[发明专利]一种基于锚框的目标检测方法

说明书

本发明提供一种基于锚框的目标检测方法，基于SSD架构对目标进行检测，在特征提取部分采用Mobilenet网络架构有效增加了检测速度，准确性高，较好地平衡位置检测的速度与准确度，鲁棒性较强，提取浅层卷积的特征图像，提高了对小目标的检测准确性，本发明具有广泛的市场应用潜力。

技术领域

本发明属于图像目标检测领域，涉及一种基于锚框的目标检测方法。

背景技术

随着生产力的不断发展以及城镇化进程的加速，在农业种植领域，劳动力短缺问题愈发凸显，迫切需要使用农业机器人来全部或部分替代人高效、安全、可靠地完成复杂的任务。例如，在花卉种植行业，采摘环节需要耗费大量人力，而现有采摘农民人数远远难以达到采摘需求，且采摘效率低下。因此，迫切需要研发代替或者辅助人工作的摘花机器人以降低人工成本。在摘花机器人中，种植花卉视觉信息的获取是支撑摘花机器人作业的重要前提。因此对于花卉目标的精准定位及分类至关重要。

近些年来，随着人工智能的快速发展，基于深度学习的目标检测技术逐渐成为图像目标检测领域的主流技术方法。目前目标检测领域的深度学习方法主要分为两类：两阶段的目标检测算法和一阶段的目标检测算法。两阶段目标检测算法首先生成一系列作为样本的候选框，然后通过卷积神经网络来进行样本分类和定位回归，常见的算法有RCNN、FastRCNN、Faster RCNN等。一阶段目标检测算法是指不需要产生候选框，直接将目标框的定位问题转化为回归问题来处理。常见的算法有YOLO(You only look once)、SSD(Single ShotMultiBox Detector)等。

两阶段与一阶段目标检测方法在检测精度与检测速度方面各有利弊。通常两阶段目标检测方法的检测准确度优于一阶段目标检测方法，而检测速度则劣于一阶段目标检测方法。

农业种植领域样本形态及尺寸复杂，需要兼顾不同大小物体的目标检测，如花卉种植行业的采摘环节，需要识别三种处于不同成长期的花朵：花骨朵，花冠，大花，大小不一，而现有目标检测的方法难以同时满足农业种植领域所需的精度、准确度和速度要求。

发明内容

本发明的目的在于克服上述缺陷，提供一种基于锚框的目标检测方法，本发明方法基于SSD架构，结合Mobilenet网络及Soft NMS算法建立检测模型，实现多尺度目标的快速准确检测。

为实现上述发明目的，本发明提供如下技术方案：

一种基于锚框的目标检测方法，包括以下步骤：

S1采集待测目标图像数据集，并进行标注，得到数据集Data0；

S2对Data0进行扩增得到数据集Data1；

S3将Data1分为训练集和测试集，训练集包含样本数量大于测试集包含样本数量；

S4构建目标检测神经网络模型，并利用训练集进行训练，得到训练模型；

S5利用训练模型对图像位置进行预测，并输出分类结果。

进一步的，步骤S1中数据集Data0中的样本数量≥200；单个样本中包括多个类别的目标图像。

进一步的，步骤S1中标注的方法为人工标注；人工标注将目标区域用矩形框进行标注，从图像左上角开始按照顺时针方向排列矩形框的四个顶点坐标。

进一步的，步骤S4中目标检测神经网络模型包括特征提取模块，目标预测模块和非极大值抑制模块；

特征提取模块用于逐级提取输入图像的特征图；

目标预测模块用于在每个特征图上预置锚框，对特征融合后的特征图进行位置和类别预测；

非极大值抑制模块每个特征图上预置锚框用于除去待检测图像中冗余或无效的锚框，保留目标类别概率最大的锚框，输出锚框位置。