【技术实现步骤摘要】
本申请涉及人工智能，具体而言，涉及一种透明物体的检测方法及装置、非易失性存储介质。
技术介绍
1、随着无人机产业的日渐成熟，无人机在空中飞行过程中，如何能够精确检测透明玻璃物体并实时进行避障操作，逐渐成为了一项重要的研究课题。近年来，显著目标检测作为一项二元图像分割任务，发展迅速，但玻璃目标检测还没有得到足够的关注。玻璃不同于普通的显眼物体，由于其具有镜面反射和透视效应的独特光学特性，大多数情况下即使是人眼也无法直接区分。在人类的视觉系统中，当目标出现在视线范围内时，人们会首先在空间中定位目标对象，然后观察其他部分的细节，如透明玻璃通常会对物体或折射光进行重新反射，传统显著目标检测方法难以准确定位玻璃状物体，这就需要对模型改进以捕获更丰富的全局语义以及更详细的图像局部信息。
2、目前同类的识别方法通常包含以下几类：早期的显著目标检测方法是利用自底而上的模式来预测显著性图，如对比度、边界背景、中心先验等。其中，多尺度特征融合是一种结合互补的常用方式。
3、然而，上述分割方法大多不适用于玻璃物体检测任务，因为玻璃区域通常在输入图像中占据较大的空间，此外，玻璃图像的阴影和无阴影区域之间的强烈差异也十分不明显。透明的玻璃能够完全显示它背后的物体，这种特性使得模型很难检测并精确地分割玻璃与其他物体。然而近年来，卷积神经网络在玻璃检测任务中逐渐显示出其优越性。然而，相关基于卷积神经网络的玻璃检测方法都忽略了一个重要的点，即并没有充分和有效地利用所提取的特征，因此导致被检测到的玻璃形状不是很理想，玻璃的边缘粗糙、位置不
4、针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本申请实施例提供了一种透明物体的检测方法及装置、非易失性存储介质，以至少解决由于相关技术未充分及有效地利用透明物体的待处理图像对应的特征图像，造成无法精准检测透明物体的技术问题。
2、根据本申请实施例的一个方面，提供了一种透明物体的检测方法，包括：将透明物体的待处理图像输入n层预设卷积神经网络模型，得到n层预设卷积神经网络模型输出的n层第一特征图像，其中，n为正整数；对n层第一特征图像中的第n层的第一特征图像进行第一处理，得到透明物体的初始定位图像，其中，第一处理包括：确定图像中像素的位置信息；对第n-1层的第一特征图像和初始定位图像进行第二处理，得到第二特征图像，其中，第二处理包括：确定像素的语义特征；对第二特征图像和初始定位图像进行第三处理，得到第三特征图像，其中，第三处理包括：将特征图像进行多尺度分割并融合；自第n-2层至第2层，依次对各层对应的特征图像进行第二处理和第三处理，得到第2层对应的第一目标特征图像；对第1层的第一特征图像和第一目标特征图像进行第三处理，得到透明物体的检测结果。
3、可选地，将n层第一特征图像中的第n层的第一特征图像输入第n层的全局感知模块，得到透明物体的初始定位图像，其中，全局感知模块用于确定图像中像素的位置信息；将第n-1层的第一特征图像和初始定位图像输入第n-1层的全局功能抛光网络模块，得到第二特征图像，其中，全局功能抛光网络模块用于确定像素的语义特征；将第二特征图像和初始定位图像输入第n-1层的多尺度细化模块，得到第三特征图像，其中，多尺度细化模块用于将特征图像进行多尺度分割并融合；自第n-2层至第2层，依次将每层全局功能抛光网络模块输出的图像和前一层多尺度细化模块输出的图像，输入当前层的多尺度细化模块，得到第2层的多尺度细化模块输出的第一目标特征图像；将第1层的第一特征图像和第一目标特征图像输入第1层的多尺度细化模块，得到透明物体的检测结果。
4、可选地，将n层第一特征图像中的第n层的第一特征图像输入第n层的全局感知模块，得到透明物体的初始定位图像，包括：将第n层的第一特征图像中的第一特征转化为第二特征和第三特征，得到第一图像，其中，第一特征包括：图像的通道数、图像的高度和图像的宽度，第二特征包括：图像的通道数和图像的高度，第三特征包括：图像的通道数和图像的宽度；对第一图像进行卷积和扩展处理，得到第二图像；将第二图像中的第二特征和第三特征进行求和处理，得到第三图像；对第三图像进行卷积和归一化处理，得到第四图像；对第四图像和待处理图像对应的像素值进行相乘处理，得到初始定位图像。
5、可选地，将第n-1层的第一特征图像和初始定位图像输入第n-1层的全局功能抛光网络模块，得到第二特征图像，包括：分别对初始定位图像进行两次不同的卷积处理，得到第五图像和第六图像；对第七图像对应的第一矩阵进行转置处理，得到第一目标矩阵，其中，第七图像为第五图像和第六图像中的任意一个图像；对第一目标矩阵和第二矩阵进行相乘计算，得到第二目标矩阵，其中，第二矩阵为第八图像对应的矩阵，第八图像为第五图像和第六图像中除第七图像以外的图像；利用预设激活函数对第二目标矩阵进行激活处理，得到第三目标矩阵；对第n-1层的第一特征图像进行卷积处理，得到第九图像；根据第九图像对应的第三矩阵和第三目标矩阵，确定第二特征图像。
6、可选地，将第二特征图像和初始定位图像输入第n-1层的多尺度细化模块，得到第三特征图像之前，方法还包括：根据多尺度细化模块的通道数，将第二特征图像划分为x组，得到x组第十图像。
7、可选地，将第二特征图像和初始定位图像输入第n-1层的多尺度细化模块，得到第三特征图像，包括：将x组第十图像中的第1组第十图像与初始定位图像进行拼接处理，得到第十一图像，将第十一图像作为第二分支来自第一分支的输入图像，其中，第一分支为第一组第十图像所在分支，第二分支为第2组第十图像所在分支；对第十一图像进行卷积处理，得到第一目标图像；自第二组至第x组，将第十图像与输入图像进行拼接处理，得到x-1个输出图像，分别对x-1个输出图像进行卷积处理，得到对x-1个目标图像；根据第一目标图像和x-1个目标图像，确定第三特征图像。
8、可选地，根据第一目标图像和x-1个目标图像，确定第三特征图像，包括：将第一目标图像和x-1个目标图像进行求和处理，得到第二目标图像；对第二目标图像进行卷积处理，得到第三目标图像；对第三目标图像和初始定位图像进行求和处理，得到第三特征图像。
9、根据本申请实施例的再一方面，还提供了一种透明物体的检测装置，包括：提取模块，用于将透明物体的待处理图像输入n层预设卷积神经网络模型，得到n层预设卷积神经网络模型输出的n层第一特征图像，其中，n为正整数；第一处理模块，用于对n层第一特征图像中的第n层的第一特征图像进行第一处理，得到透明物体的初始定位图像，其中，第一处理包括：确定图像中像素的位置信息；第二处理模块，用于对第n-1层的第一特征图像和初始定位图像进行第二处理，得到第二特征图像，其中，第二处理包括：确定像素的语义特征；第三处理模块，用于对第二特征图像和初始定位图像进行第三处理，得到第三特征图像，其中，第三处理包括：将特征图像进行多尺度分割并融合；第四处理模块，用于自第n-本文档来自技高网...
【技术保护点】
1.一种透明物体的检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，包括：
3.根据权利要求2所述的方法，其特征在于，将所述n层第一特征图像中的第n层的第一特征图像输入第n层的全局感知模块，得到透明物体的初始定位图像，包括：
4.根据权利要求2所述的方法，其特征在于，将第n-1层的第一特征图像和所述初始定位图像输入第n-1层的全局功能抛光网络模块，得到第二特征图像，包括：
5.根据权利要求2所述的方法，其特征在于，将所述第二特征图像和所述初始定位图像输入第n-1层的多尺度细化模块，得到第三特征图像之前，所述方法还包括：根据所述多尺度细化模块的通道数，将所述第二特征图像划分为x组，得到x组第十图像。
6.根据权利要求5所述的方法，其特征在于，将所述第二特征图像和所述初始定位图像输入第n-1层的多尺度细化模块，得到第三特征图像，包括：
7.根据权利要求6所述的方法，其特征在于，根据所述第一目标图像和所述x-1个目标图像，确定第三特征图像，包括：
8.一种透明物体的检测装置，其特征
9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至7中任意一项所述的透明物体的检测方法。
10.一种电子设备，其特征在于，包括：存储器和处理器，所述处理器用于运行存储在所述存储器中的程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的透明物体的检测方法。
...【技术特征摘要】
1.一种透明物体的检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，包括：
3.根据权利要求2所述的方法，其特征在于，将所述n层第一特征图像中的第n层的第一特征图像输入第n层的全局感知模块，得到透明物体的初始定位图像，包括：
4.根据权利要求2所述的方法，其特征在于，将第n-1层的第一特征图像和所述初始定位图像输入第n-1层的全局功能抛光网络模块，得到第二特征图像，包括：
5.根据权利要求2所述的方法，其特征在于，将所述第二特征图像和所述初始定位图像输入第n-1层的多尺度细化模块，得到第三特征图像之前，所述方法还包括：根据所述多尺度细化模块的通道数，将所述第二特征图像划分为x组，得到x组第十图像。
6.根...
【专利技术属性】
技术研发人员：李扬，
申请(专利权)人：中国电信股份有限公司，
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。