基于深度学习的目标检测系统、方法、存储介质及终端技术方案

本发明专利技术公开了基于深度学习的目标检测系统、方法、存储介质及终端，属于目标检测技术领域，系统包括第一特征提取模块、第二特征提取模块、第一输出层、第二输出层、上采样层和连接层；第一特征提取模块第一输出端与第二特征提取模块连接，第二特征提取模块第一输出端与第一输出层连接，得到像素占比大的目标物的第一输出模型；第一特征提取模块第二输出端与连接层连接，第二特征提取模块第二输出端与上采样层连接，上采样层输出端与连接层连接，连接层输出端与第二输出层连接，得到像素占比小的目标物第二输出模型。本发明专利技术包括包括两个输出，能够对不同大小的目标物进行检测，且使用深度可分卷积层进行下采样，减小了计算量的同时避免了细节特征消失。

Target detection system, method, storage medium and terminal based on deep learning

The invention discloses a target detection system, method, storage medium and terminal based on deep learning, belonging to the technical field of target detection. The system includes a first feature extraction module, a second feature extraction module, a first output layer, a second output layer, an upper sampling layer and a connection layer; the first output end of the first feature extraction module is connected with the second feature extraction module, and the second feature extraction module The first output terminal of the module is connected with the first output layer to obtain the first output model of the object with large pixel proportion; the second output terminal of the first feature extraction module is connected with the connection layer, the second output terminal of the second feature extraction module is connected with the upper sampling layer, the output terminal of the upper sampling layer is connected with the connection layer, and the output terminal of the connection layer is connected with the second output layer to obtain the object with small pixel proportion The second output model. The invention includes two outputs, which can detect the objects of different sizes, and use the depth separable convolution layer for down sampling, which reduces the calculation amount and avoids the disappearance of detailed features.

【技术实现步骤摘要】
基于深度学习的目标检测系统、方法、存储介质及终端
本专利技术涉及目标检测
，尤其涉及基于深度学习的目标检测系统、方法、存储介质及终端。
技术介绍
随着国家低空空域的开放及科学技术的飞速发展，各类低空飞行器的机动性、可操作性不断增强，民用、军用小型航空器数量急剧增加，空中安全形势严峻。因此迫切需要研究对低空空域可靠的监测技术。此前，空中飞行物探测主要使用各类雷达实现，而针对体积小、速度慢的低空飞行目标(以下简称低慢小目标)，军用的超低空补盲雷达造价昂贵难以大量部署，针对小目标效果不佳，且无法民用。目前利用光电手段采集低空图像以发现低慢小目标是一种有效的方法，仅需要一个摄像头搭配计算机即可工作，适用场景广泛且可大量部署。对单帧灰度图像实现低慢小目标的有效检测包括多种算法，其中主要是频域法，和神经网络法。其中频域法从频域处理图像，常用的手段有小波变换、形态学滤波等，这类算法可以有效提取孤立目标，但是容易出现虚假目标，对存在大量杂波的场景下无法完成任务。而利用神经网络确立低慢小目标时，需要处理的实验数据较多，计算量大，不能对不同大小的目标物进行准确检测，且无法避免低慢小目标的细节特征消失的问题，导致对低慢小目标检测的准确率不高。
技术实现思路
本专利技术的目的在于克服现有技术无法避免低慢小目标的细节特征消失的问题，提供基于深度学习的目标检测系统、方法、存储介质及终端。本专利技术的目的是通过以下技术方案来实现的：基于深度学习的目标检测系统，具体包括包括第一特征提取模块、第二特征提取模块、第一输出层、第二输出层、上采样层和连接层；所述第一特征提取模块第一输出端与所述第二特征提取模块连接，所述第二特征提取模块第一输出端与所述第一输出层连接，得到用于检测像素占比大的目标物第一输出模型；所述第一特征提取模块第二输出端与所述连接层连接，所述第二特征提取模块第二输出端与上采样层连接，所述上采样层输出端与所述连接层连接，所述连接层输出端与所述第二输出层连接，得到用于检测像素占比小的目标物的第二输出模型。具体地，第一特征提取模块包括第一普通卷积块和若干下采样块，所述下采样块包括普通卷积块和下采样深度可分卷积块，所述普通卷积块输出端与所述下采样深度可分卷积块连接；所述普通卷积块包括第一卷积层、第一批归一化层和第一leakyReLU层，所述第一卷积层输出端与所述第一批归一化层连接，所述第一批归一化层输出端与所述第一leakyReLU层连接；所述下采样深度可分卷积块包括第一深度可分卷积层、第二批归一化层和第二leakyReLU层，所述第一深度可分卷积层输出端与所述第二批归一化层连接，所述第二批归一化层输出端与所述第二leakyReLU层连接。具体地，第二特征提取模块包括第五下采样块、第一逐点卷积块、若干深度可分卷积残差块、第二逐点卷积块、第四深度可分卷积残差块、第三逐点卷积块；所述第五下采样块输出端与所述第一逐点卷积块连接，所述第一逐点卷积块与若干深度可分卷积残差块连接，所述若干深度可分卷积残差块输出端与所述第二逐点卷积块连接，所述第二逐点卷积块输出端与所述第四深度可分卷积残差块连接，所述第四深度可分卷积残差块与所述第三逐点卷积块连接。具体地，逐点卷积块包括第二卷积层、第四批归一化层和第四leakyReLU层，所述第二卷积层输出端与所述第四批归一化层连接，所述第四批归一化层输出端与所述第四leakyReLU层连接；具体地，深度可分卷积块包括第二深度可分卷积层、第三批归一化层和第三leakyReLU层，所述第二深度可分卷积层输出端与所述第三批归一化层连接，所述第三批归一化层输出端与所述第三leakyReLU层连接。具体地，深度可分卷积残差块包括相加层和若干深度可分卷积块，所述若干深度可分卷积残差块依次连接，且深度可分卷积残差块输出端与所述相加层连接；所述深度可分卷积残差块包括第二深度可分卷积层、第三批归一化层和第三leakyReLU层，所述第二深度可分卷积层输出端与所述第三批归一化层连接，所述第三批归一化层输出端与所述第三leakyReLU层连接。具体地，系统还包括输出转换模块，输出层输出端与所述输出转换模块连接，以将输出模型转换为具体目标信息；所述输出层包括普通卷积块和卷积层，所述普通卷积块输出端与所述卷积层连接。本专利技术还包括一种基于深度学习的目标检测系统的方法，方法包括：第一特征提取模块对输入图像进行下采样处理，得到保留局部特征信息的第一特征图；第二特征提取模块对第一特征图进行特征提取得到第二特征图，第一输出层使用大anchor框对所述第二特征图进行处理，得到对应像素占比大的目标物的第一输出模型；上采样层对所述第二特征图进行上采样处理，连接层将完成上采样处理的第二特征图与第一特征图的特征进行连接得到第三特征图并输出至第二输出层，第二输出层使用小anchor框对所述第三特征图进行处理，得到对应像素占比大的目标物的第二输出模型。本专利技术还包括一种存储介质，其上存储有计算机指令，计算机指令运行时执行一种基于深度学习的目标检测系统的方法的步骤。本专利技术还包括一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行一种基于深度学习的目标检测系统的方法的步骤。与现有技术相比，本专利技术有益效果是：(1)本专利技术经第一特征提取模块、第二特征提取模块和第一输出层得到用于检测像素占比大的目标物的第一输出模型；第二特征提取模块输出的特征图经上采样层采样后与第一特征提取模块输出的特征图经连接层连接，最后经第二输出层输出，得到用于检测像素占比小的目标物的第二输出模型，进一步实现小目标物的检测，提升了对小目标物的分类效果，针对低慢小飞行物的检测具有准确率高、检出率高、鲁棒性高的特点。(2)本专利技术使用深度可分卷积层作为系统模型的下采样的方式，取代传统卷积神经网络中池化层作为下采样的方式，保证计算量不会过大，同时避免了池化层造成的细节特征消失。(3)本专利技术本专利技术大量使用深度可分卷积替代传统的卷积操作，降低了网络中的参数冗余度，在同等计算资源条件下，可以构建更深层的网络(本专利技术模型中使用了达到4个残差块，而使用传统卷积，单一个残差块计算量就会超过本模型，在有限计算资源下甚至不需要使用残差连接)以提高了网络计算效益。附图说明下面结合附图对本专利技术的具体实施方式作进一步详细的说明，此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，在这些附图中使用相同的参考标号来表示相同或相似的部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。图中：图1为本专利技术实施例1的系统框图；图2为本专利技术实施例1的模块示意图；图3位本专利技术实施例1的检测效果示意图。具体实施方式下面结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员本文档来自技高网...

【技术保护点】
1.基于深度学习的目标检测系统，其特征在于：所述系统包括第一特征提取模块、第二特征提取模块、第一输出层、第二输出层、上采样层和连接层；/n所述第一特征提取模块第一输出端与所述第二特征提取模块连接，所述第二特征提取模块第一输出端与所述第一输出层连接，得到用于检测像素占比大的目标物的第一输出模型；/n所述第一特征提取模块第二输出端与所述连接层连接，所述第二特征提取模块第二输出端与上采样层连接，所述上采样层输出端与所述连接层连接，所述连接层输出端与所述第二输出层连接，得到用于检测像素占比小的目标物的第二输出模型。/n

【技术特征摘要】
1.基于深度学习的目标检测系统，其特征在于：所述系统包括第一特征提取模块、第二特征提取模块、第一输出层、第二输出层、上采样层和连接层；
所述第一特征提取模块第一输出端与所述第二特征提取模块连接，所述第二特征提取模块第一输出端与所述第一输出层连接，得到用于检测像素占比大的目标物的第一输出模型；
所述第一特征提取模块第二输出端与所述连接层连接，所述第二特征提取模块第二输出端与上采样层连接，所述上采样层输出端与所述连接层连接，所述连接层输出端与所述第二输出层连接，得到用于检测像素占比小的目标物的第二输出模型。


2.根据权利要求1所述的基于深度学习的目标检测系统，其特征在于：所述第一特征提取模块包括第一普通卷积块和若干下采样块，所述下采样块包括普通卷积块和下采样深度可分卷积块，所述普通卷积块输出端与所述下采样深度可分卷积块连接；
所述普通卷积块包括第一卷积层、第一批归一化层和第一leakyReLU层，所述第一卷积层输出端与所述第一批归一化层连接，所述第一批归一化层输出端与所述第一leakyReLU层连接；
所述下采样深度可分卷积块包括第一深度可分卷积层、第二批归一化层和第二leakyReLU层，所述第一深度可分卷积层输出端与所述第二批归一化层连接，所述第二批归一化层输出端与所述第二leakyReLU层连接。


3.根据权利要求1所述的基于深度学习的目标检测系统，其特征在于：所述第二特征提取模块包括第五下采样块、第一逐点卷积块、若干深度可分卷积残差块、第二逐点卷积块、第四深度可分卷积残差块、第三逐点卷积块；
所述第五下采样块输出端与所述第一逐点卷积块连接，所述第一逐点卷积块与若干深度可分卷积残差块连接，所述若干深度可分卷积残差块输出端与所述第二逐点卷积块连接，所述第二逐点卷积块输出端与所述第四深度可分卷积残差块连接，所述第四深度可分卷积残差块与所述第三逐点卷积块连接。


4.根据权利要求3所述的基于深度学习的目标检测系统，其特征在于：所述逐点卷积块包括第二卷积层、第四批归一化层和第四leakyReLU层，所述第二卷积层输出端与所述第四批归一化层连接，所述第四批归一化层输出端与所述第四leakyReLU层连接。

【专利技术属性】
技术研发人员：邓建华，贤天奎，俞泉泉，孙一鸣，钱璨，王云，周群芳，范满平，
申请(专利权)人：成都容豪电子信息科技有限公司，
类型：发明
国别省市：四川;51