[发明专利]一种基于脉冲神经网络的物品检测方法及装置

权利要求书

1.一种基于脉冲神经网络的物品检测方法，其特征在于，包括：

对预置物品图像进行脉冲编码操作，得到脉冲编码图像；

将所述脉冲编码图像输入预置YOLO模型中进行检测目标的坐标提取，得到检测物坐标，所述预置YOLO模型基于脉冲神经网络构建；

基于所述检测物坐标对所述脉冲编码图像进行目标裁剪，得到目标图像；

将所述目标图像输入预置脉冲识别模型中进行目标识别，得到物品检测结果，所述预置脉冲识别模型基于Resnet和脉冲转换框架构建。

2.根据权利要求1所述的基于脉冲神经网络的物品检测方法，其特征在于，所述对预置物品图像进行脉冲编码操作，得到脉冲编码图像，之前还包括：

获取目标物品的初始图像数据后，对所述初始图像数据进行预处理操作，得到预置物品图像，所述预处理操作包括去畸变、降噪、裁剪和缩放。

3.根据权利要求1所述的基于脉冲神经网络的物品检测方法，其特征在于，所述将所述脉冲编码图像输入预置YOLO模型中进行检测目标的坐标提取，得到检测物坐标，所述预置YOLO模型基于脉冲神经网络构建，包括：

基于脉冲神经网络和预设动态标准构建预置YOLO模型；

将所述脉冲编码图像输入所述预置YOLO模型中进行检测目标的坐标提取，得到检测物坐标，所述检测物坐标为检测边界框的坐标。

4.根据权利要求1所述的基于脉冲神经网络的物品检测方法，其特征在于，所述基于所述检测物坐标对所述脉冲编码图像进行目标裁剪，得到目标图像，之前还包括：

在无法获取到所述检测物坐标的情况下，基于预置图像偏移量计算所述检测物坐标。

5.根据权利要求1所述的基于脉冲神经网络的物品检测方法，其特征在于，所述将所述目标图像输入预置脉冲识别模型中进行目标识别，得到物品检测结果，所述预置脉冲识别模型基于Resnet和脉冲转换框架构建，包括：

基于Resnet和人工神经网络搭建初始Resnet模型；

通过脉冲转换框架将所述初始Resnet模型转换为预置脉冲识别模型，所述预置脉冲识别模型的损失函数为PolyLoss函数；

将所述目标图像输入所述预置脉冲识别模型中进行目标识别，得到物品检测结果。

6.一种基于脉冲神经网络的物品检测装置，其特征在于，包括：

图像编码模块，用于对预置物品图像进行脉冲编码操作，得到脉冲编码图像；

坐标提取模块，用于将所述脉冲编码图像输入预置YOLO模型中进行检测目标的坐标提取，得到检测物坐标，所述预置YOLO模型基于脉冲神经网络构建；

图像裁剪模块，用于基于所述检测物坐标对所述脉冲编码图像进行目标裁剪，得到目标图像；

物品识别模块，用于将所述目标图像输入预置脉冲识别模型中进行目标识别，得到物品检测结果，所述预置脉冲识别模型基于Resnet和脉冲转换框架构建。

7.根据权利要求6所述的基于脉冲神经网络的物品检测装置，其特征在于，还包括：

预处理模块，用于获取目标物品的初始图像数据后，对所述初始图像数据进行预处理操作，得到预置物品图像，所述预处理操作包括去畸变、降噪、裁剪和缩放。

8.根据权利要求6所述的基于脉冲神经网络的物品检测装置，其特征在于，所述坐标提取模块，具体用于：

基于脉冲神经网络和预设动态标准构建预置YOLO模型；

将所述脉冲编码图像输入所述预置YOLO模型中进行检测目标的坐标提取，得到检测物坐标，所述检测物坐标为检测边界框的坐标。

9.根据权利要求6所述的基于脉冲神经网络的物品检测装置，其特征在于，还包括：

坐标备选模块，用于在无法获取到所述检测物坐标的情况下，基于预置图像偏移量计算所述检测物坐标。

10.根据权利要求6所述的基于脉冲神经网络的物品检测装置，其特征在于，所述物品识别模块，具体用于：

基于Resnet和人工神经网络搭建初始Resnet模型；

通过脉冲转换框架将所述初始Resnet模型转换为预置脉冲识别模型，所述预置脉冲识别模型的损失函数为PolyLoss函数；

将所述目标图像输入所述预置脉冲识别模型中进行目标识别，得到物品检测结果。