[发明专利]一种基于计算机视觉和深度学习的高分辨率图像中小目标自动检测方法

权利要求书

1.一种基于计算机视觉和深度学习的高分辨率图像中小目标自动检测方法，其特征在于，该方法包括如下步骤：

S1检测流程

S1.1建立多尺度任务组

依据高斯金字塔理论对原始待检测高分辨率图像建立双尺度图像金字塔，并将小目标检测任务在这两个尺度下进行分解得到多尺度任务组；其中，在大尺度下设置与小目标没有包含关系的大目标分割任务，而在小尺度下设置原始小目标检测任务；

S1.2大尺度下的目标分割

在大尺度下，利用Mask R-CNN模型对大尺度图像进行分割，并将得到的低分辨率掩膜进行上采样恢复成原始图像分辨率大小；

S1.3小尺度下目标检测

在小尺度下，利用重叠滑窗提取小尺度图像中的候选区域，并依据掩膜Mask对候选区域进行筛选，将与Mask中大目标区域没有交集的候选区域送入目标检测器SSD检测；在对所有候选区域检测完成后，将这些检测结果从子区域映射回原图；

S1.4双尺度下分割与检测结果融合

利用大尺度下得到的分割掩膜对小尺度下得到的检测框进行二次筛选；首先对分割掩膜进行形态学处理，然后将出现在大目标区域的检测框删除，最后应用非极大值抑制对重叠检测框进行融合，得到高分辨率图像中小目标的最终检测结果；

S2训练流程

S2.1分割模型训练

利用大尺度下的图片及标注信息，以迁移学习的方式训练Mask RCNN模型，保存在验证集上的节点作为训练好的分割模型Model_S；

S2.2检测模型初次训练

对小尺度高分辨率图像中的缺陷周边区域按特定方式进行随机裁剪，得到符合SSD模型输入尺寸大小的切片样本集；以迁移学习的方式训练SSD模型，保存在验证集上表现最好的节点作为训练好的分割模型Model_D1；

S2.3检测模型二次训练

将训练好的Model_S和Model_D1嵌入到检测流程中，并依照对高分辨率图集进行检测；将结果中的误检框剪裁出来作为单独一类加入到原始切片集中，并使用该新训练集对检测模型Model_D1进行重新训练，得到二次训练模型Model_D2；最后用二次训练模型Model_D2替换原检测框架中的目标检测器Model_D1，完成最终检测框架的搭建。