[发明专利]一种用于不规则图形的目标检测技术

权利要求书

1.一种用于不规则图形的目标检测技术，其特征在于，实验平台包括CPU、GPU、编程语言、CUDA。

所述的CPU内存为16G，是电子计算机的主要设备之一，电脑中的核心配件。其功能主要是解释计算机指令以及处理计算机软件中的数据。

所述的GPU为NVIDIA GeForce GTX 1080Ti，采用了16nm制程GP102核心，拥有3584个CUDA核心，224个纹理单元，88个ROP单元，搭配352-bit 11GB GDDR5X超大容量显存。该卡性能比GeForce GTX 1080提升35％，比GeForce GTX 1070提升78％，甚至超越了当前性能最强的卡皇NVIDIA TITAN X Pascal。

所述的编程语言为Python，该语言为我们提供了非常完善的基础代码库，覆盖了网络、文件GUI、数据库、文本等大量内容，被形象地称作内置电池(batteries included)。Python的开发使得许多功能不再从零开始写起，直接使用现成即可。Python除了内置的库以外，还有许多第三方库供编程者直接使用。Python的语言特点就是优雅、明确、简单。因而被广泛应用编码中。

所述的CUDA全称为Compute Unified Device Architecture，是显卡厂商NVIDIA推出的运算平台。CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。本专利使用的版本为CUDA10.0 with cudnn7.1。

2.根据权利要求1所述的系统，其特征在于对不规则图形进行快速准确的目标检测。为此所选用的算法在mobilenet_v2_224的基础上添加了全连接层，网络中的算法模型使用全卷积神经网络，并在自制数据集上进行训练和评估。本系统的实验流程为：1.安装ubuntu16.04操作系统，配置Anaconda版本为Anaconda3，python版本为3.6.5，CUDA版本为10.0，cudnn版本为7.1。Tensorflow-gpu 1.14.0以及其他所需要的安装包。2.对数据集进行预处理操作，该操作在装有Anaconda环境的pycharm中运行。3.对预处理过后的数据集使用mobilenet_v2_224_fpn算法进行目标检测。4.通过评价指标在测试集上对该模型进行评价。该过程中激活函数使用RELU函数，如公式1所示。损失函数采用点回归Loss1和边缘回归Loss2相结合的方式，Loss1如公式2所示，其中(x1，y1)，(x2，y2)，(x3，y3)，(x4，y4)为四边形四个点的真实坐标，(x1'，y1')，(x2'，y2')，(x3'，y3')，(x4'，y4')为预测坐标。Loss2如公式3所示，a，b，c，d为四边形四个角的角度。最终损失函数Loss如公式4所示。优化器选择Adam算法优化器进行优化。评价指标采用mAP(mean average precision)，mean为类的别平均，average precision为一个类别的平均精确度，P(Precision)精确率的公式如公式5所示，R(Recall)召回率的公式如公式6，其中TP为True Positive，被判定为正样本，事实上也是正样本；TN为True Negative，被判定为负样本，事实上也是负样本；FP为FalsePositive，被判定为正样本，但事实上是负样本；FN为False Negative，被判定为负样本，但事实上是正样本。因而构成PR曲线。mAP的计算则为PR曲线的面积。

Loss＝Loss1+Loss2 公式4