一种小目标物体检测方法技术

本发明专利技术公开的小目标物体检测方法，涉及计算机技术领域，利用每一次卷积和下采样过程中采集到的特征图像，将每一次的特征与下一次下采样输出的特征进行叠加，实现了利用丢失信息少的大尺寸特征图像预测小目标物体，用经过多次卷积获得的语义信息更抽象的小尺寸特征图像来预测大目标物体，提高了预测结果的精确度。

【技术实现步骤摘要】
一种小目标物体检测方法
本专利技术涉及计算机
，具体涉及一种小目标物体检测方法。
技术介绍
对于菌落等小目标物体的检测，传统的方案为先在培养皿上面培养菌落，然后采用人眼观察并以黑色记号笔在培养皿上面做记号并计数。整个过程工作量大、枯燥繁琐且重复性劳动比较多且由于其中很多菌落都是非常细小的，使得在计数过程中人眼非常容易看花眼，需要不断聚集精神地看，容易陷入疲劳，导致效率低，人工成本高。为了提高效率、降低人工成本，当前对小目标物体的检测主要通过卷积神经网络模型对原始图像进行卷积和池化操作，获得不同尺寸的特征图像，预测最后一层的特征图像，忽略了其他层的特征图像，精确度不高。
技术实现思路
为解决现有技术的不足，本专利技术实施例提供了一种小目标物体检测方法，该方法包括以下步骤：S1利用卷积神经网络模型对小目标物体所在的原始图像连续多次进行下采样，得到多个特征图像；S2卷积神经网络模型根据下采样的时间先后顺序，对所述多个特征图像进行排序，得到特征图像组；S3卷积神经网络模型选取该特征图像组中处于最后的n张特征图像，根据尺寸大小顺序，将该n张特征图像依次记为C1、C2、C3…Cn；S4利用卷积神经网络模型，对特征图像Cn进行1*1进行卷积操作，得到特征图像Mn；S5利用卷积神经网络模型，对特征图像进行Mn上采样，得到尺寸与特征图像C4一致的特征图像Mn-；S6利用卷积神经网络模型，对特征图像Cn-1进行1*1进行卷积操作，得到特征图像Cn-1-；S7利用卷积神经网络模型，将特征图像Mn-与特征图像Cn-1-进行叠加，得到特征图像Mn-1；S8重复上述步骤S6-S7，得到特征图像Mn-2…特征图像M2、特征图像M1；S9利用卷积神经网络模型，分别对特征图像M1、特征图像M2、特征图像M3…特征图像Mn-1、特征图像Mn进行卷积操作，使得特征图像M1、特征图像M2、特征图像M3…特征图像Mn-1、特征图像Mn的输出通道数相同；S10卷积神经网络模型采用尺寸大小为[8*8，16*16，32*32，64*64，128*128…2n+2*2n+2]n组预测框分别预测特征图像M1、特征图像M2、特征图像M3…特征图像Mn-1、特征图像Mn中的小目标物体。优选地，特征图像M1、特征图像M2、特征图像M3…特征图像Mn-1、特征图像Mn输出通道数均为256。优选地，n的值为5。本专利技术实施例提供的小目标物体检测方法具有以下有益效果：充分利用了每一次卷积和下采样过程中采集到的特征图像，将每一次的特征与下一次下采样输出的特征进行叠加，实现了利用丢失信息少的大尺寸特征图像预测小目标物体，用经过多次卷积获得的语义信息更抽象的小尺寸特征图像来预测大目标物体，使得最终的预测结果更为精确。附图说明图1为本专利技术实施例提供的小目标物体检测方法流程示意图；图2a-图2d为采用本专利技术实施例提供的小目标物体检测方法得到的效果示意图。具体实施方式以下结合附图和具体实施例对本专利技术作具体的介绍。如图1所示，本专利技术实施例提供的小目标物体检测方法包括以下步骤：S101，利用卷积神经网络模型对小目标物体所在的原始图像连续多次进行下采样，得到多个特征图像；S102，卷积神经网络模型根据下采样的时间先后顺序，对多个特征图像进行排序，得到特征图像组；S103，卷积神经网络模型选取该特征图像组中处于最后的n张特征图像，根据尺寸大小顺序，将该n张特征图像依次记为C1、C2、C3…Cn；S104，利用卷积神经网络模型，对特征图像Cn进行1*1进行卷积操作，得到特征图像Mn；S105，利用卷积神经网络模型，对特征图像进行Mn上采样，得到尺寸与特征图像C4一致的特征图像Mn-；S106，利用卷积神经网络模型，对特征图像Cn-1进行1*1进行卷积操作，得到特征图像Cn-1-；S107，利用卷积神经网络模型，将特征图像Mn-与特征图像Cn-1-进行叠加，得到特征图像Mn-1，通过逐像素相加实现不同特征图像之间信息的融合；S108，重复步骤S106-S107，得到特征图像Mn-2…特征图像M2、特征图像M1；S109，利用卷积神经网络模型，分别对特征图像M1、特征图像M2、特征图像M3…特征图像Mn-1、特征图像Mn进行卷积操作，使得特征图像M1、特征图像M2、特征图像M3…特征图像Mn-1、特征图像Mn的输出通道数相同；S110，卷积神经网络模型采用尺寸大小为[8*8，16*16，32*32，64*64，128*128…2n+2*2n+2]n组预测框分别预测特征图像M1、特征图像M2、特征图像M3…特征图像Mn-1、特征图像Mn中的小目标物体。通过预测框在特征图像上面滑动，对每次滑动后的结果进行分类，实现特征图像中小目标物体上的检测。可选地，特征图像M1、特征图像M2、特征图像M3…特征图像Mn-1、特征图像Mn的输出通道数均为256。其中，该输出通道数与卷积神经网络模型的参数量和计算能力有关。可选地，n的值为5。一般来说，n的值越大，最终的预测结果越精确，但是由于每次都进行一次上采样，所以越往后就计算量越大，所以，5次是在精度和计算量之间进行了衡量后优先选取的数值。本专利技术实施例提供的小目标物体检测方法，利用每一次卷积和下采样过程中采集到的特征图像，将每一次的特征与下一次下采样输出的特征进行叠加，实现了利用丢失信息少的大尺寸特征图像预测小目标物体，用经过多次卷积获得的语义信息更抽象的小尺寸特征图像来预测大目标物体，提高了预测结果的精确度。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。本文档来自技高网...

【技术保护点】
1.一种小目标物体检测方法，其特征在于，包括：/nS1对小目标物体所在的原始图像连续多次进行下采样，得到多个特征图像；/nS2根据下采样的时间先后顺序，对所述多个特征图像进行排序，得到特征图像组；/nS3选取所述特征图像组中处于最后的n张特征图像，根据尺寸大小顺序，将所述n张特征图像依次记为C

【技术特征摘要】
1.一种小目标物体检测方法，其特征在于，包括：
S1对小目标物体所在的原始图像连续多次进行下采样，得到多个特征图像；
S2根据下采样的时间先后顺序，对所述多个特征图像进行排序，得到特征图像组；
S3选取所述特征图像组中处于最后的n张特征图像，根据尺寸大小顺序，将所述n张特征图像依次记为C1、C2、C3…Cn；
S4对特征图像Cn进行1*1进行卷积操作，得到特征图像Mn；
S5对特征图像进行Mn上采样，得到尺寸与特征图像C4一致的特征图像Mn-；
S6对特征图像Cn-1进行1*1进行卷积操作，得到特征图像Cn-1-；
S7将特征图像Mn-与特征图像Cn-1-进行叠加，得到特征图像Mn-1；
S8重复步骤S6-S7，得到特征图像Mn-2…特征图像M2、特征图像M1；
S9分别对特征图像M1、特征图像M2、特征图像M3…特征图像Mn-1、...

【专利技术属性】
技术研发人员：崔绮嫦，王斌，罗桂莲，郑少锋，何南坚，李伟才，黄慧宇，王文，余娟，毕兴忠，王军，
申请(专利权)人：佛山中纺联检验技术服务有限公司，广州冠图视觉科技有限公司，
类型：发明
国别省市：广东;44