【技术实现步骤摘要】
本专利技术涉及图像识别、目标检测，尤其是涉及一种施工现场小目标物检测方法。
技术介绍
1、施工作业现场采集视频覆盖范围较大，其中存在着大量的小目标物体。由于这些目标物相对于整个视频图像来讲，尺寸较小，分辨率较低，使得其在视频检测时，很难准确的被检测到。传统的目标检测算法主要有3部分组成，分别是区域选择、特征提取和分类器，由于存在手工设计的特征鲁棒性差、区域选择策略没有针对性等特点，检测效果并不是很理想。随着深度学习技术的不断成熟，在视频中提取小目标物的算法越来越成熟，基于深度卷积神经网络的特征提取算法被广泛应用到计算机视觉任务中，从视频中提取目标物的算法也有传统的特征提取向基于卷积神经网络的方法变迁。相比于传统的特征提取算法，卷积神经网络提取的特征更丰富，模型的泛化能力更强。
2、随着深度学习技术的发展，目标检测
出现了很多优秀的算法框架，如yolov、rcnn、ssd等，不同的算法框架对不同的目标物提取的效果有很大的差异。这些算法在大型通用的数据集上已经取得了非常好的成绩，但是小目标物检测长期以来一直是目标检测中的重点和难点之一。针对小目标物尺寸小、像素少、分辨率低的特点，传统算法的检测精度有待提高。
技术实现思路
1、本专利技术的目的是提供一种基于施工现场小目标检测方法，具有能够提高对于小目标物的检测精度的效果。
2、第一方面，本专利技术提供的一种基于施工现场小目标检测方法是通过以下技术方案得以实现的：
3、一种施工现场小目标物检测方法
4、将采集到的图像数据利用mosiac数据增强技术得到新图像信息；
5、将所述新图像信息输入网络模型中进行迭代训练，并输出迭代训练结果；
6、根据所述迭代训练结果构建基于yolov5的backbone骨干网络；
7、在骨干网络的基础上，对原始图像交替使用5次下采样和5次卷积算法，得到第一特征图；
8、用3＊3卷积对第一特征图进行图像信息融合，得到第二特征图；
9、将第二特征图输入网络模型，取得检测结果。
10、进一步的技术方案在于，所述利用mosiac数据增强技术得到新图像信息，具体包括：采用6张图片随机裁剪、随机排列、随即缩放，然后组合以得到新图像信息。
11、进一步的技术方案在于，所述将采集到的图像数据利用mosiac数据增强技术得到新图像信息之后，还包括：增加一个浅层的特征图，以增强网络对小目标的感知能力。
12、进一步的技术方案在于，所述backbone骨干网络采用cspdarknet53网络模型，在backbone骨干网络和head网络之间，增加输入图像四分之一分辨率大小的特征图，提升小目标物的识别度。
13、进一步的技术方案在于，所述对原始图像交替使用5次下采样和5次卷积算法，得到第一特征图时，具体包括：
14、采用1＊1卷积，以此来增加图像细节的特征的提取；原始图像经过四倍下采样的过程后，送入特征融合网络得到第一特征图。
15、进一步的技术方案在于，所述用3＊3卷积对第一特征图进行图像信息融合，得到第二特征图时，具体包括：采用自底向上的通路对第一特征图进行多尺度目标检测。
16、进一步的技术方案在于，将第二特征图输入网络模型，取得检测结果时，具体包括：
17、将特征图输入网络模型，预测网络依据事先对数据集的聚类，通过非极大值抑制输出的候选框映射成原图大小，框选出图像中的目标物体，最终得出检测结果。
18、第二方面，本专利技术提供的一种智能终端采用如下技术方案。
19、一种智能终端，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如第一方面中任一种施工现场小目标物检测方法的计算机程序。
20、第三方面，本专利技术提供的一种计算机可读存储介质采用如下技术方案。
21、一种计算机可读存储介质，存储有能够被处理器加载并执行如第一方面中任一种施工现场小目标物检测方法的计算机程序。
22、综上所述，本专利技术包括以下有益技术效果：
23、通过进行迭代算法以及建立深度学习中的高性能通用目标检测模型yolov5，并针对施工作业现场视频图像中存在的小目标物像素小、分布广等特征进行了一系列改进。改进后的算法提升了小目标物的检测精度和准确度，提高了施工作业的安全性；同时算法网络结构小，适用性强，可以快速应用于实际生产中。
本文档来自技高网...【技术保护点】
1.一种施工现场小目标物检测方法，其特征在于，包括：
2.根据权利要求1所述的一种施工现场小目标物检测方法，其特征在于，所述利用Mosiac数据增强技术得到新图像信息，具体包括：采用6张图片随机裁剪、随机排列、随即缩放，然后组合以得到新图像信息。
3.根据权利要求1所述的一种施工现场小目标物检测方法，其特征在于，所述将采集到的图像数据利用Mosiac数据增强技术得到新图像信息之后，还包括：增加一个浅层的特征图，以增强网络对小目标的感知能力。
4.根据权利要求1所述的一种施工现场小目标物检测方法，其特征在于，所述Backbone骨干网络采用CSPDarknet53网络模型，在Backbone骨干网络和Head网络之间，增加输入图像四分之一分辨率大小的特征图，提升小目标物的识别度。
5.根据权利要求1所述的一种施工现场小目标物检测方法，其特征在于，所述对原始图像交替使用5次下采样和5次卷积算法，得到第一特征图时，具体包括：
6.根据权利要求1所述的一种施工现场小目标物检测方法，其特征在于，所述用3＊3卷积对第一特征图进行图像
7.根据权利要求1所述的一种施工现场小目标物检测方法，其特征在于，所述：将第二特征图输入网络模型，取得检测结果时，具体包括：
8.一种智能终端，其特征在于，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如权利要求1至7中任一种施工现场小目标物检测方法的计算机程序。
9.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1至7中任一种施工现场小目标物检测方法的计算机程序。
...【技术特征摘要】
1.一种施工现场小目标物检测方法，其特征在于，包括：
2.根据权利要求1所述的一种施工现场小目标物检测方法，其特征在于，所述利用mosiac数据增强技术得到新图像信息，具体包括：采用6张图片随机裁剪、随机排列、随即缩放，然后组合以得到新图像信息。
3.根据权利要求1所述的一种施工现场小目标物检测方法，其特征在于，所述将采集到的图像数据利用mosiac数据增强技术得到新图像信息之后，还包括：增加一个浅层的特征图，以增强网络对小目标的感知能力。
4.根据权利要求1所述的一种施工现场小目标物检测方法，其特征在于，所述backbone骨干网络采用cspdarknet53网络模型，在backbone骨干网络和head网络之间，增加输入图像四分之一分辨率大小的特征图，提升小目标物的识别度。
5.根据权利要求1所述的一种施...
【专利技术属性】
技术研发人员：闫晓伟，杨帆，刘伟，韩一梁，何奇，甄玉龙，胡叔琦，张硕，
申请(专利权)人：北京无线电计量测试研究所，
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。