[發明專利]基于深度學習的白色球體檢測方法、裝置、設備及介質

在審

• 申請號: 202210134853.9
• 申請日: 2022-02-14
• 公開（公告）號: CN114511783A
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 許召輝;吳宇;宋曉勇;程松林
• 申請（專利權）人: 中航華東光電（上海）有限公司
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06N3/04;G06N3/08
• 代理公司: 上海樂泓專利代理事務所(普通合伙) 31385
• 代理人: 張雪

1.一種基于深度學習的白色球體檢測方法，其特征在于：包括以下步驟：

將待檢測圖像集輸入白色球體檢測模型中進行處理，確定所述待檢測圖像中白色球體的位置信息；

根據待檢測圖像集中白色球體的位置信息，在所述待檢測圖像中定位白色球體的位置；

其中，所述白色球體檢測模型包括第一特征提取網絡、區域生成網絡RPN、生成對抗網絡GAN、第二特征提取網絡以及目標檢測網絡。

2.根據權利要求1所述的一種基于深度學習的白色球體檢測方法，其特征在于：步驟S100中，將待檢測圖像集輸入白色球體檢測模型中進行處理，確定所述待檢測圖像中白色球體的位置信息包括：

步驟S1、將待檢測圖像集輸入第一特征提取網絡中進行處理，提取待檢測圖像集的圖像特征信息；

步驟S2、依據所述圖像特征信息，對提取得到的特征圖進行篩選，得到包含明顯物體的特征圖；

步驟S3、利用區域生成網絡RPN，在篩選后的特征圖中框選明顯物體所在的目標候選區域；

步驟S4、利用生成對抗網絡GAN，對篩選后的特征圖進行精度還原；

步驟S5、將精度還原后的特征圖以及所述目標候選區域輸入第二特征提取網絡中進行處理，得到待檢測圖像集的多個目標候選區域的區域特征信息；所述第二特征提取網絡為相較于第一特征提取網絡更大型精度更高的特征提取網絡模型；

步驟S6、將所述區域特征信息輸入目標檢測網絡中進行處理，確定所述待檢測圖像中白色球體的位置信息。

3.根據權利要求2所述的一種基于深度學習的白色球體檢測方法，其特征在于：步驟S1前，還包括：

對草坪進行遍歷掃描；具體為：按照預設的時間段ΔT，定時獲取周圍環境信息。

4.根據權利要求2所述的一種基于深度學習的白色球體檢測方法，其特征在于：步驟S2中，依據所述圖像特征信息，對提取得到的特征圖進行篩選，得到包含明顯物體的特征圖，其具體包括：

使用SUSAN邊緣檢測算法，用近似圓形模塊遍歷整個圖像，再把模塊內像素灰度與模快中心像素的灰度值進行比較，若灰度差異小于某個閾值，則認為他們是同值的，滿足該條件的所有像素組成核同值區USAN；

設定USAN閾值，提取檢測目標角點，計算查找小于該閾值的像素點，將查找到的像素點確定為邊緣點，基于邊緣特征判斷草坪是否有異物。

5.根據權利要求2所述的一種基于深度學習的白色球體檢測方法，其特征在于：步驟S4中，利用生成對抗網絡GAN，對篩選后的特征圖進行精度還原，其具體包括：

所述生成對抗網絡GAN包括至少一個生成器G和一個判別器D，利用生成對抗網絡GAN的生成器G生成假樣本，利用判別器D判別輸入數據是真實樣本數據或假樣本數據；

訓練過程中，兩者各自更新自身參數使得損失最小，相互對抗并迭代優化，直至達到納什均衡狀態。

6.一種基于深度學習的白色球體檢測裝置，其特征在于，所述裝置包括：

第一特征信息提取模塊，用于對待檢測圖像集輸入第一特征提取網絡中進行處理，提取待檢測圖像集的圖像特征信息；

篩選模塊，用于依據圖像特征信息提取模塊提取到的特征圖，對所述特征圖進行篩選，得到包含明顯物體的特征圖；

框選模塊，用于根據篩選模塊篩選后的特征圖中框選明顯物體所在的目標候選區域；

精度還原模塊，用于對篩選模塊篩選后的特征圖進行精度還原；

第二特征信息提取模塊，用于將精度還原模塊精度還原后的特征圖以及框選模塊框選得到的目標候選區域進行處理，得到待檢測圖像集的多個目標候選區域的區域特征信息；

以及目標檢測模塊，用于依據所述區域特征信息，確定所述待檢測圖像中白色球體的位置信息。

7.一種電子設備，其特征在于，包括：

處理器；

用于存儲處理器可執行指令的存儲器；

其中，所述處理器被配置為執行權利要求1-5中任意一項所述的方法。

8.一種非臨時性計算機可讀存儲介質，其特征在于，當所述存儲介質中的指令由處理器執行時，使得處理器能夠執行根據權利要求1-5中任意一項所述的方法。