申请/专利权人：江西啄木蜂科技有限公司

申请日：2023-11-10

公开（公告）日：2024-02-06

公开（公告）号：CN117237614B

主分类号：G06V10/25

分类号：G06V10/25;G06V10/82;G06N3/0464;G06N3/08;G06V20/10

优先权：

专利状态码：有效-授权

法律状态：2024.02.06#授权;2024.01.02#实质审查的生效;2023.12.15#公开

摘要：本发明公开了一种基于深度学习的湖面漂浮物小目标检测方法，包括构造数据集；对数据集中训练样本进行图像增强得到增强数据集；建立一目标检测网络，并在第一次上采样操作前添加一坐标注意力机制模块；用增强数据集训练目标检测网络至收敛，得到湖面漂浮物小目标检测模型；获取待检测的原始遥感图像，图像增强后送入湖面漂浮物小目标检测模型，得到目标检测结果。本发明能提升图像前景占比率和增大其中小目标的尺寸；针对小目标的检测更加精准。在特征提取时获取通道间信息并考虑方向相关的位置信息，大大提升了检测速度和精度，且整体足够灵活和轻量，节省了计算成本。

主权项：1.一种基于深度学习的湖面漂浮物小目标检测方法，其特征在于：包括以下步骤；S1：构造数据集；采集包含湖面漂浮物的原始遥感图像，对每张原始遥感图像，将湖面漂浮物作为目标人工标记真实框；并标记有目标和真实框的原始遥感图像作为训练样本；S2：对数据集中训练样本进行图像增强，得到增强数据集，其中1个训练样本进行图像增强的方法包括S21~S27；S21：用检测器对训练样本进行目标检测，输出多个检测框；S22：对每个检测框的宽度进行扩展得到扩展框，将所有扩展框构成检测集合Bc、并建立一输出区域集合Br，Br初始状态为空；S23：从Bc内的扩展框中标记框A、框B和框C，其中，框A为Bc中尺寸最小的扩展框，框B为除框A的任一扩展框，框C为包含框A、框B的最小凸框；S24：统计框A、框B、框C的面积SA、SB、SC，若SA+SB＞SC，则用框C对应的扩展框更新框A对应的扩展框，并将框B对应的扩展框从Bc中移出；S25：重复步骤S23、S24直到没有框B满足SA+SB＞SC，将此时的框A作为一目标区域，添加到Br中；S26：重复步骤S23~S25直到Bc为空集；S27：将Br中目标区域按预设尺寸分为小目标区域、中目标区域和大目标区域，并自适应调整尺寸，再以Mosaic数据增强的方式与原始遥感图像组装为增强图像；S3：建立一目标检测网络，包括骨干网络、FPN网络和目标检测头，并在FPN网络的第一次上采样操作前添加一坐标注意力机制模块；S4：设置训练次数，用增强数据集训练目标检测网络至收敛，得到湖面漂浮物小目标检测模型；S5：获取待检测的原始遥感图像，按步骤S2得到对应的增强图像，送入湖面漂浮物小目标检测模型，得到目标检测结果；所述FPN网络至少包括浅层特征层、中层特征层和深层特征层，且浅层特征层经第一次上采样操作与中层特征层融合；所述坐标注意力机制模块包括融合大卷积单元、水平全局平均池化单元、垂直全局平均池化单元，处理方法包括以下步骤；Sa1：将浅层特征层输出的浅层特征图输入融合大卷积单元，依次经5×5卷积和7×7卷积得到第一浅层特征图和第二浅层特征图，将二者相加得到维度为H×W×C融合特征图xc；Sa2：将融合特征图xc，由水平全局平均池化单元、垂直全局平均池化单元分别按下式（1）、（2）在水平和垂直方向进行全局平均池化，得到高度方向特征图和宽度方向特征图； 1 2其中，H、W、C分别为融合特征图的总高度、总宽度、总通道数，式（1）中，xc（h,i）为xc中高度为h、宽度为i的特征值，为高度方向特征图在高度h和通道c的输出特征值，h=1~H，0≤i＜W，c=1~C；式（2）中，xc（j,w）为xc中高度为j、宽度为w的特征值，为宽度方向特征图在宽度w和通道c的输出特征值，0≤j＜H，w=1~W,c=1~C；Sa3：将xc的高度方向特征图和宽度方向特征图拼接，并经卷积操作降维、归一化处理后得到第一特征图F1；Sa4：将F1送入非线性激活函数处理得到第二特征图F2；Sa5：将F2按步骤Sa3的拼接方式反向拆分，得到高度方向拆分图F2h和宽度方向拆分图F2w；Sa6：按下式（3）（4），将F2h、F2w分别进行1X1的卷积操作成大小为H×W×C的高度特征张量和宽度特征张量，再分别经sigmoid激活函数得到xc在高度和宽度上的注意力权重gh、gw； 3 4式中，σ为sigmoid激活函数，F·为1X1的卷积操作；Sa7：根据下式（5）得到坐标注意力特征图yc； 5式中，xc（i,j）为xc中宽度为i、高度为j的特征值，yc（i,j）为yc中宽度为i、高度为j的特征值，为gh中宽度为i、高度为j的特征值，为gw中宽度为i、高度为j的特征值。

全文数据：

权利要求：

百度查询： 江西啄木蜂科技有限公司 基于深度学习的湖面漂浮物小目标检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD