【技术实现步骤摘要】
本专利技术涉及目标检测领域，具体来讲涉及的是一种基于mask-rcnn的自适应anchor的高精度检测方法。
技术介绍
1、在图像检测过程中传统的mask-rcnn模型能够有效的检测到模型的缺陷，但是由于模型中rpn网络参数的固定，对于特定领域的目标检测与分割适应性不强，特别是高精度的微型缺陷领域的检测，目标缺陷的过小会导致大部分注意区域的浪费，影响训练收敛速度与精度，所以模型的可以自适应anchor是一种有效提高检测速度与精度的方式。
技术实现思路
1、因此，为了解决上述不足，本专利技术在此提供一种基于mask-rcnn的自适应anchor的高精度检测方法。
2、本专利技术是这样实现的：构造一种基于mask-rcnn的自适应anchor的高精度检测方法，其特征在于；包括：该模型在训练阶段提前将训练集中的掩码图片进行去噪、降维处理从而提高计算的检测目标的比例与面积的准确率，并计算出检测目标的长、宽比例与面积，分别记录为长度为m的检测目标面积向量p与检测目标长、宽比例向量t，m为训练集的图片个数。构造向量函数求出目标检测长宽比例向量最优值作为最终比例在模型中应用，再选取目标检测面积向量中最大值与最小值作为检测目标面积的大小区间，由参数设置中的缩放比例获得原图与每个特征图间的缩放比例尺k，选取目标检测大小区间中的最大值除以每个图层的缩放比例，其比值即为目标检测区域在每个图层中的真实映射大小，将该比值进行一定比例的放大后作为anchor尺度，能够有效的契合检测目标，提高目标区
3、优选的；在步骤“在训练过程前将训练数据集中的每个掩码图片计算出检测目标的大小与比例，分别记录为长度为m的目标检测面积向量p与目标检测长宽比例向量t，m为训练集的图片个数”。
4、优选的；在步骤“取目标检测面积向量最大值与最小值比例作为目标检测大小区间，由参数设置中的缩放比例获得原图与每个特征图间的缩放比例尺k，则目标检测大小区间中的最大值除以每个图层的缩放比例，其比值即为目标检测区域在每个图层中的真实映射大小”，将该比值进行一定比例的放大后，作为anchor尺度，能够有效圈定目标检测区域。
5、优选的；在步骤“构造向量函数求出目标检测长宽比例向量最优值作为最终比例在模型中应用”，能够极大的提高检测的精度与速度。
6、优选的；在训练过程前将训练数据集中的每个掩码图片中计算出检测目标的大小与比例，分别记录为长度为m的目标检测面积向量p与目标检测长宽比例向量t，m为训练集的图片个数；构造向量函数求出目标检测长宽比例向量最优值作为最终比例在模型中应用，再取目标检测面积向量最大值与最小值作为目标检测大小区间，由参数设置中的缩放比例获得原图与每个特征图间的缩放比例尺k，则目标检测大小区间中的最大值除以每个图层的缩放比例，即为目标检测区域在每个图层中的真实映射大小，将该比值进行一定比例的放大后作为anchor尺度时能够有效的圈定检测目标，提高目标区域的推荐成功率。通过这种方式我们可以使得模型针对不同的训练样本有着极大的适应性并极大的提高检测的精度与速度，该方式适合小样本训练与单一的精密缺陷检测；
7、过程如下：
8、步骤1：选择待训练图片x1，x2，x3，...xn与对应的掩膜图像y1，y2，y3，...yn，其中n为训练集图片个数，xi(0＜i＜n+1)表示第i个图片，yj(0＜j＜n+1)表示第j个图片；
9、步骤2：初始化缺陷面积向量p与缺陷比例向量t为零向量，
10、p＝[0，0，0，...]；
11、t＝[0，0，0，...]
12、p向量、t向量长度相等，值为n；
13、步骤3：初始化缩放比例尺k为零向量，
14、k＝[0，0，...]
15、k向量长度为特征图层的数量；
16、步骤4：依次计算掩膜图像y1，y2，y3，...yn中标注的缺陷区域，计算缺陷图像区域大小，保存在缺陷面积向量p中，计算缺陷图像区域长宽比例，保存在缺陷比例向量t中；
17、p-[p1，p2，ps...pn]；
18、t＝[t1，t2，ts...tn]
19、n为p、t向量长度；
20、步骤5：基于参数设置中的初始图像缩放比例，乘以卷积网络中图层的缩放比例，得到最终缩放比例k；
21、步骤6：将缺陷面积向量p中的最大元素除以最终缩放比例k，得到特征图层中缺陷区域面积的映射值，将映射值进行一定比例放大m倍后作为anchor尺度的最终值应用于模型中；
22、
23、i∈[1，n]，m≥1
24、步骤7：根据y1，y2，y3，...yn所对应的缺陷比例向量t1，t2，t3，...tn构造相关最优化函数，求解出t的最优解作为anchor比例的最终值应用于模型中；
25、t＝[t1，t2，t3...tn]；
26、anchor比例＝f(t)。
27、本专利技术具有如下优点：本专利技术涉及一种基于mask-rcnn的自适应anchor的高精度检测方法，应用在基于mask-rcnn框架的模型上。包括：与原模型相比，该模型在训练阶段提前将训练集中的掩码图片中计算出检测目标的比例与面积，记录得到目标检测面积向量p与目标检测长宽比例向量t，再根据根据目标检测的大小与缩放的比例去设置生成的anchor，以获得更多的正确候选区域。以往的mask-rcnn中rpn网络结构的anchor比例都是固定的参数，对于一些精细的小样本目标检测效果不佳，所圈定的注意力范围太过于宽广，不能很快的收敛，通过这种方式我们可以针对训练集中的数据很快圈定有限的目标范围，极大的提高检测的精度与训练速度，适合小样本训练与单一的精密缺陷检测。该方法可以应用于所有带有rpn网络的目标检测的模型，不需要修改模型框架。
本文档来自技高网...【技术保护点】
1.一种基于mask-rcnn的自适应anchor的高精度检测方法，其特征在于；包括：在训练过程前将训练数据集中的每个掩码图片计算出检测目标的面积大小与长、宽比例，分别记录为长度为m的检测目标面积向量p与检测目标长、宽比例向量t，m为训练集的图片个数；构造向量函数求出目标检测长宽比例向量最优值作为最终比例在模型中应用，再选取目标检测面积向量中最大值与最小值作为检测目标面积的大小区间，由参数设置中的缩放比例获得原图与每个特征图间的缩放比例尺k，选取目标检测大小区间中的最大值除以每个图层的缩放比例，其比值即为目标检测区域在每个图层中的真实映射大小，将该比值进行一定比例的放大后作为anchor尺度，能够有效的契合检测目标，提高目标区域的推荐成功率；通过这种方式可以使得模型针对不同的训练样本有着极大的适应性并能够极大的提高检测的精度与速度，该方式适合小样本训练与单一的精密缺陷检测。
2.根据权利要求1所述的一种基于mask-rcnn的自适应anchor的高精度检测方法，其特征在于；在步骤在训练过程前将训练数据集中的每个掩码图片计算出检测目标的大小与比例，分别记录为长度为m的目
3.根据权利要求1所述的基于mask-rcnn的自适应anchor的高精度检测方法，其特征在于；在步骤“取目标检测面积向量最大值与最小值比例作为目标检测大小区间，由参数设置中的缩放比例获得原图与每个特征图间的缩放比例尺k，则目标检测大小区间中的最大值除以每个图层的缩放比例，其比值即为目标检测区域在每个图层中的真实映射大小”，将该比值进行一定比例的放大后作为anchor尺度，能够有效圈定目标检测区域。
4.根据权利要求1所述的基于mask-rcnn的自适应anchor的高精度检测方法，其特征在于；在步骤“构造向量函数求出目标检测长宽比例向量最优值作为最终比例在模型中应用”，能够极大的提高检测的精度与速度。
5.根据权利要求1所述的基于mask-rcnn的自适应anchor的高精度检测方法，其特征在于；在训练过程前将训练数据集中的每个掩码图片中计算出检测目标的大小与比例，分别记录为长度为m的目标检测面积向量p与目标检测长宽比例向量t，m为训练集的图片个数；利用构造的向量函数求出目标检测长宽比例向量最优值作为最终比例在模型中应用，再取目标检测面积向量最大值与最小值作为目标检测大小区间，由参数设置中的缩放比例获得原图与每个特征图间的缩放比例尺k，则目标检测大小区间中的最大值除以每个图层的缩放比例，其比值即为目标检测区域在每个图层中的真实映射大小，将该比值进行一定比例的放大后作为anchor尺度时能够有效的圈定检测目标，提高目标区域的推荐成功率；通过这种方式我们可以使得模型针对不同的训练样本有着极大的适应性并极大的提高检测的精度与速度，该方式适合小样本训练与单一的精密缺陷检测；过程如下：
...【技术特征摘要】
1.一种基于mask-rcnn的自适应anchor的高精度检测方法，其特征在于；包括：在训练过程前将训练数据集中的每个掩码图片计算出检测目标的面积大小与长、宽比例，分别记录为长度为m的检测目标面积向量p与检测目标长、宽比例向量t，m为训练集的图片个数；构造向量函数求出目标检测长宽比例向量最优值作为最终比例在模型中应用，再选取目标检测面积向量中最大值与最小值作为检测目标面积的大小区间，由参数设置中的缩放比例获得原图与每个特征图间的缩放比例尺k，选取目标检测大小区间中的最大值除以每个图层的缩放比例，其比值即为目标检测区域在每个图层中的真实映射大小，将该比值进行一定比例的放大后作为anchor尺度，能够有效的契合检测目标，提高目标区域的推荐成功率；通过这种方式可以使得模型针对不同的训练样本有着极大的适应性并能够极大的提高检测的精度与速度，该方式适合小样本训练与单一的精密缺陷检测。
2.根据权利要求1所述的一种基于mask-rcnn的自适应anchor的高精度检测方法，其特征在于；在步骤在训练过程前将训练数据集中的每个掩码图片计算出检测目标的大小与比例，分别记录为长度为m的目标检测面积向量p与目标检测长、宽比例向量t，m为训练集的图片个数。
3.根据权利要求1所述的基于mask-rcnn的自适应anchor的高精度检测方法，其特征在于；在步骤“取目标检测面积向量最大值与最小值比例作为目标检测大小区间，由参数设置中的...
【专利技术属性】
技术研发人员：范俊飞，闫明明，孙佳宁，郑琳川，邓幸妮，李迅波，高翔，宋媛媛，韦丽荷，
申请(专利权)人：柳州津晶电器有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。