對原始圖像進行卷積和池化操作，獲得不同尺寸的特征圖像，預測最后一層的特征圖像，忽略了其他層的特征圖像，精確度不高。

發明內容

為解決現有技術的不足，本發明實施例提供了一種小目標物體檢測方法，該方法包括以下步驟：

S1利用卷積神經網絡模型對小目標物體所在的原始圖像連續多次進行下采樣，得到多個特征圖像；

S2卷積神經網絡模型根據下采樣的時間先后順序，對所述多個特征圖像進行排序，得到特征圖像組；

S3卷積神經網絡模型選取該特征圖像組中處于最后的n張特征圖像，根據尺寸大小順序，將該n張特征圖像依次記為C₁、C₂、C₃…C_n；

S4利用卷積神經網絡模型，對特征圖像C_n進行1*1進行卷積操作，得到特征圖像M_n；

S5利用卷積神經網絡模型，對特征圖像進行M_n上采樣，得到尺寸與特征圖像C₄一致的特征圖像M_n^-；

S6利用卷積神經網絡模型，對特征圖像C_n-1進行1*1進行卷積操作，得到特征圖像C_n-1^-；

S7利用卷積神經網絡模型，將特征圖像M_n^-與特征圖像C_n-1^-進行疊加，得到特征圖像M_n-1；

S8重復上述步驟S6-S7，得到特征圖像M_n-2…特征圖像M₂、特征圖像M₁；

S9利用卷積神經網絡模型，分別對特征圖像M₁、特征圖像M₂、特征圖像M₃…特征圖像M_n-1、特征圖像M_n進行卷積操作，使得特征圖像M₁、特征圖像M₂、特征圖像M₃…特征圖像M_n-1、特征圖像M_n的輸出通道數相同；

S10卷積神經網絡模型采用尺寸大小為[8*8，16*16，32*32，64*64，128*128…2ⁿ⁺²*2ⁿ⁺²]n組預測框分別預測特征圖像M₁、特征圖像M₂、特征圖像M₃…特征圖像M_n-1、特征圖像M_n中的小目標物體。