一种在厨余垃圾内的小目标低像素的识别方法技术

本发明专利技术公开了一种在厨余垃圾内的小目标低像素的识别方法，涉及图像处理技术领域。本发明专利技术包括如下步骤：对电池以进行采样，通过使用二分类神经网络学习电池的特征，生成电池识别模型；将模型部署在嵌入式开发板后，通过给待识别区域进行等梯度划分，在每个子区域进行识别后，将各自的识别结果通过IOU的方式进行融合，得到最终预测结果。本发明专利技术通过设计小目标检测算法，提高垃圾分类场景下的小目标的识别精度，降低硬件消耗量。降低硬件消耗量。降低硬件消耗量。

【技术实现步骤摘要】
一种在厨余垃圾内的小目标低像素的识别方法


[0001]本专利技术属于图像处理
，特别是涉及一种在厨余垃圾内的小目标低像素的识别方法。

技术介绍

[0002]深度学习的发展为目标检测技术提供了关键基础，使其已在无人驾驶、视频追踪等领域广泛应用，但仍存在一些缺陷有待改进和完善。由于现有目标检测算法大多是针对具有一定尺寸或比例的大中型目标，而实际场景也存在尺寸小、特征弱的待测小目标，所谓的小目标定义有两种：相对尺寸和绝对尺寸。相对尺寸定义为目标对象占据图像的0.12％以下即为小目标；绝对尺寸定义为目标尺寸小于32
×
32的即为小目标。由于现有算法对小目标检测性能还远不能令人满意。
[0003]综上所述，多尺度特征融合就是将拥有不同特点的特征图进行结合，使融合后的特征图既有具体的边缘细节信息，也有丰富抽象的语义信息。因其拥有更多的全局信息，而对原图像有更强的表达力和描述力。因此，该方法能有效改善网络模型对小目标检测性能差的问题。
[0004]但是一些特征融合引入了反卷积操作，这一方式会增加时间成本，降低检测速度。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种在厨余垃圾内的小目标低像素的识别方法，其特征在于，包括如下步骤：步骤S1：导入模型和相关参数以及数据；步骤S2：循环分割数据对象为各个单独数据单元；步骤S3：将各个数据单元输入模型得到对应的识别对象列表；步骤S4：根据各个识别对象列表进行还原，使其对应原始数据的识别对象；步骤S5：对各个还原后对象甄别；步骤S6：保存得到数据对象最终的识别对象列表；步骤S7：输出最终效果图。2.根据权利要求1所述的一种在厨余垃圾内的小目标低像素的识别方法，其特征在于，所述步骤S1中，训练所需的模型具体流程如下：步骤S11：在网上收集大量电池图片；步骤S12：将电池图片通过人工标注为xml文件，并制成数据集；步骤S13：将数据集送到神经网络进行学习，训练生成新模型。步骤S18：后使用循环对粗劣的识别对象列表进行甄别并使用IOU设定阈值的方式进行融合，从而得到最终识别数据，保存并以图像形式体现出来。3.根据权利要求1所述的一种在厨余垃圾内的小目标低像素的识别方法，其特征在于，所述步骤S2中，程序开始运行时，导入训练好的模型，读取运行必要参数，输入需要识别的数...

【专利技术属性】
技术研发人员：朱文娟，刘硕，汪一士，
申请(专利权)人：合肥旷鸣智能科技有限公司，
类型：发明
国别省市：