[發明專利]基于目標檢測的切圖方法、切圖裝置和存儲介質

在審

• 申請號: 202110248957.8
• 申請日: 2021-03-08
• 公開（公告）號: CN112927247A
• 公開（公告）日: 2021-06-08
• 發明（設計）人: 宋怡然;項強德;馬元巍;潘正頤;侯大為
• 申請（專利權）人: 常州微億智造科技有限公司
• 主分類號: G06T7/12
• 分類號: G06T7/12;G06T7/62;G06T7/73;G06T7/90;G06N3/04;G06N3/08;G06N20/00;G06K9/62
• 代理公司: 常州佰業騰飛專利代理事務所(普通合伙) 32231
• 代理人: 陳紅橋

1.一種基于目標檢測的切圖方法，其特征在于，包括以下步驟：

獲取檢測圖像中目標框的位置信息和大小，并根據所述目標框的位置信息和大小判斷所述目標框的分布規律；

統計所述檢測圖像中非黑非白區域和像素跳躍情況，并根據所述非黑非白區域和像素跳躍情況判斷目標在所述檢測圖像中的分布情況；

根據所述目標框的分布規律和目標在所述檢測圖像中的分布情況選擇切圖策略，并根據所述切圖策略進行切圖，其中，所述切圖策略包括：滑窗法切圖策略、特殊位置切圖策略、聚類切圖策略和基于邊緣切圖策略；

將所述切圖后的圖片輸入深度學習模型進行訓練，以判斷切圖效果；

根據所述切圖效果挑選出包含較難負樣本的Negative chips切圖，對所述負樣本進行區域提取，根據提取的區域進行切圖。

2.根據權利要求1所述的基于目標檢測的切圖方法，其特征在于，還包括：

獲取所述切圖后的圖片的目標框的分布規律變化、所述目標框的大小變化；

將所述切圖后的圖片輸入單階段目標檢測模型或者雙階段目標檢測模型中，以獲取所述切圖后的圖片的算法表現，所述算法表現包括：目標的過殺率、目標的漏檢率、目標的準確率、目標的混淆矩陣、類別AP值和整體mAP值；

根據所述目標框的分布規律變化、所述目標框的大小變化和所述算法表現修正所述切圖策略。

3.根據權利要求2所述的基于目標檢測的切圖方法，其特征在于，所述單階段目標檢測模型包括：YOLOv5模型、SSD模型，所述雙階段目標檢測模型包括：Faster R-CNN、CascadeR-CNN、HTC。

4.根據權利要求1所述的基于目標檢測的切圖方法，其特征在于，根據所述切圖效果，基于SNIPER算法挑選出包含較難負樣本的Negative chips切圖。

5.根據權利要求1所述的基于目標檢測的切圖方法，其特征在于，根據所述目標框的分布規律和目標在所述檢測圖像中的分布情況選擇切圖策略，包括：

如果所述目標框分布均衡，且所述檢測圖像包含所述目標的全部信息，則采用窗法切圖策略進行切圖；

如果所述目標框分布均衡，且所述檢測圖像包含所述目標的部分信息，則采用特殊位置切圖策略；

如果所述目標框分布不均衡，且所述檢測圖像包含所述目標的全部信息，則采用基于邊緣切圖策略；

如果所述目標框分布不均衡，且所述檢測圖像包含所述目標的部分信息，則采用聚類切圖策略。

6.一種基于目標檢測的切圖裝置，其特征在于，包括：

獲取模塊，所述獲取模塊用于獲取檢測圖像中目標框的位置信息和大小，并根據所述目標框的位置信息和大小判斷所述目標框的分布規律；

統計模塊，所述統計模塊用于統計所述檢測圖像中非黑非白區域和像素跳躍情況，并根據所述非黑非白區域和像素跳躍情況判斷目標在所述檢測圖像中的分布情況；

第一切圖模塊，所述第一切圖模塊用于根據所述目標框的分布規律和目標在所述檢測圖像中的分布情況選擇切圖策略，并根據所述切圖策略進行切圖，其中，所述切圖策略包括：滑窗法切圖策略、特殊位置切圖策略、聚類切圖策略和基于邊緣切圖策略；

學習模塊，所述學習模塊用于將所述切圖后的圖片輸入深度學習模型進行訓練，以判斷切圖效果；

第二切圖模塊，所述第二切圖模塊用于根據所述切圖效果挑選出包含較難負樣本的Negative chips切圖，對所述負樣本進行區域提取，根據提取的區域進行切圖。

7.根據權利要求6所述的基于目標檢測的切圖裝置，其特征在于，還包括修正模塊，所述修正模塊用于：

獲取所述切圖后的圖片的目標框的分布規律變化、所述目標框的大小變化；

將所述切圖后的圖片輸入單階段目標檢測模型或者雙階段目標檢測模型中，以獲取所述切圖后的圖片的算法表現，所述算法表現包括：目標的過殺率、目標的漏檢率、目標的準確率、目標的混淆矩陣、類別AP值和整體mAP值；

根據所述目標框的分布規律變化、所述目標框的大小變化和所述算法表現修正所述切圖策略。