【技术实现步骤摘要】
本专利技术属于核电燃料管理，具体涉及一种基于深度学习面向核电水下移动拍摄场景的小目标识别系统及方法。
技术介绍
1、小目标识别是计算机视觉领域中的一项具有挑战性的任务，主要面临着以下几个难点。
2、1)目标尺寸小，小目标在图像或视频中所占比例很小，可能只占据几个像素，难以提取有效的特征信息；
3、2)特征信息不足，由于目标尺寸小，从图像中提取的特征信息往往不足，导致难以准确识别目标；
4、3)遮挡问题，在许多实际场景中，小目标可能会被其他物体遮挡，可能导致目标特征信息不完整，从而影响识别的准确性；
5、4)光照变化，光照变化是计算机视觉中常见的问题之一，光照变化可能导致目标颜色、亮度等特征发生变化，影响目标的检测和识别；
6、5)背景干扰，在许多情况下，图像中的背景与目标相似，导致难以区分目标和背景，这需要使用有效的背景去除或背景替换技术，以减少背景对小目标识别的干扰；
7、6)计算复杂度高，小目标识别往往需要处理大量的图像或视频数据，计算复杂度高，为了满足实时性要求，需要优化算法和计算过程，提高计算效率；
8、7)数据标注困难，对于深度学习而言，小目标识别需要标注大量的小目标数据，工作量大且困难，如何有效地标注和利用这些数据是提高小目标识别性能的关键之一；
9、8)模型泛化能力不足，目前大多数小目标识别算法在训练数据集上表现良好，但在实际应用中往往泛化能力不足，可能是因为模型过于依赖训练数据中的特定特征或标注，对于实际场景中的变化适
10、9)多目标交互与重叠，在复杂场景中，多个小目标之间可能存在交互和重叠，使得目标检测和识别更加困难；
11、10)动态环境变化，在实际应用中，场景中的环境和光照等因素可能会发生变化，导致已有的模型无法适应新的环境，如何设计自适应的模型和方法来处理动态环境变化也是一项挑战。
12、为了解决这些难点，现有技术存在以下解决方案，包括改进的目标检测算法、特征增强技术、上下文信息利用等。其中，基于深度学习的目标检测算法是最常用的方法之一。通过训练深度神经网络，可以自动学习和提取图像中的特征，并利用回归或分类的方法实现目标检测。此外，多尺度特征融合、上下文信息利用、注意力机制等方法也被广泛应用于小目标识别中。
13、核电小目标识别是指在核电站中，对小型的目标进行检测和识别的任务。这些目标可能包括核燃料组件、设备故障、泄漏等，对于核电站的安全和运行效率至关重要。
14、在实际应用中，核电小目标识别可以采用多种技术和方法。其中，基于机器学习和深度学习的方法是最常用的方法之一。通过训练深度神经网络，可以自动学习和提取图像中的特征，并利用分类或回归的方法实现目标检测。同时，可以采用多尺度特征融合、上下文信息利用等技术来提高小目标识别的准确率和鲁棒性。具体实例包括：
15、核燃料组件检测：在核电站中，需要对核燃料组件进行定期检测，以确保它们的状态良好。可以采用基于深度学习的目标检测算法，对燃料组件进行自动检测和识别，并对其质量进行评估。
16、设备故障检测：在核电站中，设备故障是常见的问题之一。可以采用基于深度学习的目标检测算法，对设备故障进行自动检测和识别，及时发现并处理故障，确保核电站的安全和正常运行。
17、泄漏检测：在核电站中，泄漏是另一个重要的问题。可以采用基于深度学习的目标检测算法，对核电站中的各种管道和设备进行泄漏检测，及时发现并处理泄漏问题，避免造成严重后果。
18、总之，核电小目标识别是核电站管理中的一项重要工作，它能够提高核电站的安全性和运行效率。在实际应用中，需要采用科学、规范的方法和技术，确保每个目标都能够得到正确的检测和识别。
19、在核电领域，实际使用深度学习进行小目标识别时，存在的问题是核电环境较为特殊，大部分依赖现场的样本很难获取大批量且均衡的，这就导致直接适用现有的深度学习框架进行目标识别任务时，存在识别率难以达到应用级别的要求，需求根据实际情况调整使用深度学习的方法，以提高核电移动拍摄场景下的小目标识别的准确率。另外，因为核电水下现场图像采集质量的问题，单张图像小目标识别的结果可能存在不稳定的因素。
技术实现思路
1、本专利技术的目的是提供一种基于深度学习面向核电水下移动拍摄场景的小目标识别系统及方法，采用多模型融合的方法，提高单张图像小目标识别的准确率；采用分割和统计多帧小目标信息的方法，抑制依靠单张图像识别小目标的不稳定性。
2、本专利技术的技术方案如下：一种基于深度学习面向核电水下移动拍摄场景的小目标识别方法，包括如下步骤：
3、s1：构造小目标roi；
4、s2：识别小目标；
5、s3：分割和统计小目标信息；
6、s4：保存和显示小目标。
7、所述的步骤1包括：
8、s11：根据小目标识别任务需求，使用图像采集装置，移动采集核电水下对应的图像；
9、s12：使用定位图像特征模型，输入采集的图像，输出图像中所有的特征位置；
10、s13：根据图像特征位置和图像中心，确定图像中主小目标区域，并计算拍摄图像相对标准图像的角度，再旋转图像中主小目标区域，并通过图像处理算法设计小目标roi定位函数，构造小目标roi。
11、所述的步骤1中定位图像特征模型采集现场一定数量的小目标任务场景图像，标注图像中稳定的特征，使用深度学习框架训练定位图像特征模型。
12、所述的步骤2包括：
13、s21：使用小目标定位模型，输入小目标roi，输出小目标图像，并按照图像的实际位置进行排序；小目标定位模型输入现场采集的小目标任务场景图像，输出小目标roi，对小目标roi中的小目标进行标注，使用深度学习框架训练小目标定位模型；
14、s22：使用小目标分类模型，输入小目标图像，输出小目标分类结果；小目标分类模型输入小目标roi，输出小目标图像，再对小目标图像进行人为分类，最后使用深度学习框架训练小目标分类模型；
15、s23：根据单张图像的预测信息，构造单帧图像的小目标信息，预测信息具体包括小目标类别和当前帧小目标中心相对上一帧小目标中心的移动距离；
16、s24：根据连续的历史单帧图像小目标信息构造多帧图像小目标信息。
17、所述的步骤3包括：
18、s31：设置距离阈值，根据中心移动距离，判断移动距离是否达到分割条件；
19、s32：设置帧数阈值，根据分割帧数，判断分割帧数是否达到分割条件；
20、s33：统计分割的帧信息中的出现次数最多的非空信息；
21、s34：判断是否完成当前一轮检测，判断条件为真时，统计最后分割帧中出现次数最多的信息，判断条件为假时，继续步骤s31-s33。
22、所述的步骤4包括：
本文档来自技高网...
【技术保护点】
1.一种基于深度学习面向核电水下移动拍摄场景的小目标识别方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于深度学习面向核电水下移动拍摄场景的小目标识别方法，其特征在于，所述的步骤1包括：
3.如权利要求2所述的一种基于深度学习面向核电水下移动拍摄场景的小目标识别方法，其特征在于：所述的步骤1中定位图像特征模型采集现场一定数量的小目标任务场景图像，标注图像中稳定的特征，使用深度学习框架训练定位图像特征模型。
4.如权利要求1所述的一种基于深度学习面向核电水下移动拍摄场景的小目标识别方法，其特征在于，所述的步骤2包括：
5.如权利要求1所述的一种基于深度学习面向核电水下移动拍摄场景的小目标识别方法，其特征在于，所述的步骤3包括：
6.如权利要求1所述的一种基于深度学习面向核电水下移动拍摄场景的小目标识别方法，其特征在于，所述的步骤4包括：
7.一种基于深度学习面向核电水下移动拍摄场景的小目标识别系统，其特征在于：包括构造小目标ROI模块，识别小目标模块，分割和统计小目标信息模块，保存和显示小目标模块
8.如权利要求7所述的一种基于深度学习面向核电水下移动拍摄场景的小目标识别系统，其特征在于：所述的构造小目标ROI模块包括移动采集核电水下图像、定位图像特征和构造小目标感兴趣区域。
9.如权利要求7所述的一种基于深度学习面向核电水下移动拍摄场景的小目标识别系统，其特征在于：所述的识别小目标模块包括定位小目标图像、分类小目标图像、生成单帧图像小目标信息和构造多帧图像小目标信息。
10.如权利要求7所述的一种基于深度学习面向核电水下移动拍摄场景的小目标识别系统，其特征在于：所述的分割和统计小目标信息模块包括移动距离分割帧数、分割帧数去抖动、统计未结束分割的帧信息和统计结束时分割的帧信息；保存和显示小目标模块包括软件后台保存单帧图像的预测信息和软件界面显示预测信息。
...【技术特征摘要】
1.一种基于深度学习面向核电水下移动拍摄场景的小目标识别方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于深度学习面向核电水下移动拍摄场景的小目标识别方法，其特征在于，所述的步骤1包括：
3.如权利要求2所述的一种基于深度学习面向核电水下移动拍摄场景的小目标识别方法，其特征在于：所述的步骤1中定位图像特征模型采集现场一定数量的小目标任务场景图像，标注图像中稳定的特征，使用深度学习框架训练定位图像特征模型。
4.如权利要求1所述的一种基于深度学习面向核电水下移动拍摄场景的小目标识别方法，其特征在于，所述的步骤2包括：
5.如权利要求1所述的一种基于深度学习面向核电水下移动拍摄场景的小目标识别方法，其特征在于，所述的步骤3包括：
6.如权利要求1所述的一种基于深度学习面向核电水下移动拍摄场景的小目标识别方法，其特征在于，所述的步骤4包括：
7.一种基于深度学习...
【专利技术属性】
技术研发人员：左国勇，李莉，杨斌，耿贺辉，刘涛，陈勇，龚雪琼，张云，张朝宇，
申请(专利权)人：中核武汉核电运行技术股份有限公司，
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。