[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

本發明公開了一種基于深度學習的掩埋物體紅外圖像的目標檢測方法,具體包括：1)紅外數據采集及樣本庫的建立；2)對紅外數據樣本庫中圖像進行數據處理；3)根據掩埋物體紅外數據特點，選取并調整合適的深度學習模型；4)將訓練數據輸入到掩埋紅外圖像目標檢測模型，進行模型的訓練以及調參，結合驗證集結果保存模型；5)在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。本發明能夠對包含較少語義信息的掩埋物體紅外圖像進行較為準確的目標區域檢測，具有良好的使用價值。

技術領域

本發明涉及深度學習和紅外圖像領域，特別是涉及一種基于深度學習的掩埋物體紅外圖像的目標檢測方法。

背景技術

掩埋物體的檢測是十分有必要的任務，掩埋物體是指被掩埋在多種類型土壤的多種材質的檢測物體，由于物體被掩埋后有其難以檢測性和不易察覺性，因此針對掩埋物體的檢測有很大的必要性。

目前針對掩埋物體的圖像檢測通常使用常規圖像拍攝所得的RGB圖像數據進行檢測，檢測方法大多也為傳統數字圖像處理方法。常規拍攝所得的RGB圖像不能很好的表征出存在掩埋物體區域與不存在掩埋物體區域的圖像差異也即特征差異。此外先前方法使用的傳統數字圖像處理檢測方法，通過圖像降噪、設定閾值等操作并不能很好的檢測出掩埋物體位置，并且對數據的魯棒性較差。

發明內容

本發明的目的是提供一種基于深度學習的掩埋物體紅外圖像的目標檢測方法，以解決上述現有技術存在的問題，使檢測掩埋物體的圖像能有更好的表現，數據處理方式更加科學以及測量的準確率更高。

為實現上述目的，本發明提供了如下方案：

一種基于深度學習的掩埋物體紅外圖像的目標檢測方法，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，選取并調整合適的深度學習模型；

S4，將訓練數據和標注信息輸入到深度學習圖像分割網絡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。

優選的，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。

優選的，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。

優選的，所述步驟S3中根據數據特點和特征差異選取了調整過網絡結構的深度學習圖像網絡Unet，模型為Unet圖像分割模型。

優選的，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。