【技术实现步骤摘要】
本专利技术涉及人工智能检测，特别是一种基于人工智能的目标检测方法以及装置。
技术介绍
1、目标检测技术是计算机视觉领域的重要研究方向，其核心任务是通过算法识别图像或视频中的目标位置及其类别，随着深度学习技术的兴起，基于卷积神经网络cnn的目标检测方法得到了广泛应用，并推动了检测精度和速度的显著提升；
2、然而现有技术在处理光线条件变化场景时，对目标检测的影响以及小目标在多尺度特征提取中的检测率偏低，基于多尺度特征提取和方向性增强的改进虽然在一定程度上提升了检测效果，但多尺度特征提取仍存在信息冗余或特征丢失的问题，未能充分利用分量间的交互特性进行动态融合，导致检测模型在细节捕捉和全局特性优化之间难以平衡，降低了目标检测的灵活适配能力。
技术实现思路
1、鉴于上述现有存在的问题，提出了本专利技术。
2、因此，本专利技术提供了一种基于人工智能的目标检测方法解决现有技术在处理光线条件变化场景时，对目标检测的影响以及小目标在多尺度特征提取中的检测率偏低，基于多尺度特征提取和方向性增强的改进虽然在一定程度上提升了检测效果，但多尺度特征提取仍存在信息冗余或特征丢失的问题，未能充分利用分量间的交互特性进行动态融合，导致检测模型在细节捕捉和全局特性优化之间难以平衡，降低了目标检测的灵活适配能力的问题。
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、第一方面，本专利技术提供了一种基于人工智能的目标检测方法，其包括：
5、采集图像数
6、基于图像数据的光学特性进行像素增强，进行高斯金字塔分解，生成不同尺度的图像分量；
7、基于图像分量确定对应尺度的特征图，使用注意力机制动态调整多尺度、多方向分量的权重，基于卷积神经网络输出三维特征图；
8、构建回归头网络和分类头网络确定候选框，并输出经过筛选的候选框集合；
9、基于候选框还原图像的目标框，将目标框集合数据进行安全记录。
10、作为本专利技术所述基于人工智能的目标检测方法的一种优选方案，其中：所述采集图像数据并确定图像数据的光学特性，根据对比度进行质量筛选，包括：
11、通过摄像头采集图像数据，依据不同光线强度进行图像采集，包括高光、低光和逆光的光纤环境，以及不同时段的不同自然光调节进行图像采集，包括白天、黄昏和夜晚；
12、基于采集的图像数据使用多光谱摄像设备采集目标的光谱信息，分解为红外、可见光以及紫外光三部分；
13、将光谱数据转换为亮度强度分量数据和背景光分量数据，作为图像数据的光学特性标注信息，表示为：
14、
15、lb(x,y)＝imean(x,y)；
16、其中ls(x,y)表示像素点(x,y)的亮度强度分量，imax(x,y)表示像素点(x,y)的最大强度值，imean(x,y)表示像素点(x,y)的平均强度值，istd(x,y)表示像素点(x,y)的标准差强度值，lb(x,y)表示像素点(x,y)的背景光分量；
17、基于图像数据的对比度进行质量筛选，基于历史对比度阈值，若采集图像数据的对比度小于对比度阈值，则判断为质量较低，并剔除对应图像数据。
18、作为本专利技术所述基于人工智能的目标检测方法的一种优选方案，其中：所述基于图像数据的光学特性进行像素增强，进行高斯金字塔分解，生成不同尺度的图像分量，包括：
19、基于采集的图像数据使用光学物理建模公式对每个像素进行增强，表示为：
20、
21、其中i'(x,y)和i(x,y)分别表示像素点(x,y)的处理后像素数据的和像素数据，∈表示极小常数；
22、基于历史数据确定最小特征尺寸，并基于采集图像数据的分辨率进行分解，确定最大分解层数s；
23、对处理后像素数据进行高斯金字塔分解，生成不同尺度的图像分量，表示为：
24、is(x,y)＝gs*i'(x,y)；
25、其中is(x,y)表示像素点(x,y)的处理后像素数据在第s层尺度的图像分量，gs表示第s层尺度的高斯核函数；
26、利用高斯金字塔的分量is(x,y)，对每一层使用二维离散小波变换进行小波分解，分别计算水平方向、垂直方向和对角方向的分量数据和残差，并基于分量和残差生成频域特性分量；
27、基于分量的方差计算方向权重，基于全局分量强度计算低频权重，并根据对应的方向权重和低频权重对不同方向的分量wd(x,y)和rs(x,y)进行分层特征增强，表示为：
28、w'd(x,y)＝ad·wd(x,y)；
29、r's(x,y)＝βs·rs(x,y)；
30、
31、
32、其中w'd(x,y)和r's(x,y)分别表示特征增强的第d方向的方向分量和尺度s下的低频分量，var(wd)表示wd(x,y)的方差，max(rs)表示rs(x,y)的最大值，sum(rs)表示rs(x,y)的总和，ad和βs分别表示第d方向的方向权重和当前尺度s下的低频权重。
33、作为本专利技术所述基于人工智能的目标检测方法的一种优选方案，其中：所述基于图像分量确定对应尺度的特征图，使用注意力机制动态调整多尺度、多方向分量的权重，基于卷积神经网络输出三维特征图，包括：
34、基于不同方向分量中每个像素点在该方向上图像局部的高频特征值作为对应方向的特征图，进行全局平均池化计算重要性评分，表示为：
35、
36、
37、as,d表示方向的分量在尺度s下的重要性评分，h·w表示对应方向特征图的像素总数，bs表示低频残差在尺度s上的重要性评分；
38、使用注意力机制动态调整多尺度、多方向分量的权重，并进行动态融合，表示为：
39、
40、其中ff(x,y)表示像素点(x,y)所有尺度和方向的融合特征，s和d分别表示最大尺度数和最大方向数，rs,d表示方向性分量权重，δs表示低频残差权重；
41、基于卷积神经网络的卷积模型对ff(x,y)进行卷积计算，包括输入层、卷积层和输出层；
42、使用训练集进行模型训练，选择交叉熵损失函数计算卷积模型输出与实际标签之间的差异，使用adam优化器进行梯度下降优化，更新卷积模型的参数，在连续迭代过程中模型的损失不再明显下降则停止迭代；
43、将计算的ff(x,y)输入卷积模型，输出三维特征图
44、作为本专利技术所述基于人工智能的目标检测方法的一种优选方案，其中：所述构建回归头网络和分类头网络确定候选框，并输出经过筛选的候选框集合，包括：
45、基于三维特征图的每个像素点输出初始锚点框；
46、基于图像目标监测的对象根据历史数据进行锚点框尺寸大小的预设，并根据锚点框的尺度k和纵横比r组合应用到本文档来自技高网...
【技术保护点】
1.一种基于人工智能的目标检测方法，其特征在于，包括：
2.如权利要求1所述的基于人工智能的目标检测方法，其特征在于，所述采集图像数据并确定图像数据的光学特性，根据对比度进行质量筛选，包括：
3.如权利要求2所述的基于人工智能的目标检测方法，其特征在于，所述基于图像数据的光学特性进行像素增强，进行高斯金字塔分解，生成不同尺度的图像分量，包括：
4.如权利要求3所述的基于人工智能的目标检测方法，其特征在于，所述基于图像分量确定对应尺度的特征图，使用注意力机制动态调整多尺度、多方向分量的权重，基于卷积神经网络输出三维特征图，包括：
5.如权利要求4所述的基于人工智能的目标检测方法，其特征在于，所述构建回归头网络和分类头网络确定候选框，并输出经过筛选的候选框集合，包括：
6.如权利要求5所述的基于人工智能的目标检测方法，其特征在于，所述基于候选框还原图像的目标框，包括：
7.如权利要求6所述的基于人工智能的目标检测方法，其特征在于，所述将目标框集合数据进行安全记录，包括：
8.一种基于人工智能的目标检测
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述的基于人工智能的目标检测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～7任一所述的基于人工智能的目标检测方法的步骤。
...【技术特征摘要】
1.一种基于人工智能的目标检测方法，其特征在于，包括：
2.如权利要求1所述的基于人工智能的目标检测方法，其特征在于，所述采集图像数据并确定图像数据的光学特性，根据对比度进行质量筛选，包括：
3.如权利要求2所述的基于人工智能的目标检测方法，其特征在于，所述基于图像数据的光学特性进行像素增强，进行高斯金字塔分解，生成不同尺度的图像分量，包括：
4.如权利要求3所述的基于人工智能的目标检测方法，其特征在于，所述基于图像分量确定对应尺度的特征图，使用注意力机制动态调整多尺度、多方向分量的权重，基于卷积神经网络输出三维特征图，包括：
5.如权利要求4所述的基于人工智能的目标检测方法，其特征在于，所述构建回归头网络和分类头网络确定候选框，并输出经过筛选的候选框集合，...
【专利技术属性】
技术研发人员：董子渤，
申请(专利权)人：山西宏安翔科技股份有限公司，
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。