[發明專利]基于改進SSD算法的目標檢測模型、方法及應用

在審

• 申請號: 202011166365.3
• 申請日: 2020-10-27
• 公開（公告）號: CN112464982A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 甄然;蘇康;吳學禮
• 申請（專利權）人: 河北科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 石家莊新世紀專利商標事務所有限公司 13100
• 代理人: 呼春輝

1.一種基于改進SSD算法的目標檢測模型，包括卷積神經網絡，其特征在于：還包括融合網絡結構，所述融合網絡結構的數量為兩個分別是第一融合網絡結構和第二融合網絡結構，所述第一融合網絡結構包括卷積層Conv9_2、卷積層Conv10_2、卷積層Conv4_3和第一add融合器，所述卷積層Conv9_2的輸出端、卷積層Conv10_2的輸出端和卷積層Conv4_3的輸出端分別與第一add融合器的輸入端連接；所述第二融合網絡結構包括卷積層Conv9_2、卷積層Conv10_2、卷積層Conv7和第二add融合器，所述卷積層Conv9_2的輸出端、卷積層Conv10_2的輸出端和卷積層Conv7的輸出端分別與第二add融合器的輸入端連接。

2.根據權利要求1所述的基于改進SSD算法的目標檢測模型，其特征在于：所述卷積神經網絡還包括分類和回歸模塊，所述融合網絡結構還包括目標檢測模塊，所述第一add融合器的輸出端與分類和回歸模塊的輸入端連接，所述第二add融合器的輸出端與分類和回歸模塊的輸入端連接，所述目標檢測模塊為程序模塊，用于調整卷積層Conv9_2形成的特征圖和卷積層Conv10_2形成的特征圖的通道數量、以反卷積的形式進行上采樣、通過第一add融合器與卷積層Conv4_3形成的特征圖進行特征融合并形成第一add融合特征圖，調整卷積層Conv9_2形成的特征圖和卷積層Conv10_2形成的特征圖的通道數量、以反卷積的形式進行上采樣、通過第二add融合器與卷積層Conv7形成的特征圖進行特征融合并形成第二add融合特征圖，將第一add融合特征圖和第二add融合特征圖發送至分類和回歸模塊并進行圖像分類。

3.一種基于改進SSD算法的目標檢測方法，其特征在于：基于卷積層Conv9_2、卷積層Conv10_2、卷積層Conv4_3、卷積層Conv7、第一add融合器和第二add融合器，調整卷積層Conv9_2形成的特征圖和卷積層Conv10_2形成的特征圖的通道數量、以反卷積的形式進行上采樣、通過第一add融合器與卷積層Conv4_3形成的特征圖進行特征融合并形成第一add融合特征圖，調整卷積層Conv9_2形成的特征圖和卷積層Conv10_2形成的特征圖的通道數量、以反卷積的形式進行上采樣、通過第二add融合器與卷積層Conv7形成的特征圖進行特征融合并形成第二add融合特征圖，將第一add融合特征圖和第二add融合特征圖發送至分類和回歸模塊并進行圖像分類。

4.根據權利要求3所述的基于改進SSD算法的目標檢測方法，其特征在于：具體地包括如下步驟：

第一步驟，輸入圖片，經過預處理后輸入到預訓練好的檢測網絡；

第二步驟，抽取卷積層Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2、Conv11_2、Conv4_3_1和Conv7_1的特征圖，分別在這些特征圖上的每一個點構造相應數量和相應尺度大小的先驗框，分別進行檢測和分類并生成先驗框；

第三步驟，將每一特征圖獲得的先驗框結合起來，經過NMS非極大值抑制方法來抑制掉一部分重疊或者不正確的邊界框，生成最終的邊界框集合即檢測結果。

5.一種基于改進SSD算法的目標檢測應用，其特征在于：將權利要求1或2的目標檢測模型或者權利要求3或4的目標檢測方法應用在無人機的分類系統上。