[发明专利]深度学习大尺寸图片训练检测算法

权利要求书

1.一种深度学习大尺寸图片训练检测算法，其特征在于，包括如下步骤：

步骤S1、在训练集合VOC中筛选出包含待识别对象的图片，以形成包含待识别对象的图片的图片集合，并保存到训练集合VOC中的对应目录中；

步骤S2、包含待识别对象的图片的图片集合中的每一张图片均对应有相应的标签文件，每一个标签文件均包括待识别对象的类别信息、待识别对象在相应图片中的位置信息；遍历所有的标签文件获取对应的分类识别框，识别框用冒泡法获取待识别对象的最大尺度W1，H1，同时用冒泡法找出待识别对象的最小尺度W0，H0；其中：

W1或W0=xmax-xmin

H1或H0=ymax-ymin

式中，（xmin，ymin）（xmax，ymax）分别为待识别对象在相应图片中的左上角坐标、右下角坐标；

步骤S3、计算待识别对象在相应图片中的中心坐标（（xmax -xmin）/2，（ymax -ymin）/2））；

步骤S4、以待识别对象在相应图片中的中心坐标为中心，根据最大尺度 W1、H1从相应图片里面截取以W1、H1为最大长宽的图片；若截取出来的长宽落到原图外面，则落到原图外面部分补上空白；

步骤S5、截取的图片以原图为参照，将待识别对象求出的新的xmin，ymin，xmax，ymax写到新的标签文件中，同时将截取的图片及对应的新的标签文件替换原图及原图对应的标签文件保存到训练集合VOC中的对应目录中；

步骤S6、将步骤S5得到的训练集合VOC输入到fpn深度学习网络进行训练。

2.根据权利要求1所述的深度学习大尺寸图片训练检测算法，其特征在于，步骤S6中训练中，采用滑框模式进行待识别对象的识别。

3.根据权利要求1所述的深度学习大尺寸图片训练检测算法，其特征在于，所述待识别对象为电力杆塔的小部件。

4.根据权利要求3所述的深度学习大尺寸图片训练检测算法，其特征在于，所述电力杆塔的小部件包括螺母、螺帽、螺丝、垫片。