[发明专利]一种小目标物体检测方法

说明书

本发明公开的小目标物体检测方法，涉及计算机技术领域，利用每一次卷积和下采样过程中采集到的特征图像，将每一次的特征与下一次下采样输出的特征进行叠加，实现了利用丢失信息少的大尺寸特征图像预测小目标物体，用经过多次卷积获得的语义信息更抽象的小尺寸特征图像来预测大目标物体，提高了预测结果的精确度。

技术领域

本发明涉及计算机技术领域，具体涉及一种小目标物体检测方法。

背景技术

对于菌落等小目标物体的检测，传统的方案为先在培养皿上面培养菌落，然后采用人眼观察并以黑色记号笔在培养皿上面做记号并计数。整个过程工作量大、枯燥繁琐且重复性劳动比较多且由于其中很多菌落都是非常细小的，使得在计数过程中人眼非常容易看花眼，需要不断聚集精神地看，容易陷入疲劳，导致效率低，人工成本高。

为了提高效率、降低人工成本，当前对小目标物体的检测主要通过卷积神经网络模型对原始图像进行卷积和池化操作，获得不同尺寸的特征图像，预测最后一层的特征图像，忽略了其他层的特征图像，精确度不高。

发明内容

为解决现有技术的不足，本发明实施例提供了一种小目标物体检测方法，该方法包括以下步骤：

S1利用卷积神经网络模型对小目标物体所在的原始图像连续多次进行下采样，得到多个特征图像；

S2卷积神经网络模型根据下采样的时间先后顺序，对所述多个特征图像进行排序，得到特征图像组；

S3卷积神经网络模型选取该特征图像组中处于最后的n张特征图像，根据尺寸大小顺序，将该n张特征图像依次记为C₁、C₂、C₃…C_n；

S4利用卷积神经网络模型，对特征图像C_n进行1*1进行卷积操作，得到特征图像M_n；

S5利用卷积神经网络模型，对特征图像进行M_n上采样，得到尺寸与特征图像C₄一致的特征图像M_n^-；

S6利用卷积神经网络模型，对特征图像C_n-1进行1*1进行卷积操作，得到特征图像C_n-1^-；

S7利用卷积神经网络模型，将特征图像M_n^-与特征图像C_n-1^-进行叠加，得到特征图像M_n-1；

S8重复上述步骤S6-S7，得到特征图像M_n-2…特征图像M₂、特征图像M₁；

S9利用卷积神经网络模型，分别对特征图像M₁、特征图像M₂、特征图像M₃…特征图像M_n-1、特征图像M_n进行卷积操作，使得特征图像M₁、特征图像M₂、特征图像M₃…特征图像M_n-1、特征图像M_n的输出通道数相同；

S10卷积神经网络模型采用尺寸大小为[8*8，16*16，32*32，64*64，128*128…2ⁿ⁺²*2ⁿ⁺²]n组预测框分别预测特征图像M₁、特征图像M₂、特征图像M₃…特征图像M_n-1、特征图像M_n中的小目标物体。