[发明专利]一种目标检测方法及设备

说明书

本申请公开了一种目标检测方法及设备，方法包括：确定已采集的待检测图像；通过预先训练的卷积神经网络，在所述待检测图像中提取图像特征；根据所述图像特征确定所述待检测图像中检测目标的类别，其中，所述类别包括施工机械、烟火、导地线异物；针对不同类别的检测目标，使用预先训练的检测模型，确定所述检测目标在所述待检测图像中的位置。针对图像中的不同类别的检测目标，采用相对应的方法进行检测，能够有效的提高检测结果的准确度，在检测图像中能够更准确的确定出检测目标的位置，保证了对施工现场的监测精度。

技术领域

本申请涉及目标检测领域，具体涉及一种目标检测方法及设备。

背景技术

通常情况下，在现有的施工环境中，需要时刻对现场环境进行检测，以防止出现意外状况。

现有技术中，通常通过采集现场的图像，然后在采集到的图像中确定是否存在着需要进行检测的目标，以及确定出目标所在的位置。但是现有技术中，对图像中的目标进行检测时，检测结果往往不够准确。

发明内容

为了解决上述问题，本申请提出了一种目标检测方法，包括：确定已采集的待检测图像；通过预先训练的卷积神经网络，在所述待检测图像中提取图像特征；根据所述图像特征确定所述待检测图像中检测目标的类别，其中，所述类别包括施工机械、烟火、导地线异物；针对不同类别的检测目标，使用预先训练的检测模型，确定所述检测目标在所述待检测图像中的位置。

在一个示例中，通过预先训练的卷积神经网络，在所述待检测图像中提取图像特征，包括：通过预先训练的卷积神经网络，对所述待检测图像进行降维处理；通过共享卷积层提取所述待检测图像的多个尺度的图像特征。

在一个示例中，通过预先训练的卷积神经网络，对所述待检测图像进行降维处理之后，所述方法还包括：得到所述待检测图像的基础特征；通过共享卷积层提取所述待检测图像的多个尺度的图像特征，包括：通过共享卷积层，将所述基础特征进行特征降维处理，得到小尺度特征；将所述小尺度特征进行特征降维处理，得到中尺度特征；将所述中尺度特征进行特征降维处理，得到大尺度特征。

在一个示例中，针对不同类别的检测目标，使用预先训练的检测模型，确定所述检测目标在所述待检测图像中的位置，包括：确定所述检测目标的类别为施工机械；在所述待检测图像中确定若干个候选区域；通过分类器确定在每个候选区域中，所对应的目标位置以及分类得分；基于所述分类得分和所述目标位置，通过NMS算法，确定所述检测目标在所述待检测图像中的边界框。

在一个示例中，所述预先训练的检测模型通过CascadeR-CNN算法预先训练生成。

在一个示例中，针对不同类别的检测目标，使用预先训练的检测模型，确定所述检测目标在所述待检测图像中的位置，包括：确定所述检测目标的类别为烟火；在所述待检测图像中确定若干个候选区域；通过对所述图像特征进行特征降维、特征拼接以及特征融合，确定在每个候选区域中，所对应的目标位置以及分类得分；基于所述分类得分和所述目标位置，通过SoftNMS算法，确定所述检测目标在所述待检测图像中的边界框。

在一个示例中，所述预先训练的检测模型通过FasterR-CNN算法预先训练生成。

在一个示例中，针对不同类别的检测目标，使用预先训练的检测模型，确定所述检测目标在所述待检测图像中的位置，包括：确定所述检测目标的类别为导地线异物；将所述图像特征进行特征降维处理后，得到每个点对应的分类特征和位置特征；根据所述分类特征得到每个点对应的分类得分，并进行中心点预测；根据预测的中心点以及所述位置特征，得到目标位置；基于所述分类得分以及所述目标位置，通过NMS算法，确定所述检测目标在所述待检测图像中的边界框。

在一个示例中，所述预先训练的检测模型通过FCOS算法预先训练生成。