[发明专利]一种基于半锚式检测器的目标检测方法

权利要求书

1.一种基于半锚式检测器的目标检测方法，其特征在于，包括如下步骤：

S01：获取目标检测图像；

S02：将所述目标检测图像中的缺陷进行标注，将标注之后的目标检测图像进行可视化，获取不同缺陷的目标检测图像对应的数据量占比；

S03：根据不同缺陷的目标检测图像对应的数据量占比，将目标检测图像分为训练图像和测试图像；所述训练图像和测试图像均包含各个种类缺陷的目标检测图像；

S04：搭建半锚式检测器模型结构，输入所述训练图像，利用梯度下降法和focal损失来训练半锚式检测器模型结构，反复学习后得到收敛后的半锚式检测器模型；其中，所述半锚式检测器模型结构包括特征提取部分、分类分支和预测框回归分支；所述特征提取部分的输出端同时连接所述分类分支和预测框回归分支的输入端；

S05：利用所述测试图像对半锚式检测器模型进行测试，若所述半锚式检测器模型的准确率大于阈值，则输出半锚式检测器模型；若半锚式检测器模型的准确率小于等于阈值，则返回步骤S04重新对所述半锚式检测器模型结构进行训练。

2.根据权利要求1所述的一种基于半锚式检测器的目标检测方法，其特征在于，所述步骤S01中利用工业相机拍摄生产线上的酒瓶图像作为目标检测图像。

3.根据权利要求2所述的一种基于半锚式检测器的目标检测方法，其特征在于，所述工业相机为两个，分别拍摄瓶盖图像和瓶身图像，所述瓶盖图像和瓶身图像共同形成目标检测图像。

4.根据权利要求1所述的一种基于半锚式检测器的目标检测方法，其特征在于，所述步骤S02利用panda库和matplotlib库将标注之后的目标检测图像进行可视化。

5.根据权利要求1所述的一种基于半锚式检测器的目标检测方法，其特征在于，所述步骤S04具体包括：

S041：所述训练图像输入至特征提取部分进行特征提取，获得该训练图像的特征图；

S042：将所述特征图同时输入至分类分支和预测框回归分支；所述分类分支输出预测类别值，所述预测框回归分支输出预测框的角点坐标值和预测框的类别预测值；

S043：综合所述预测类别值、预测框的角点坐标值和预测框的类别预测值，利用梯度下降法和focal损失来训练半锚式检测器模型结构。

6.根据权利要求5所述的一种基于半锚式检测器的目标检测方法，其特征在于，所述分类分支包括四个1×1×255的卷积层一个1×1×C的卷积层，C表示目标检测图像中的缺陷种类数。

7.根据权利要求6所述的一种基于半锚式检测器的目标检测方法，其特征在于，所述预测类别值的获取方法如下：

将提取的特征图经过四个1×1×255的卷积层和一个1×1×C的卷积层得到锚点的分类预测值Y，其中每个通道上的像素点代表预测为前景的置信分数yi，通过如下公式将置信分数yi转换为初始预测类别值：

其中，K表示每个位置关联的不同比例的预测框的个数；

对初始预测类别值进行如下分类：

然后求每个通道上该点的最大值，即为预测类别值：

。

8.根据权利要求5所述的一种基于半锚式检测器的目标检测方法，其特征在于，所述预测框回归分支包括四个1×1×255的卷积层、一个1×1×4K的卷积层和一个1×1×K的卷积层；所述四个1×1×255的卷积层依次连接，且最后一个1×1×255卷积层的输出端分别连接1×1×4K卷积层和1×1×K卷积层的输入端，K表示每个位置关联的不同比例的预测框的个数。

9.根据权利要求1所述的一种基于半锚式检测器的目标检测方法，其特征在于，还包括S06：获得最终的模型应用在现场识别系统上进行调试；所述现场识别系统包括工业相机和生产酒瓶的生产线；所述工业相机包括两个，分别用于拍摄生产线上的瓶身图像和瓶盖图像。