[發(fā)明專利]一種適于目標(biāo)檢測(cè)的CW-m2det方法及其系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110502219.1
• 申請(qǐng)日: 2021-05-08
• 公開(kāi)（公告）號(hào): CN113177547A
• 公開(kāi)（公告）日: 2021-07-27
• 發(fā)明（設(shè)計(jì)）人: 梁興柱;程威;汪立鑫;方賢進(jìn)
• 申請(qǐng)（專利權(quán)）人: 安徽理工大學(xué)
• 主分類號(hào): G06K9/32
• 分類號(hào): G06K9/32;G06K9/34;G06K9/62;G06N3/04
• 代理公司: 北京同輝知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11357
• 代理人: 苗苗

1.一種適于目標(biāo)檢測(cè)的CW-m2det方法，其特征在于，所述CW-m2det方法包括以下步驟：

S1：提取多小目標(biāo)圖像，進(jìn)行圖像切割，質(zhì)量篩選，采用馬賽克數(shù)據(jù)增強(qiáng)對(duì)目標(biāo)圖像進(jìn)行增強(qiáng)：

S2：使用k均值聚類算法計(jì)算出最優(yōu)候選框尺寸大小；

S3：構(gòu)建CW-m2det特征提取網(wǎng)絡(luò)，將增強(qiáng)后的數(shù)據(jù)輸入CW-m2det特征提取網(wǎng)絡(luò)，再經(jīng)過(guò)MLFPN特征提取網(wǎng)絡(luò)獲得模型的分類結(jié)果和定位結(jié)果，使用非極大抑制篩選掉重合程度較大的檢測(cè)框；

S4：將數(shù)據(jù)輸入CW-m2det特征提取網(wǎng)絡(luò)進(jìn)行，計(jì)算模型損失，優(yōu)化模型參數(shù)，完成訓(xùn)練。

2.根據(jù)權(quán)利要求1所述的一種適于目標(biāo)檢測(cè)的CW-m2det方法，其特征在于，所述CW-m2det特征提取網(wǎng)絡(luò)包括改進(jìn)版VGG主干特征提取網(wǎng)絡(luò)、MLFPN特征提取網(wǎng)絡(luò)。

3.根據(jù)權(quán)利要求1所述的一種適于目標(biāo)檢測(cè)的CW-m2det方法，其特征在于，所述特征網(wǎng)絡(luò)激活函數(shù)為Mish激活函數(shù)，分類、定位特征網(wǎng)絡(luò)的激活函數(shù)為L(zhǎng)Relu激活函數(shù)。

4.根據(jù)權(quán)利要求1所述的一種適于目標(biāo)檢測(cè)的CW-m2det方法，其特征在于，所述步驟S1中目標(biāo)圖像的預(yù)處理過(guò)程，包括以下步驟：

S11：提取多小目標(biāo)圖像，為了最大化小目標(biāo)物體輸入模型的特征信息，對(duì)輸入圖片進(jìn)行切割，同步更新圖片中的真實(shí)框坐標(biāo)；

S12：計(jì)算標(biāo)注中真實(shí)框像素點(diǎn)面積，并與預(yù)設(shè)面積閾值進(jìn)行比較，如果大于預(yù)設(shè)面積閾值保留該標(biāo)注信息，否則移除該標(biāo)注；

S13：對(duì)輸入圖片進(jìn)行馬賽克數(shù)據(jù)增強(qiáng)；

S14：將處理后的圖片分辨率調(diào)整至預(yù)設(shè)的標(biāo)準(zhǔn)尺寸，并更新標(biāo)注中所有目標(biāo)的位置信息；

S15：輸出圖片和與其對(duì)應(yīng)的標(biāo)注信息；

S16：輸入下一張圖片，重復(fù)步驟S12至S15，直至遍歷coco數(shù)據(jù)集中所有圖片。

5.根據(jù)權(quán)利要求2所述的一種適于目標(biāo)檢測(cè)的CW-m2det方法，其特征在于，所述步驟S11中圖片的切割方式，包括以下步驟：

S21：將矩形原圖像進(jìn)行左右裁剪成兩個(gè)正方形，攝像頭分辨率長(zhǎng)寬之比一般小于2，故裁剪后的兩張正方形有重疊部分；

S22：對(duì)真實(shí)框進(jìn)行同步更新，處于重疊部分的目標(biāo)物體將會(huì)有兩個(gè)真實(shí)框標(biāo)注，分別存在于左右兩張圖片，對(duì)處于裁剪邊緣的真實(shí)框進(jìn)行同步標(biāo)注更新，完成圖片切割，獲得兩張輸入圖像。

6.根據(jù)權(quán)利要求1所述的一種適于目標(biāo)檢測(cè)的CW-m2det方法，其特征在于，所述步驟S2中，數(shù)據(jù)增強(qiáng)方式為針對(duì)小物體的修改版馬賽克數(shù)據(jù)增強(qiáng)方式，對(duì)每張圖片進(jìn)行隨機(jī)翻轉(zhuǎn)，曝光度處理，再將多張的輸入圖片進(jìn)行拼接，同步更新標(biāo)注信息。

7.根據(jù)權(quán)利要求1所述的一種適于目標(biāo)檢測(cè)的CW-m2det方法，其特征在于，所述步驟S3中主干特征提取網(wǎng)絡(luò)通過(guò)改進(jìn)VGG16網(wǎng)絡(luò)得到，改進(jìn)部分包括以下內(nèi)容：

S31：在原本的每個(gè)卷積層后添加一個(gè)通道數(shù)不變，卷積核大小為1×1的卷積層，例如在conv1_1后添加一個(gè)通道數(shù)為64，卷積核大小為1×1，padding為same的卷積層；

S32：在conv1_1以及每次池化后的首層進(jìn)行分支卷積操作，該特征層將會(huì)與下一次池化前的最后一層進(jìn)行融合，例如將特征層conv1_1(320,320,64)進(jìn)行通道數(shù)為64，卷積核大小為1×1的same卷積得到特征層conv1_1b(320,320,32)；

S33：池化后的每一個(gè)卷積層通道數(shù)保持不變，在下一個(gè)池化操作前與S22中的分支特征層進(jìn)行融合，通道數(shù)與原VGG16保持一致；

S34：添加殘差結(jié)構(gòu)，將S21中的3×3卷積后的特征層將會(huì)與前一個(gè)1×1卷積特征層進(jìn)行矩陣元素加操作；

S35：每次卷積都加入BN層，激活函數(shù)修改為Mish激活函數(shù)。