[發(fā)明專利]一種小目標(biāo)果實(shí)的檢測(cè)方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110405442.4
• 申請(qǐng)日: 2021-04-15
• 公開（公告）號(hào): CN113343751A
• 公開（公告）日: 2021-09-03
• 發(fā)明（設(shè)計(jì)）人: 賈偉寬;劉夢(mèng)園;王志芬;鄭元杰;張琦
• 申請(qǐng)（專利權(quán)）人: 山東師范大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/32;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 濟(jì)南圣達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 37221
• 代理人: 祖之強(qiáng)

1.一種小目標(biāo)果實(shí)的檢測(cè)方法，其特征在于，包括：

利用訓(xùn)練后的小目標(biāo)果實(shí)檢測(cè)模型，依據(jù)待測(cè)目標(biāo)圖像，得到小目標(biāo)檢測(cè)結(jié)果；

所述小目標(biāo)果實(shí)檢測(cè)模型的訓(xùn)練過(guò)程包括：

獲取目標(biāo)圖像，并標(biāo)注出目標(biāo)果實(shí)；

構(gòu)建小目標(biāo)果實(shí)檢測(cè)模型，采用ResNeXt網(wǎng)絡(luò)得到C5層的特征，然后采用膨脹編碼器生成多種感受野的輸出特征，覆蓋所有的目標(biāo)尺度；

采用IoU算法和k-近鄰算法，篩選錨框，提取測(cè)試樣本；

基于分類子網(wǎng)絡(luò)的輸出結(jié)果和回歸子網(wǎng)絡(luò)的輸出結(jié)果，得到小目標(biāo)檢測(cè)的結(jié)果；

采用損失函數(shù)對(duì)小目標(biāo)果實(shí)檢測(cè)模型進(jìn)行訓(xùn)練，直到模型的總體相似性損失小于設(shè)定閾值。

2.根據(jù)權(quán)利要求1所述的小目標(biāo)果實(shí)的檢測(cè)方法，其特征在于，采用focal loss損失函數(shù)對(duì)分類子網(wǎng)絡(luò)進(jìn)行訓(xùn)練，優(yōu)化分類子網(wǎng)絡(luò)。

3.根據(jù)權(quán)利要求1所述的小目標(biāo)果實(shí)的檢測(cè)方法，其特征在于，采用smoothL1損失函數(shù)對(duì)回歸子網(wǎng)絡(luò)進(jìn)行訓(xùn)練，優(yōu)化回歸子網(wǎng)絡(luò)。

4.根據(jù)權(quán)利要求1所述的小目標(biāo)果實(shí)的檢測(cè)方法，其特征在于，基于測(cè)試樣本，采用分類子網(wǎng)絡(luò)預(yù)測(cè)每個(gè)錨框上k個(gè)類別的概率，并采用回歸子網(wǎng)絡(luò)計(jì)算目標(biāo)預(yù)測(cè)值；將分類子網(wǎng)絡(luò)的輸出結(jié)果和回歸子網(wǎng)絡(luò)的輸出結(jié)果相乘，得到小目標(biāo)檢測(cè)的結(jié)果。

5.根據(jù)權(quán)利要求1所述的小目標(biāo)果實(shí)的檢測(cè)方法，其特征在于，所述標(biāo)注出目標(biāo)果實(shí)包括：采用統(tǒng)一的標(biāo)準(zhǔn)，標(biāo)注所有照片中所有果實(shí)的位置。

6.根據(jù)權(quán)利要求5所述的小目標(biāo)果實(shí)的檢測(cè)方法，其特征在于，對(duì)于存在遮擋的果實(shí)圖片，采用重疊區(qū)域中每個(gè)果實(shí)都被獨(dú)立標(biāo)記，并且被遮擋部分被忽略的方法或者采用將重疊的多個(gè)果實(shí)標(biāo)記為單個(gè)果實(shí)的方法。

7.根據(jù)權(quán)利要求1所述的小目標(biāo)果實(shí)的檢測(cè)方法，其特征在于，所述正樣本的選擇包括：首先計(jì)算錨框與真實(shí)框之間的IoU，然后采用k-近鄰算法，選取k值，獲取錨框最接近的k個(gè)錨框的樣本，最后忽略樣本中IoU大于0.7的負(fù)樣本和IoU小于0.15的正樣本，得到測(cè)試樣本。

8.一種小目標(biāo)果實(shí)的檢測(cè)系統(tǒng)，其特征在于，包括：

獲取模塊，其被配置為：獲取目標(biāo)圖像，并標(biāo)注出目標(biāo)果實(shí)；

模型構(gòu)建模塊，其被配置為：構(gòu)建小目標(biāo)果實(shí)檢測(cè)模型，采用ResNeXt網(wǎng)絡(luò)得到C5層的特征，然后采用膨脹編碼器生成多種感受野的輸出特征，覆蓋所有的目標(biāo)尺度；

樣本提取模塊，其被配置為：采用IoU算法和k-近鄰算法，篩選錨框，提取測(cè)試樣本；

模型訓(xùn)練模塊，其被配置為：基于分類子網(wǎng)絡(luò)的輸出結(jié)果和回歸子網(wǎng)絡(luò)的輸出結(jié)果，得到小目標(biāo)檢測(cè)的結(jié)果；采用損失函數(shù)對(duì)小目標(biāo)果實(shí)檢測(cè)模型進(jìn)行訓(xùn)練，直到模型的總體相似性損失小于設(shè)定閾值；

預(yù)測(cè)模塊，其被配置為：利用訓(xùn)練后的小目標(biāo)果實(shí)檢測(cè)模型，依據(jù)待測(cè)目標(biāo)圖像，得到小目標(biāo)檢測(cè)結(jié)果。

9.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1-7中任一項(xiàng)所述的小目標(biāo)果實(shí)的檢測(cè)方法中的步驟。

10.一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如權(quán)利要求1-7中任一項(xiàng)所述的小目標(biāo)果實(shí)的檢測(cè)方法中的步驟。