一种图像检测方法及系统技术方案

本发明专利技术涉及一种图像检测方法及系统，包括：基于多个尺寸不同的第一训练图像对改进的网络模型进行训练，得到第一目标检测模型；利用第一目标检测模型对每个第一训练图像进行识别，基于识别结果确认误检图像和非误检图像；将每个误检图像与相应的非误检图像进行拼接，得到多个第二训练图像，基于多个第二训练图像和所有第一训练图像对改进的网络模型进行训练，得到第二目标检测模型；利用第二目标检测模型对待检测图像进行检测，得到包括多个待选边界框的目标检测结果。本发明专利技术采用改进的网络模型对图像进行训练，能够在实际使用中根据不同场景进行运用，提高了在图像检测中对于获取检测目标的速率，并降低了误检率。并降低了误检率。并降低了误检率。

【技术实现步骤摘要】
一种图像检测方法及系统


[0001]本专利技术涉及图像处理与深度学习
，尤其涉及一种图像检测方法及系统。

技术介绍

[0002]食品安全关乎每个人的身体健康乃至生命安全，而厨房作为食品安全的重点关注区域，一直都要求规范整洁卫生、闲人免进。近年来，依托互联网、大数据、图像处理以及深度学习技术，全国各地逐步打造线上监管平台，对学校食堂后厨进行远程实时监控、AI智能分析。
[0003]针对厨师帽、口罩的目标检测，当前有多种基于深度学习的目标检测算法。主要分为两类：One stage和Two stage。One Stage直接在网络中提取特征来预测物体分类和位置，任务流程概括为特征提取、分类/定位回归；常见的one stage目标检测算法有：OverFeat、YOLOv1、YOLOv2、YOLOv3、SSD和RetinaNet等。Two Stage先进行区域生成，目标候选框，也就是目标位置，该区域称之为region proposal(RP)，再通过卷积神经网络进行样本分类与回归，任务流程包括特征提取、生成RP、分类/定位回归；常见two stage目标检测算法有：R
‑
CNN、SPP
‑
Net、Fast R
‑
CNN、Faster R
‑
CNN和R
‑
FCN等。Two stage方法是准确度高一些，但是速度慢，One stage方法是速度快，但是准确性要低一些。

技术实现思路

[0004]为解决上述技术问题，本专利技术提供了一种图像检测方法及系统。
[0005]本专利技术的一种图像检测方法的技术方案如下：
[0006]S1、基于多个尺寸不同的第一训练图像对改进的Faster R
‑
CNN网络模型进行训练，得到第一目标检测模型；
[0007]S2、利用所述第一目标检测模型对每个所述第一训练图像进行识别，基于任一第一训练图像对应的识别结果将该第一训练图像确认为误检图像或非误检图像，直至得到所有的所述误检图像和所有的所述非误检图像；
[0008]S3、将每个所述误检图像与相应的非误检图像进行拼接，得到多个第二训练图像，基于多个所述第二训练图像和所有所述第一训练图像对所述改进的Faster R
‑
CNN网络模型进行训练，得到第二目标检测模型；
[0009]S4、利用所述第二目标检测模型对待检测图像进行检测，得到包括多个待选边界框的目标检测结果。
[0010]本专利技术的一种图像检测方法的有益效果如下：
[0011]本专利技术基于多个尺寸不同的第一训练图像对改进的Faster R
‑
CNN网络模型进行训练，得到第一目标检测模型；利用第一目标检测模型对每个第一训练图像进行识别，基于任一第一训练图像对应的识别结果将该第一训练图像确认为误检图像或非误检图像，直至得到所有的误检图像和所有的非误检图像；将每个误检图像与相应的非误检图像进行拼接，得到多个第二训练图像，基于多个所述第二训练图像和所有所述第一训练图像对所述
改进的Faster R
‑
CNN网络模型进行训练，得到第二目标检测模型；利用所述第二目标检测模型对待检测图像进行检测，得到包括多个待选边界框的目标检测结果。因此，本专利技术的技术方案通过上述图像检测方法，采用改进的网络模型对图像进行训练，能够在实际使用中根据不同场景进行运用，提高了在图像检测中对于获取检测目标的速率，并降低了误检率。
[0012]在上述方案的基础上，本专利技术的一种图像检测方法还可以做如下改进。
[0013]进一步，还包括：
[0014]采用非极大值抑制法从所述目标检测结果中筛选出最佳边界框。
[0015]采用上述进一步方案的有益效果是：通过对目标检测结果采用非极大值抑制法进行处理，筛选出最佳边界框，能够在多个候选框中选出最为精确的边框作为检测结果，提高了目标检测的准确率。
[0016]进一步，所述改进的Faster R
‑
CNN网络模型的获取过程包括：
[0017]将Faster R
‑
CNN网络模型的VGG结构替换为ResNeXt
‑
101结构，得到所述改进的Faster R
‑
CNN网络模型。
[0018]采用上述进一步方案的有益效果是：克服了传统的Faster R
‑
CNN网络模型检测速度较慢的缺点，提高了检测的效率。
[0019]进一步，在所述S1之前，还包括：
[0020]S10、对每个原始图像进行尺寸修改，得到多个尺寸不同的所述第一训练图像。
[0021]采用上述进一步方案的有益效果是：通过输入更多更大尺寸的图片进行训练，提高检测模型对物体大小的鲁棒性。
[0022]进一步，在所述S10之前，还包括：
[0023]调低每个所述原始图像的亮度与对比度。
[0024]采用上述进一步方案的有益效果是：减少了傍晚光照以及图像中灯光照明带来的影响，便于进行目标检测。
[0025]本专利技术的一种图像检测系统的技术方案如下：
[0026]包括：第一处理模块、识别模块、第二处理模块、检测模块；
[0027]所述第一处理模块用于：基于多个尺寸不同的第一训练图像对改进的Faster R
‑
CNN网络模型进行训练，得到第一目标检测模型；
[0028]所述识别模块用于：利用所述第一目标检测模型对每个所述第一训练图像进行识别，基于任一第一训练图像对应的识别结果将该第一训练图像确认为误检图像或非误检图像，直至得到所有的所述误检图像和所有的所述非误检图像；
[0029]所述第二处理模块用于：将每个所述误检图像与相应的非误检图像进行拼接，得到多个第二训练图像，基于多个所述第二训练图像和所有所述第一训练图像对所述改进的Faster R
‑
CNN网络模型进行训练，得到第二目标检测模型；
[0030]所述检测模块用于：利用所述第二目标检测模型对待检测图像进行检测，得到包括多个待选边界框的目标检测结果。
[0031]本专利技术基于多个尺寸不同的第一训练图像对改进的Faster R
‑
CNN网络模型进行训练，得到第一目标检测模型；利用第一目标检测模型对每个第一训练图像进行识别，基于任一第一训练图像对应的识别结果将该第一训练图像确认为误检图像或非误检图像，直至得到所有的误检图像和所有的非误检图像；将每个误检图像与相应的非误检图像进行拼
接，得到多个第二训练图像，基于多个所述第二训练图像和所有所述第一训练图像对所述改进的Faster R
‑
CNN网络模型进行训练，得到第二目标检测模型；利用所述第二目标检测模型对待检测图像进行检测，得到包括多个待选边界框的目标检测结果。因此，本专利技术的技术方案通过上述图像检测系统，采用改进的网络模型对图像进本文档来自技高网...

【技术保护点】

【技术特征摘要】
R
‑
CNN网络模型。9.根据权利要求6或7所述的一种图像检测系统，其特征在于，在所述第一处理模块之前，还包括：预处理模块；所述预处理模块用于：对每个原始...

【专利技术属性】
技术研发人员：董倩妍，李杰明，何建伟，
申请(专利权)人：天讯瑞达通信技术有限公司，
类型：发明
国别省市：