图像检测方法、装置、设备及计算机存储介质制造方法及图纸

本发明专利技术实施例涉及计算机数据处理技术领域，公开了一种图像检测方法，该方法包括：将待检测图像输入目标检测模型，得到所述待检测图像对应的目标检测结果；所述目标检测模型包括改进的YOLOv3模型；所述改进的YOLOv3模型中包括高维卷积模块；所述高维卷积模块用于对所述待检测图像在高维空间下进行深度卷积，得到所述待检测图像的图像特征。通过上述方式，本发明专利技术实施例实现了对遥感图像等高分辨率图像进行目标检测时的精度与检测速度的平衡。行目标检测时的精度与检测速度的平衡。行目标检测时的精度与检测速度的平衡。

【技术实现步骤摘要】
图像检测方法、装置、设备及计算机存储介质


[0001]本专利技术实施例涉及计算机数据处理
，具体涉及一种图像检测方法、装置、设备及计算机存储介质。

技术介绍

[0002]遥感图像具有超远距离、全天运行和抗干扰能力强的优点，遥感图像图像检测与识别是计算机视觉中的研究热点。现有技术中对于高分辨率遥感图像的检测任务，主要以YOLO(You only look once)系列为主。YOLO算法首先将一副图像划分为SxS个网格，通过确定对象的中心在和某个网格重叠，那么这个对象的预测将由这个网络负责。而YOLOv3在v1的基础上通过K
‑
means聚类的方式分析数据集标签，并且将特征提取网络由Darknet19升级为Darknet53。
[0003]专利技术人在实施本专利技术实施例的过程中发现：YOLOv3模型主要通过RES和DBL结构提取特征。其中，一个RES操作主要由步长为2的3x3的卷积和n个ResUnit组成，ResUnit又由1x1卷积和3x3卷积操作组成。而大量的3x3卷积操作使得模型参数剧增，考虑到本身遥感图像的分辨率就很高，因此YOLOv3无法兼顾检测速度和精度。

技术实现思路

[0004]鉴于上述问题，本专利技术实施例提供了一种图像检测方法，用于解决现有的YOLOv3在对高分辨率图像进行目标检测时无法兼顾检测速度和精度的问题。
[0005]根据本专利技术实施例的一个方面，提供了一种图像检测方法，所述方法包括：
[0006]将待检测图像输入目标检测模型，得到所述待检测图像对应的目标检测结果；所述目标检测模型包括改进的YOLOv3模型；所述改进的YOLOv3模型中包括高维卷积模块；所述高维卷积模块用于对所述待检测图像在高维空间下进行深度卷积，得到所述待检测图像的图像特征。
[0007]在一种可选的方式中，所述高维卷积模块包括依次连接的第一深度卷积层、维度调节卷积层以及第二深度卷积层；所述第一深度卷积层与所述第二深度卷积层用于对输入数据进行深度卷积；所述维度调节卷积层用于对输入数据进行维度调节，以使得输入所述第二深度卷积层的数据为高维数据。
[0008]在一种可选的方式中，所述改进的YOLOv3模型包括：多尺度卷积模块；所述多尺度卷积模块用于对输入数据在多尺度的卷积核下进行卷积，得到多尺度的所述图像特征；其中，所述卷积核包括所述高维卷积模块。
[0009]在一种可选的方式中，所述多尺度卷积模块包括多层依次连接的卷积核；所述卷积核的尺寸依次减小，所述卷积核的深度依次增大；多个所述卷积核采用分组卷积，以使得各个所述卷积核输出同样通道数的所述图像特征。
[0010]在一种可选的方式中，所述改进的YOLOv3模型还包括特征增强模块：所述特征增强模块用于根据通道注意力机制对所述图像特征进行特征增强。
[0011]在一种可选的方式中，所述特征增强模块包括依次连接的池化层、多个全连接层以及加权计算层；所述池化层用于提取多个通道的图像特征；所述全连接层用于根据各个所述通道的图像特征确定通道间依赖性；所述加权计算层用于根据所述通道间依赖性对所述多个通道的图像特征进行加权计算，得到增强后图像特征。
[0012]在一种可选的方式中，所述待检测图像包括高分辨率图像；所述改进的YOLOv3模型基于原始YOLOv3模型改进得到；所述原始YOLOv3模型中包括原始DBL模块以及原始RES模块，所述原始DBL模块包括依次连接的原始卷积层、归一化层以及激活函数层，所述原始RES模块包括依次连接的零填充层、所述原始DBL模块以及原始残差结构；其中，在所述改进的YOLOv3模型中，将所述原始卷积层替换为高维卷积模块，在所述激活函数层后添加特征增强模块，在所述原始残差结构后添加多尺度卷积模块；所述高维卷积模块用于对输入数据在高维空间下进行深度卷积；所述特征增强模块用于根据通道注意力机制对所述图像特征进行特征增强；所述多尺度卷积模块用于用于对输入数据在多尺度的卷积核下进行卷积；所述卷积核包括所述高维卷积模块。
[0013]根据本专利技术实施例的另一方面，提供了一种图像检测装置，包括：
[0014]检测模块，用于将待检测图像输入目标检测模型，得到所述待检测图像对应的目标检测结果；所述目标检测模型包括改进的YOLOv3模型；所述改进的YOLOv3模型中包括高维卷积模块；所述高维卷积模块用于对所述待检测图像在高维空间下进行深度卷积，得到所述待检测图像的图像特征。
[0015]根据本专利技术实施例的另一方面，提供了一种图像检测设备，包括：
[0016]处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
[0017]所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如前述任意一项所述的图像检测方法实施例的操作。
[0018]根据本专利技术实施例的又一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使图像检测设备执行如前述任意一项所述的图像检测方法实施例的操作。
[0019]本专利技术实施例通过将待检测图像输入目标检测模型，得到所述待检测图像对应的目标检测结果；所述目标检测模型包括改进的YOLOv3模型；所述改进的YOLOv3模型中包括高维卷积模块；其中，高维卷积模块用于对所述待检测图像在高维空间下进行深度卷积，得到所述待检测图像的图像特征，从而区别于现有的YOLOv3模型中采取大量的3x3卷积操作进行特征提取，导致模型的参数量过大，检测速度不佳的问题，本专利技术实施例将深度卷积放在了整个卷积结构的开始和结束位置，使得深度卷积操作都作用在高维空间，由此可以提取出信息丰富的特征表示，在更高的维度上执行标识映射和空间变换，降低了传统移动网络倒残差结构带来的信息丢失和梯度混淆的风险，从而能够有效提升模型的处理速度，实现检测精度与检测速度之间的平衡。
[0020]上述说明仅是本专利技术实施例技术方案的概述，为了能够更清楚了解本专利技术实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
附图说明
[0021]附图仅用于示出实施方式，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0022]图1示出了现有的YOLOv3的模型结构示意图；
[0023]图2示出了本专利技术实施例提供的图像检测方法的流程示意图；
[0024]图3示出了本专利技术实施例提供的图像检测方法中的高维卷积模型的结构示意图；
[0025]图4示出了本专利技术实施例提供的图像检测方法中的多尺度卷积模块的结构示意图；
[0026]图5示出了本专利技术实施例提供的图像检测方法中的特征增强模块的结构示意图；
[0027]图6示出了本专利技术实施例提供的图像检测方法中的改进后DBL模块的结构示意图；
[0028]图7示出了本专利技术实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像检测方法，其特征在于，所述方法包括：将待检测图像输入目标检测模型，得到所述待检测图像对应的目标检测结果；所述目标检测模型包括改进的YOLOv3模型；所述改进的YOLOv3模型中包括高维卷积模块；所述高维卷积模块用于对所述待检测图像在高维空间下进行深度卷积，得到所述待检测图像的图像特征。2.根据权利要求1所述的方法，其特征在于，所述高维卷积模块包括依次连接的第一深度卷积层、维度调节卷积层以及第二深度卷积层；所述第一深度卷积层与所述第二深度卷积层用于对输入数据进行深度卷积；所述维度调节卷积层用于对输入数据进行维度调节，以使得输入所述第二深度卷积层的数据为高维数据。3.根据权利要求1所述的方法，其特征在于，所述改进的YOLOv3模型包括：多尺度卷积模块；所述多尺度卷积模块用于对输入数据在多尺度的卷积核下进行卷积，得到多尺度的所述图像特征；其中，所述卷积核包括所述高维卷积模块。4.根据权利要求3所述的方法，其特征在于，所述多尺度卷积模块包括多层依次连接的卷积核；所述卷积核的尺寸依次减小，所述卷积核的深度依次增大；多个所述卷积核采用分组卷积，以使得各个所述卷积核输出同样通道数的所述图像特征。5.根据权利要求1所述的方法，其特征在于，所述改进的YOLOv3模型还包括特征增强模块：所述特征增强模块用于根据通道注意力机制对所述图像特征进行特征增强。6.根据权利要求5所述的方法，其特征在于，所述特征增强模块包括依次连接的池化层、多个全连接层以及加权计算层；所述池化层用于提取多个通道的图像特征；所述全连接层用于根据各个所述通道的图像特征确定通道间依赖性；所述加权计算层用于根据所述通道间依赖性对所述多个通道的图像特征进行加权计算，得到增强后图像特征。7.根据权利要求1所述的方法，其特征在于，所述...

【专利技术属性】
技术研发人员：李磊，马超凡，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：