图像检测方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术提出一种图像检测方法、装置、计算机设备及存储介质，其中，方法包括：对采集的图像进行规则切分，形成多个第一图像分片；将第一图像分片输入到第一层联合神经网络中进行目标检测，得到第一检测结果；其中，第一检测结果中包括第一图像分片的第一位置信息和第一类别信息；从图像中截取与第一位置信息匹配的第二图像分片；将第二图像分片输入到第二层联合神经网络中进行目标检测，得到第二检测结果；其中，第二检测结果中包括第二图像分片的第二位置信息和第二类别信息；根据第二类别信息，确定第二图像分片中所属的目标类别和目标类别的置信度。通过本方法，极大地减少了需要检测的区域数量，能够缩短检测耗时，提高检测效率和检测精度。

Image Detection Method, Device, Computer Equipment and Storage Media

【技术实现步骤摘要】
图像检测方法、装置、计算机设备及存储介质
本专利技术涉及轨道交通
，尤其涉及一种图像检测方法、装置、计算机设备及存储介质。
技术介绍
在轨道交通领域，随着无人驾驶技术的研究热度不断攀升，如何检测列车前方的障碍物以保证列车安全运行逐渐成为研究热点。目前，主要通过目标检测来识别列车前方的障碍物。相关技术中，主要采用区域卷积神经网络特征(RegionswithConvolutionalNeuralNetworkFeatures，RCNN)算法实现目标检测。然而，RCNN算法主要针对较大的目标进行检测，而列车行驶过程中需要检测的目标相对较小，采用RCNN算法进行检测的检测效果较差，准确度低。此外，由于列车行驶速度较快，对于实时性要求较高，而RCNN算法针对每一张图像都要选出2000～3000个候选区域进行检测，耗时较长，检测效率低，难以满足实时性要求。
技术实现思路
本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的第一个目的在于提出一种图像检测方法，以将采集的图像切分成多个图像分片后进行两次检测，得到检测结果。通过将采集的图像切分成多个图像分片进行检测，极大地减少了需要检测的区域数量，能够缩短检测耗时，提高检测效率，满足实时性要求；通过进行两次检测，能够提高检测精度和检测效果，提高在列车运行场景中的适应性。本专利技术的第二个目的在于提出一种图像检测装置。本专利技术的第三个目的在于提出一种计算机设备。本专利技术的第四个目的在于提出一种非临时性计算机可读存储介质。本专利技术的第五个目的在于提出一种计算机程序产品。为达上述目的，本专利技术第一方面实施例提出了一种图像检测方法，包括：采集图像，对所述图像进行规则切分，形成多个第一图像分片；将所述第一图像分片输入到第一层联合神经网络中进行目标检测，得到第一检测结果；其中，所述第一检测结果中包括所述第一图像分片的第一位置信息和第一类别信息；所述第一层联合神经网络中包括对所述第一图像分片进行位置检测的第一位置预测神经网络和对所述第一图像分片进行目标类别检测的第一分类神经网络；从所述图像中截取与所述第一位置信息匹配的第二图像分片；将所述第二图像分片输入到第二层联合神经网络中进行目标检测，得到所述第二检测结果；其中，所述第二检测结果中包括所述第二图像分片的第二位置信息和第二类别信息；其中，所述第二层联合神经网络包括对所述第二图像分片进行位置检测的第二位置预测神经网络和对所述第二图像分片进行目标类别检测的第二分类神经网络；根据所述第二类别信息，确定所述第二图像分片中所属的目标类别和所述目标类别的置信度。本专利技术实施例的图像检测方法，通过对采集的图像进行规则切分形成多个第一图像分片，将第一图像分片输入到第一层联合神经网络中进行目标检测，得到包含第一图像分片的第一位置信息的第一检测结果，再从图像中截取与第一位置信息匹配的第二图像分片，将第二图像分片输入到第二层联合神经网络中进行目标检测，得到包含第二图像分片的第二类别信息的第二检测结果，进而根据第二类别信息确定第二图像分片所属的目标类别和目标类别的置信度。通过将采集的图像切分成多个图像分片进行检测，极大地减少了需要检测的区域数量，缩短了检测耗时，提高了检测效率，满足了实时性要求；通过进行两次检测，提高了检测精度和检测效果，提高了在列车运行场景中的适应性。为达上述目的，本专利技术第二方面实施例提出了一种图像检测装置，包括：切分模块，用于采集图像，并对所述图像进行规则切分，形成多个第一图像分片；第一检测模块，用于将所述第一图像分片输入到第一层联合神经网络中进行目标检测，得到第一检测结果；其中，所述第一检测结果中包括所述第一图像分片的第一位置信息和第一类别信息；所述第一层联合神经网络中包括对所述第一图像分片进行位置检测的第一位置预测神经网络和对所述第一图像分片进行目标类别检测的第一分类神经网络；图片截取模块，用于从所述图像中截取与所述第一位置信息匹配的第二图像分片；第二检测模块，用于将所述第二图像分片输入到第二层联合神经网络中进行目标检测，得到所述第二检测结果；其中，所述第二检测结果中包括所述第二图像分片的第二位置信息和第二类别信息；其中，所述第二层联合神经网络包括对所述第二图像分片进行位置检测的第二位置预测神经网络和对所述第二图像分片进行目标类别检测的第二分类神经网络；确定模块，用于根据所述第二类别信息，确定所述第二图像分片所属的目标类别和所述目标类别的置信度。本专利技术实施例的图像检测装置，通过对采集的图像进行规则切分形成多个第一图像分片，将第一图像分片输入到第一层联合神经网络中进行目标检测，得到包含第一图像分片的第一位置信息的第一检测结果，再从图像中截取与第一位置信息匹配的第二图像分片，将第二图像分片输入到第二层联合神经网络中进行目标检测，得到包含第二图像分片的第二类别信息的第二检测结果，进而根据第二类别信息确定第二图像分片所属的目标类别和目标类别的置信度。通过将采集的图像切分成多个图像分片进行检测，极大地减少了需要检测的区域数量，缩短了检测耗时，提高了检测效率，满足了实时性要求；通过进行两次检测，提高了检测精度和检测效果，提高了在列车运行场景中的适应性。为达上述目的，本专利技术第三方面实施例提出了一种计算机设备，包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如第一方面实施例所述的图像检测方法。为达上述目的，本专利技术第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面实施例所述的图像检测方法。为达上述目的，本专利技术第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时实现如第一方面实施例所述的图像检测方法。本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明本专利技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为本专利技术实施例一所提供的图像检测方法的流程示意图；图2为本专利技术实施例二所提供的图像检测方法的流程示意图；图3为本专利技术实施例中根据第一类别信息和第二类别信息确定第二图像分片所属的目标类别和目标类别的置信度的方法流程示意图；图4为本专利技术实施例一所提供的图像检测装置的结构示意图；图5为本专利技术实施例二所提供的图像检测装置的结构示意图；图6为本专利技术实施例三所提供的图像检测装置的结构示意图；以及图7为本专利技术实施例所提供的计算机设备的结构示意图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。下面参考附图描述本专利技术实施例的图像检测方法、装置、计算机设备及存储介质。现有技术中，通常采用RCNN算法进行目标检测，具体过程如下：首先，利用SelectiveSearch算法从一张图像中选择2000～3000个候选区域，具体地，充分分割待检测的图像，将图像分割成多个小区域后，再根据一定的规则合并可能性最高的两个区域，直到最终合本文档来自技高网...

【技术保护点】
1.一种图像检测方法，其特征在于，包括：采集图像，对所述图像进行规则切分，形成多个第一图像分片；将所述第一图像分片输入到第一层联合神经网络中进行目标检测，得到第一检测结果；其中，所述第一检测结果中包括所述第一图像分片的第一位置信息和第一类别信息；所述第一层联合神经网络中包括对所述第一图像分片进行位置检测的第一位置预测神经网络和对所述第一图像分片进行目标类别检测的第一分类神经网络；从所述图像中截取与所述第一位置信息匹配的第二图像分片；将所述第二图像分片输入到第二层联合神经网络中进行目标检测，得到所述第二检测结果；其中，所述第二检测结果中包括所述第二图像分片的第二位置信息和第二类别信息；其中，所述第二层联合神经网络包括对所述第二图像分片进行位置检测的第二位置预测神经网络和对所述第二图像分片进行目标类别检测的第二分类神经网络；根据所述第二类别信息，确定所述第二图像分片所属的目标类别和所述目标类别的置信度。

【技术特征摘要】
1.一种图像检测方法，其特征在于，包括：采集图像，对所述图像进行规则切分，形成多个第一图像分片；将所述第一图像分片输入到第一层联合神经网络中进行目标检测，得到第一检测结果；其中，所述第一检测结果中包括所述第一图像分片的第一位置信息和第一类别信息；所述第一层联合神经网络中包括对所述第一图像分片进行位置检测的第一位置预测神经网络和对所述第一图像分片进行目标类别检测的第一分类神经网络；从所述图像中截取与所述第一位置信息匹配的第二图像分片；将所述第二图像分片输入到第二层联合神经网络中进行目标检测，得到所述第二检测结果；其中，所述第二检测结果中包括所述第二图像分片的第二位置信息和第二类别信息；其中，所述第二层联合神经网络包括对所述第二图像分片进行位置检测的第二位置预测神经网络和对所述第二图像分片进行目标类别检测的第二分类神经网络；根据所述第二类别信息，确定所述第二图像分片所属的目标类别和所述目标类别的置信度。2.根据权利要求1所述的方法，其特征在于，所述将所述第一图像分片输入到第一层联合神经网络中进行目标检测，得到第一检测结果，包括：将所述第一图像分片输入到所述第一位置预测神经网络中，得到所述第一图像分片的所述第一位置信息和所述第一图像分片的特征信息；其中，所述第一位置信息中包括所述第一图像分片的坐标信息和形状信息；将所述第一图像分片的形状信息和特征信息，输入到所述第一分类神经网络中，得到所述第一类别信息；其中，所述第一类别信息包括所述第一图像分片对应的第一目标类别和属于所述第一目标类别的第一概率。3.根据权利要求2所述的方法，其特征在于，所述将所述第一图像分片的形状信息和特征信息，输入到所述第一分类神经网络中，得到所述第一类别信息，包括：将所述第一图像分片的形状信息和特征信息输入到所述第一分类神经网络中，得到所述第一图像分片属于每个类别的第一概率；将最大所述第一概率对应的类别作为所述第一目标类别；利用所述第一目标类别和所述第一目标类别的所述第一概率，形成所述第一类别信息。4.根据权利要求1所述的方法，其特征在于，所述将所述第二图像分片输入到第二层联合神经网络中进行目标检测，得到所述第二检测结果，包括：将所述第二图像分片输入到所述第二位置预测神经网络中，得到所述第二图像分片的所述第二位置信息和所述第二图像分片的特征信息；其中，所述第二位置信息中包括所述第二图像分片的坐标信息和形状信息；将所述第二图像分片的形状信息和特征信息，输入到所述第二分类神经网络中，得到所述第二类别信息；其中，所述第一类别信息包括所述第一图像分片对应的第二目标类别和属于所述第二目标类别的第二概率。5.根据权利要求4所述的方法，其特征在于，所述将所述第二图像分片形状信息和特征信息，输入到所述第二分类神经网络中，得到所述第二类别信息，包括：将所述第二图像分片的形状信息和所述特征信息输入到所述第二分类神经网络中，得到所述第二图像分片属于每个类别的第二概率；将最大所述第二概率对应的类别作为所述第二目标类别；利用所述第二目标类别和所述第二目标类别的所述第二概率，形成所述第二类别信息。6.根据权利要求2所述的方法，其特征在于，所述从所述图像中截取与所述第一位置信息匹配的第二图像分片，包括：根据所述第一位置信息中的坐标信息，在所述图像中进行定位；从所述图像中所定位的位置，按照所述第一位置信息中的形状信息，截取所述第二图像分片。7.根据权利要求1-6任一项所述的方法，其特征在于，所述得到所述第二检测结果后，还包括：根据所述第一类别信息和所述第二类别信息，确定所述第二图像分片所属的目标类别和所述目标类别的置信度。8.根据权利要求7所述的方法，其特征在于，所述第一类别信息中包括所述第一图像分片所属的第一目标类别和所述第一目标类别的第一概率；所述第二类别信息中包括所述第二图像分片所属的第二目标类别和所述第二目标类别的第二概率...

【专利技术属性】
技术研发人员：龙学珠，
申请(专利权)人：比亚迪股份有限公司，
类型：发明
国别省市：广东,44