一种图像中目标的检测方法及系统技术方案

本申请涉及图像检测技术领域，具体而言，涉及一种图像中目标的检测方法及系统，一定程度上可以解决深度学习检测模型检测图像目标时检测结果不准确的问题。所述方法包括：获取包括目标的原始图像，以及所述原始图像对应的目标图像，所述原始图像的数量为第一数量，且所述目标图像的数量为第二数量；所述目标图像为标注有标记框的原始图像，所述标记框中的区域为包含所述目标的目标检测区域；基于第一数量的所述目标图像和第二数量的所述原始图像，对初始的检测模型进行训练，获取训练后的检测模型；输入待检测图像至训练后的检测模型，得到检测模型输出的检测图像，所述检测图像包括用于表征所述待检测图像中的目标所在区域的检测框。检测框。检测框。

【技术实现步骤摘要】
一种图像中目标的检测方法及系统


[0001]本申请涉及图像检测
，具体而言，涉及一种图像中目标的检测方法及系统。

技术介绍

[0002]近年来，随着深度学习领域的持续发展，深度学习模型逐渐应用于工业检测领域，如通过深度学习技术进行零件检测，鉴别零件是否合格。深度学习是学习的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助，它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。
[0003]在通过深度学习技术进行目标检测的过程中，先获取包含待检测的目标的参考图像，在参考图像中标记用于表征目标的标记框，将包括标记框的参考图像输入检测模型中进行模型回归训练，目标为图像中用户感兴趣的区域。训练过程中，检测模型的主干模型(backbone)和多尺度特征层颈部(neck)部分提取标记框的语义和上下文特征，再通过检测模型监督的目标在参考图像中位置和目标的类别信息引导检测模型中的检测头(detect head)的回归，不断精确对参考图像中目标的预测结果，输出带有检测框的检测图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像中目标的检测方法，其特征在于，包括：获取包括目标的原始图像，以及所述原始图像对应的目标图像，所述原始图像的数量为第一数量，且所述目标图像的数量为第二数量；所述目标图像为标注有标记框的原始图像，所述标记框中的区域为包含所述目标的目标检测区域；基于第一数量的所述目标图像和第二数量的所述原始图像，对初始的检测模型进行训练，获取训练后的检测模型；输入待检测图像至训练后的检测模型，得到训练后的检测模型输出的检测图像，所述检测图像包括用于表征所述待检测图像中的目标所在区域的检测框。2.如权利要求1所述的图像中目标的检测方法，其特征在于：所述第二数量取决于单张所述目标图像中目标的数量，所述目标的数量越大，所述第二数量越大。3.如权利要求2所述的图像中目标的检测方法，其特征在于：所述第二数量与第三数量的比值为10％
‑
30％，所述第三数量为所述第一数量和所述第二数量之和。4.如权利要求1
‑
3任一所述的图像中目标的检测方法，其特征在于：初始的所述检测模型的训练过程中，所述检测模型运行的损失函数L(p，t)的计算公式如下，其中，L
cls
是检测框和标记框的类别误差，p
i
是检测框的预测类别，p
igt
是标记框的标记类别；L
reg
是检测框和标记框的位置误差；t
i
是检测框的位置表征，是标记框的位置表征；i是所述标记框的第一索引，所述第一索引用于标记每个所述标记框；L
obj
是背景和目标回归的误差，pobj
i
是检测框是背景或者是目标的概率，是标记框是背景或者是目标的概率；j是所述检测框的第二索引，所述第二索引用于标记每个所述检测框；R表示惩罚权重项。5.如权利要求4所述的图像中目标的检测方法，其特征在于，基于权重惩罚因子和所述第一数量确定所述惩罚权重项的具体值，且所述惩罚权重项的具体值还取决于训练结果中检测框与标记框结果相同及不相同的数量。6.一种图像中目标的检测系统，其特征在于，包括...

【专利技术属性】
技术研发人员：张黎，彭斌，杨艺，
申请(专利权)人：凌云光技术股份有限公司，
类型：发明
国别省市：