[发明专利]一种基于像素级强化特征多尺度融合的微小目标检测方法

说明书

本发明提出了一种基于像素级强化特征多尺度融合的微小目标检测方法，该方法首先对原始输入图像进行每个像素点的标注和整张图像的标注，随后对原始输入图像进行特征提取和增强，通过抽取和融合多尺度特征层并对融合后的各特征层进行权重分配，最终得到微小目标的类别。本发明能够较好地满足微小目标检测任务，且高效准确，提高了微小目标检测的精准度与效率，具有很高的应用价值和经济效益，通过实际验证证明了此方法能够较好地应用到物体表面的微小目标检测任务中。

技术领域

本发明涉及任何物体表面目标检测技术领域，特别是涉及物体表面的微小目标检测。

背景技术

微小目标的检测应用于多个领域，其中包括机械制造业、医学、建筑、电子等领域。然而，物体表面的微小目标检测任务在精度上一直是一大挑战，其低精度的检测结果远达不到检测要求。

随着现代智能化水平的提高，人们对机器视觉中的目标检测要求也越来越苛刻，不仅需要高的精准度及效率，同时检测的目标也越来越小。传统的微小目标检测采用人工检测方法，人工检测无统一标准，漏检与误检率高且效率低，无法满足精度和效率要求。因此，急需突破当前基于人工检测的微小目标检测方法，提高微小目标检测的自动化智能化水平，为人们提供一种智能化的方法来提高微小目标检测的效率与准确度。

发明内容

本发明要解决的技术问题是：如何准确、高效地检测出物体表面的微小目标。

为了解决上述技术问题，本发明的技术方案是提供了一种基于像素级强化特征多尺度融合的微小目标检测方法，其特征在于，包括以下步骤：

步骤1：建立并训练微小目标检测网络模型，该微小目标检测网络模型包含第一阶段网络模型和第二阶段网络模型，其中，第一阶段网络模型为视觉目标引导的特征强化模型，通过目标与每个像素点的映射关系，对微小目标的细节特征进行像素级强化；第二阶段网络模型导出并融合第一阶段网络模型中的多尺度特征层，设计特征权重分配模块，对融合后的多尺度特征层进行权重分配，作为目标分类网络的输入数据，最终得到微小目标的类别，则对微小目标检测网络模型进行训练包括以下步骤：

步骤101：由微小目标检测装置采集得到一定数量的训练图像数据，对第一阶段网络模型所使用的训练图像数据以及第二阶段网络模型所使用的训练图像数据进行标注，从而得到训练图像数据集，其中：

对第一阶段网络模型所使用的训练图像数据进行标注时采用以下方式：

使用像素级的标注方法，对训练图像中每个像素点进行标注；当共有N类微小目标时，每个像素点根据其属于某个目标而被标注为N+1种标签中对应的标签值，其中，1种标签值代表当前像素点属于图像背景，剩余N种标签值分别代表当前像素点属于微小目标的类型；

第二阶段网络模型所使用的训练图像数据进行标注时采用以下方式：

依据每个训练图像是否包含微小目标以及所包含的微小目标所属类型，对每个训练图像标注对应的标签值；当共有N类微小目标时，每个训练图像根据其属于某个目标而被标注为N+1种标签中对应的标签值，其中，1种标签值代表当前训练图像未包含微小目标，剩余N种标签值分别代表当前训练图像所包含的微小目标的类型；

步骤102：将步骤101得到的用于训练第一阶段网络模型的训练图像数据集送入到第一阶段网络模型中，通过第一阶段网络模型的正向传播和反向传播进行训练，从而建立图像中每个像素正确的映射关系；

步骤103：通过不断地迭代和优化，当第一阶段网络模型的损失值小于指定阈值时，停止第一阶段网络模型的训练，转入第二阶段网络模型的训练；

步骤104：将步骤101得到的用于训练第二阶段网络模型的训练图像数据集送入到训练好的第一阶段网络模型中，抽取和融合第一阶段网络模型中的多尺度特征，并由权重分配网络对融合后的特征进行权重分配；由第二阶段网络模型计算得到的损失值进行反向传播，从而优化第二阶段网络模型参数变量；