一种图像目标检测方法、系统、设备及存储介质技术方案

本发明专利技术公开了一种图像目标检测方法、系统、设备及存储介质，其中方法包括：获取待检测图像，并利用骨干网络提取待检测图像的初始多尺度特征图；对初始多尺度特征图进行特征融合操作，生成融合特征图；利用BiFPN网络对融合特征图进行特征处理，得到特征金字塔；通过预设检测网络获取特征金字塔中每一层特征图的预测框信息和分类信息，基于预测框信息和分类信息确定待检测图像的检测目标。上述方法通过对待检测图像的初始多尺度特征图进行加权特征融合，能够减少网络层数，降低参数计算量，提高计算效率，同时得到包含更加丰富的场景语义信息的特征金字塔，利用该特征金字塔进行目标检测可有效提高检测准确率，优化小目标漏检误检情况。情况。情况。

【技术实现步骤摘要】
一种图像目标检测方法、系统、设备及存储介质


[0001]本专利技术涉及图像处理
，特别是涉及一种图像目标检测方法、系统、设备及存储介质。

技术介绍

[0002]在电力领域，智能化配电房已成为主流发展方向之一，其中，配电房场景的目标检测技术能够为智能化配电房系统识别并定位工作人员及设备等目标，是保障智能化电网可靠、安全、经济和高效的重要前提。
[0003]然而，配电房场景的构成要素往往较丰富，目标多元且实时变化，因此，如何精准快速完成目标检测是当前配电房场景目标检测技术的核心问题。传统的配电房场景目标检测方法所使用的网络结构较复杂，需计算的超参数数量较多，导致检测过程往往耗时长，且定位预测结果的准确性有限，易出现场景中小目标漏检现象。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提供一种图像目标检测方法、系统、设备及存储介质，能够有效提高配电房目标的定位预测质量和检全率。
[0005]第一方面，本专利技术提供一种图像目标检测方法，包括：
[0006]获取待检测图像，并利用骨干网络提取待检测图像的初始多尺度特征图；
[0007]对初始多尺度特征图进行特征融合操作，生成融合特征图；
[0008]利用BiFPN网络对所述融合特征图进行特征处理，得到特征金字塔；
[0009]通过预设检测网络获取所述特征金字塔中每一层特征图的预测框信息和分类信息，基于所述预测框信息和分类信息确定待检测图像的检测目标。
[0010]可选的，所述特征融合操作包括全连接操作和采样操作。
[0011]可选的，所述预设检测网络包括分类器和回归器，其中，所述分类器基于中心定位置信度对所述预测框信息和所述分类信息进行调整，所述中心定位置信度通过DIoU和centerness确定。
[0012]可选的，所述利用骨干网络提取待检测图像的初始多尺度特征图，具体为：对所述骨干网络的深度、宽度和分辨率进行缩放调整，通过调整后的骨干网络提取待检测图像的初始多尺度特征图。
[0013]可选的，所述骨干网络具体为：多层卷积神经网络；所述多层卷积神经网络中的卷积操作包括对空间卷积和对通道卷积。
[0014]第二方面，本专利技术还提供一种图像目标检测系统，包括：
[0015]特征提取单元，用于获取待检测图像，并利用骨干网络提取待检测图像的初始多尺度特征图；
[0016]特征融合单元，用于对初始多尺度特征图进行特征融合操作，生成融合特征图；利用BiFPN网络对所述融合特征图进行特征处理，得到特征金字塔；
[0017]目标检测单元，用于通过预设检测网络获取所述特征金字塔中每一层特征图的预测框信息和分类信息，基于所述预测框信息和分类信息确定待检测图像的检测目标。
[0018]可选的，所述特征融合操作包括全连接操作和采样操作。
[0019]可选的，所述预设检测网络包括分类器和回归器，其中，所述分类器基于中心定位置信度对所述预测框信息和所述分类信息进行调整，所述中心定位置信度通过DIoU和centerness确定。
[0020]第三方面，本专利技术提供一种数据处理设备，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序，所述程序由所述处理器执行，使得所述数据处理设备执行第一方面所述的图像目标检测方法。
[0021]第四方面，本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述第一方面所述的图像目标检测方法。
[0022]相比现有技术，本专利技术的有益效果在于：
[0023]本专利技术提供的图像目标检测方法通过对待检测图像底层的初始多尺度特征图进行加权特征融合，能够减少网络层数，降低参数计算量，提高计算效率，同时得到包含更加丰富的场景语义信息的特征金字塔，利用该特征金字塔进行目标检测可有效提高检测准确率，优化小目标漏检误检情况。
附图说明
[0024]为了更清楚地说明本专利技术的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0025]图1是本专利技术实施例提供的图像目标检测方法的流程示意图；
[0026]图2是本专利技术实施例提供的图像检测模型的网络结构示意图；
[0027]图3是本专利技术实施例提供的特征融合过程示意图；
[0028]图4是本专利技术实施例提供的图像目标检测系统的结构示意图。
具体实施方式
[0029]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0030]应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
[0031]应当理解，在本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0032]术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0033]术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组
合，并且包括这些组合。
[0034]如图1所示，本专利技术一个实施例提供一种图像目标检测方法，包括下述步骤。
[0035]S1：获取待检测图像，并利用骨干网络提取待检测图像的初始多尺度特征图。
[0036]在本实施例中，为了实现对配电房场景的实时目标检测，需实时获取配电房的待检测图像，并对应进行目标检测。
[0037]S2：对初始多尺度特征图进行特征融合操作，生成融合特征图；利用BiFPN网络对所述融合特征图进行特征处理，得到特征金字塔。
[0038]BiFPN(Bidirectional Feature Network)网络具体为加权双向特征网络，利用该网络可快速进行多尺度特征图融合，同时降低计算量。
[0039]S3：通过预设检测网络获取所述特征金字塔中每一层特征图的预测框信息和分类信息，基于所述预测框信息和分类信息确定待检测图像的检测目标。
[0040]配电房场景图像中设备样式丰富且类型复杂，目标的尺度差别巨大，在不区分尺度的情况下直接进行目标检测容易出现漏检、误检问题，本专利技术上述实施例通过对配电房场景实时的待检测图像底层的初始多尺度特征图进行加权特征融合，能够减少网络层数，降低参数计算量，提高计算效率，同时得到包含更加丰富的场景语义信息的特征金字塔，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像目标检测方法，其特征在于，包括：获取待检测图像，并利用骨干网络提取待检测图像的初始多尺度特征图；对初始多尺度特征图进行特征融合操作，生成融合特征图；利用BiFPN网络对所述融合特征图进行特征处理，得到特征金字塔；通过预设检测网络获取所述特征金字塔中每一层特征图的预测框信息和分类信息，基于所述预测框信息和分类信息确定待检测图像的检测目标。2.根据权利要求1所述的图像目标检测方法，其特征在于，所述特征融合操作包括全连接操作和采样操作。3.根据权利要求1所述的图像目标检测方法，其特征在于，所述预设检测网络包括分类器和回归器，其中，所述分类器基于中心定位置信度对所述预测框信息和所述分类信息进行调整，所述中心定位置信度通过DIoU和centerness确定。4.根据权利要求1所述的图像目标检测方法，其特征在于，所述利用骨干网络提取待检测图像的初始多尺度特征图，具体为：对所述骨干网络的深度、宽度和分辨率进行缩放调整，通过调整后的骨干网络提取待检测图像的初始多尺度特征图。5.根据权利要求1至4任一所述的图像目标检测方法，其特征在于，所述骨干网络具体为：多层卷积神经网络；所述多层卷积神经网络中的卷积操作包括对空间卷积和对通道卷积。6.一种图像目标...

【专利技术属性】
技术研发人员：陈鹏，汪进锋，邰彬，章坚，吕鸿，姚瑶，金杨，黄杨珏，王志华，
申请(专利权)人：广东电网有限责任公司电力科学研究院，
类型：发明
国别省市：