【技术实现步骤摘要】
本专利技术涉及目标检测，尤其涉及一种太赫兹烟箱目标检测的方法及系统。
技术介绍
1、随着工业自动化的不断发展，目标检测技术在各种领域中的应用越来越广泛。在工业流水线目标检测中，传统的目标检测技术有两阶段检测(如faster r-cnn、mask r-cnn)和单阶段检测(如yolo、ssd)分别存在着检测速度慢和处理高重叠目标时效果不佳的问题。
2、两阶段方法，如faster r-cnn和mask r-cnn，首先通过区域提议网络(rpn)生成一系列候选框，然后对每个候选框进行分类和回归。虽然精度较高，但因为涉及到两阶段，所以检测速度相对较慢。
3、单阶段方法，如yolo和ssd，直接在特征图上进行预测，具有较高的检测速度。但它们通常采用网格划分的方式进行预测，对小目标检测效果不佳，且对目标位置的定位精度也不如二阶段方法。
4、并且现在的目标检测技术缺乏针对太赫兹烟箱的特定优化：现有的目标检测技术大多基于通用图像数据集进行训练和优化，无法完全适应太赫兹烟箱的特殊成像特性和应用场景。
技术实现思路
1、针对现有技术中存在的问题，本专利技术提供一种太赫兹烟箱目标检测的方法，包括：
2、步骤s1，分别构建训练图像数据集和太赫兹烟箱数据集，并且对所述训练图像数据集和所述太赫兹烟箱数据集进行图像增强和预处理得到处理后训练图像数据集和处理后太赫兹烟箱数据集，随后将所述处理后训练图像数据集输入预先构建的改进目标检测模型中进行多轮训练得到最优预训练模
3、步骤s2，利用迁移学习技术将所述最优预训练模型的参数载入所述改进目标检测模型得到第二目标检测模型，随后将所述处理后太赫兹烟箱数据集输入所述第二目标检测模型并进行多轮训练得到最终目标检测模型，随后将待测太赫兹烟箱图像数据输入所述最终目标检测模型得到目标的分类类别和位置信息。
4、优选的，所述改进目标检测模型包括：
5、可逆连接特征提取网络层，所述可逆连接特征提取网络层的输入作为所述改进目标检测模型的输入，所述可逆连接特征提取网络层的输出连接可逆卷积层的输入；
6、编码器，所述可逆卷积层的输出结合预先配置的位置编码信息作为所述编码器的输入，所述编码器的输出连接解码器的输入；
7、前馈神经网络层，所述前馈神经网络层的输入连接所述解码器的输出，所述前馈神经网络层的输出作为所述目标的分类类别和位置信息。
8、优选的，所述前馈神经网络层包括：
9、共享前馈网络层，所述共享前馈网络层的输入连接所述解码器的输出，所述共享前馈网络层的输出分别连接分类分支和回归分支，所述分类分支的输出和所述回归分支的输出分别作为所述目标的分类类别和位置信息。
10、优选的，所述分类分支包括：
11、全连接层，连接所述共享前馈网络层的输出，所述全连接层的输出作为所述分类类别。
12、优选的，所述回归分支包括：
13、多层感知机，连接所述共享前馈网络层的输出，所述多层感知机的输出作为所述位置信息。
14、优选的，训练得到最优预训练模型的过程包括：
15、步骤a1，设定训练轮数上限，随后初始化所述改进目标检测模型的权值矩阵；
16、步骤a2，将所述处理后训练图像数据集输入所述改进目标检测模型并进行前向传播，随后计算得到本轮的损失函数；
17、步骤a3，进行反向传播并且更新所述权值矩阵，判断当前的训练轮数是否达到所述训练轮数上限：
18、若是，则利用预先构建的验证集分别对每轮训练后的所述改进目标检测模型进行验证评分，将评分最高的所述改进目标检测模型作为所述最优预训练模型；
19、若否，则增加一次所述训练次数，随后返回所述步骤a2。
20、优选的，所述步骤s2包括：
21、步骤s21，利用迁移学习技术将所述最优预训练模型的参数载入所述改进目标检测模型得到第二目标检测模型；
22、步骤s22，随后将所述处理后太赫兹烟箱数据集输入所述第二目标检测模型并进行多轮训练，利用预先构建的验证集分别对每轮训练后的所述第二目标检测模型进行验证评分，将评分最高的所述第二目标检测模型构建为静态图模型作为所述最终目标检测模型；
23、步骤s23，将待测太赫兹烟箱图像数据输入所述最终目标检测模型得到目标的分类类别和位置信息。
24、本专利技术还提供一种太赫兹烟箱目标检测的系统，应用如上述的方法，包括：
25、预训练模块，用于分别构建训练图像数据集和太赫兹烟箱数据集，并且对所述训练图像数据集和所述太赫兹烟箱数据集进行图像增强和预处理得到处理后训练图像数据集和处理后太赫兹烟箱数据集，随后将所述处理后训练图像数据集输入预先构建的改进目标检测模型中进行多轮训练得到最优预训练模型；
26、目标检测模块，连接所述预训练模块，用于利用迁移学习技术将所述最优预训练模型的参数载入所述改进目标检测模型得到第二目标检测模型，随后将所述处理后太赫兹烟箱数据集输入所述第二目标检测模型并进行多轮训练得到最终目标检测模型，随后将待测太赫兹烟箱图像数据输入所述最终目标检测模型得到目标的分类类别和位置信息。
27、优选的，所述改进目标检测模型包括：
28、可逆连接特征提取网络层，所述可逆连接特征提取网络层的输入作为所述改进目标检测模型的输入，所述可逆连接特征提取网络层的输出连接可逆卷积层的输入；
29、编码器，所述可逆卷积层的输出结合预先配置的位置编码信息作为所述编码器的输入，所述编码器的输出连接解码器的输入；
30、前馈神经网络层，所述前馈神经网络层的输入连接所述解码器的输出，所述前馈神经网络层的输出作为所述目标的分类类别和位置信息。
31、优选的，所述前馈神经网络层包括：
32、共享前馈网络层，所述共享前馈网络层的输入连接所述解码器的输出，所述共享前馈网络层的输出分别连接分类分支和回归分支，所述分类分支的输出和所述回归分支的输出分别作为所述目标的分类类别和位置信息。
33、上述技术方案具有如下优点或有益效果：基于改进目标检测模型，结合训练图像数据集和太赫兹烟箱数据集进行多次训练和选优得到最终目标检测模型对待测太赫兹烟箱图像进行目标检测，可以适应太赫兹烟箱的特殊成像特性和应用场景，并且解决检测速度慢和处理高重叠目标时效果不佳的问题。
本文档来自技高网...【技术保护点】
1.一种太赫兹烟箱目标检测的方法，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，所述改进目标检测模型包括：
3.根据权利要求2所述的方法，其特征在于，所述前馈神经网络层包括：
4.根据权利要求3所述的方法，其特征在于，所述分类分支包括：
5.根据权利要求3所述的方法，其特征在于，所述回归分支包括：
6.根据权利要求1所述的方法，其特征在于，训练得到最优预训练模型的过程包括：
7.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：
8.一种太赫兹烟箱目标检测的系统，其特征在于，应用如权利要求1-7中任意一项所述的方法，包括：
9.根据权利要求8所述的系统，其特征在于，所述改进目标检测模型包括：
10.根据权利要求9所述的系统，其特征在于，所述前馈神经网络层包括：
【技术特征摘要】
1.一种太赫兹烟箱目标检测的方法，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，所述改进目标检测模型包括：
3.根据权利要求2所述的方法，其特征在于，所述前馈神经网络层包括：
4.根据权利要求3所述的方法，其特征在于，所述分类分支包括：
5.根据权利要求3所述的方法，其特征在于，所述回归分支包括：
6.根据权利要求1所述的...
【专利技术属性】
技术研发人员：陈晓星，
申请(专利权)人：华太极光光电技术有限公司，
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。