[发明专利]基于小样本学习的异物检测方法以及相关设备

权利要求书

1.一种基于小样本学习的异物检测方法，其特征在于，包括：

确定待检测图像以及第一支持图像集，所述第一支持图像集包括N类第一支持图像，每类所述第一支持图像包含至少一张第一支持图像，每张所述第一支持图像具有预先标记的异物区域及异物类型，每类所述第一支持图像中每张第一支持图像的异物类型相同；

基于预先训练的权重共享的特征提取网络对所述待检测图像以及所述第一支持图像集进行特征提取，以获得所述待检测图像的待测特征以及所述第一支持图像集的支持特征集，其中所述支持特征集包括每类第一支持图像对应的支持特征；

将所述待测特征分别与每类所述支持特征进行加权融合得到对应的N类加权待测特征；

将每类所述加权待测特征分别输入RPN网络，以使所述RPN网络确定所述待检测图像中可能包含N类异物中每类异物的至少一个候选区域特征；

学习所述每类异物的至少一个候选区域特征与对应类别的支持特征之间的匹配关系；

在所述每类异物的至少一个候选区域特征与对应类别的支持特征之间的匹配关系中，选择满足预设条件的目标匹配关系；

根据所述目标匹配关系对应的候选区域特征与所述目标匹配关系对应的候选区域特征对应的异物类型，确定所述待检测图像中的异物类型以及异物区域。

2.根据权利要求1所述的方法，其特征在于，所述学习所述每类异物的至少一个候选区域特征与对应类别的支持特征之间的匹配关系，包括：

对每类异物的至少一个候选区域特征及对应类别的支持特征分别进行感兴趣区域池化处理；

学习进行感兴趣区域池化处理后的每个所述候选区域特征与对应类别的进行感兴趣区域池化处理后的支持特征在多种像素尺度上的匹配关系，综合多种所述像素尺度上的匹配关系得到每个所述候选区域与对应类别的支持特征的匹配关系。

3.根据权利要求2所述的方法，其特征在于，所述学习进行感兴趣区域池化处理后的每个所述候选区域特征与对应类别的进行感兴趣区域池化处理后的支持特征在多种像素尺度上的匹配关系，综合多种所述像素尺度上的匹配关系得到每个所述候选区域与对应类别的支持特征的匹配关系，包括：

将进行感兴趣区域池化处理后的每个所述候选区域特征与对应类别的进行感兴趣区域池化处理后的支持特征在通道维度上连接，将连接后的特征进行第一卷积处理得到第一像素尺度上的匹配关系；

将进行感兴趣区域池化处理后的每个所述候选区域特征与对应类别的进行感兴趣区域池化处理后的支持特征在通道维度上连接，对连接后的特征进行平均池化处理，将平均池化处理后的特征进行所述第一卷积处理得到第二像素尺度上的匹配关系；

将进行感兴趣区域池化处理后的每个所述候选区域特征与对应类别的进行感兴趣区域池化处理后的支持特征在对应的通道维度上进行第二卷积处理，将第二卷积处理后的特征进行所述第一卷积处理得到第三像素尺度上的匹配关系；

将所述第一像素尺度上的匹配关系、所述第二像素尺度上的匹配关系及所述第三像素尺度上的匹配关系相加，得到每个所述候选区域与对应类别的支持特征的匹配关系。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

依次从预设的训练数据集中选择每张图像作为待训练图像；

从预设的训练数据集中选择除所述待训练图像之外的多张图像作为第二支持图像集；

基于所述每张待训练图像以所述每张待训练图像及对应的所述第二支持图像集对权重共享的初始特征提取网络进行训练，以得到所述权重共享的特征提取网络。

5.根据权利要求1所述的方法，其特征在于，所述将所述待测特征分别与每类所述支持特征进行加权融合得到对应的N类加权待测特征，包括：

基于每类支持特征对应的支持图像的异物区域的坐标信息，确定每类所述支持特征中对应的异物区域；

将每类所述支持特征中对应的异物区域的特征分离出来，以得到每类所述支持特征对应的异物特征；

使用每类所述异物特征对所述待测特征进行加权，以获得对应的N类加权待测特征。