[發明專利]一種基于深度學習的掩埋物體紅外圖像的目標檢測方法

有效

• 申請號: 202011508251.2
• 申請日: 2020-12-18
• 公開（公告）號: CN112598049B
• 公開（公告）日: 2021-12-03
• 發明（設計）人: 曾丹;徐霽軒;陸恬昳;李博正
• 申請（專利權）人: 上海大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T7/10
• 代理公司: 北京東方盛凡知識產權代理事務所(普通合伙) 11562
• 代理人: 王穎

1.一種基于深度學習的掩埋物體紅外圖像的目標檢測方法，其特征在于：包括以下步驟：

S1，紅外數據采集及樣本庫建立，其中采集具體方式為：對相同的掩埋區域設定1min的固定時間間隔進行紅外圖像數據采集，進行1小時的采集后更換土壤類型并改變目標掩埋位置、掩埋物體材料，再進行設定1min采集間隔，采集一小時的方法進行多組數據采集，最終得到含有多個時間序列的紅外圖像數據樣本庫；

S2，對所述紅外數據樣本庫中的圖像進行數據處理，將數據處理后的掩埋物體紅外圖像劃分為訓練集、驗證集和測試集；

S3，根據掩埋物體紅外數據特點，選取調整過網絡結構的深度學習圖像網絡Unet和Unet圖像分割模型；

S4，將訓練數據和標注信息輸入到所述深度學習圖像網絡Unet進行模型的訓練以及調參，結合驗證集結果保存模型；

S5，測試集上完成對紅外圖像目標檢測模型的測試，使用模型對測試集全部圖像進行圖像分割，隨后根據設定好的掩埋物體紅外圖像分割結果判定出掩埋物體的檢測結果，并使用設計過的測試指標篩選出檢測效果最優的檢測模型。

2.根據權利要求1所述的一種基于深度學習的掩埋物體紅外圖像的目標檢測方法，其特征在于：所述步驟S2中數據處理為：對樣本庫中同一時間序列下采集到的多幀數據，對每一幀的前后各一幀數據與該幀數據進行通道維度的合并，將原本單通道的單幀數據擴充為有時間序列信息的三通道數據，保存合并后的三通道數據，最終得到含有相鄰幀時間序列信息的掩埋物體紅外圖像數據集，并對數據集進行掩埋物體位置的標注。

3.根據權利要求1所述的一種基于深度學習的掩埋物體紅外圖像的目標檢測方法，其特征在于：所述步驟S2中的將數據集劃分為訓練集和測試集的具體劃分方法為：按照60％、20％和20％的比例劃分訓練集、驗證集和測試集。

4.根據權利要求1所述的一種基于深度學習的掩埋物體紅外圖像的目標檢測方法，其特征在于：所述步驟S4中的網絡需要使用優化器來尋找模型的最優解，所述優化器選擇為Adam優化器，其中的momentum設置為默認值0.9。

5.根據權利要求1所述的一種基于深度學習的掩埋物體紅外圖像的目標檢測方法，其特征在于：所述步驟S4中調參的具體操作為：通過模型在驗證集上的結果以及損失函數的變化對訓練參數進行調整。

6.根據權利要求5所述的一種基于深度學習的掩埋物體紅外圖像的目標檢測方法，其特征在于：所述損失函數選擇為多分類任務中常用的NLLLoss和分割任務中的DiceLoss之和，兩部分損失之和作為網絡的損失函數。

7.根據權利要求1所述的一種基于深度學習的掩埋物體紅外圖像的目標檢測方法，其特征在于：所述步驟S5中的測試指標為查準率Precision、查全率Recall。

8.根據權利要求7所述的一種基于深度學習的掩埋物體紅外圖像的目標檢測方法，其特征在于：所述查準率Precision和所述查全率Recall的定義為：

其中：

TP表示：被判定為正樣本，實際上也是正樣本的；

FP表示：被判定為正樣本但是實際上是負樣本的；

FN表示：被判定為負樣本但實際上是正樣本的。