图像检测方法、装置、设备及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114170421A(43)申请公布日2022.03.11(21)申请号202210123174.1G06V10/82(2022.01)(22)申请日2022.02.10G06N3/04(2006.01)(71)申请人青岛海尔工业智能研究院有限公司地址266510山东省青岛市黄岛区团结路2877号中德生态园管委会257房间申请人海尔数字科技（青岛）有限公司海尔卡奥斯物联生态科技有限公司(72)发明人陈录城贾冬冬王暖来姚星星孟海秀赵书玲(74)专利代理机构北京品源专利代理有限公司11332代理人王瑞云(51)Int.Cl.G06V10/25(2022.01)G06V10/774(2022.01)权利要求书2页说明书7页附图3页(54)发明名称图像检测方法、装置、设备及存储介质(57)摘要本申请公开了一种图像检测方法、装置、设备及存储介质，涉及图像识别领域，该方法包括：获取待检测图像和模型训练数据集；获取改进YOLO网络模型，其中，改进YOLO网络模型包含有空间金字塔池化SPP网络层和融合因子α，融合因子α用于对SPP网络层处理后的特征图进行融合处理；根据模型训练数据集训练改进YOLO网络模型，生成检测模型；根据检测模型检测待检测图像，生成检测结果。通过本方案可以设计出高性能的网络模型，该模型可以应用于各类场景下，对采集到的图像中的小目标对象进行检测，并具有较高的检测精度。CN114170421ACN114170421A权利要求书1/2页1.一种图像检测方法，其特征在于，包括：获取待检测图像和模型训练数据集；获取改进YOLO网络模型，其中，所述改进YOLO网络模型包含有自适应空间特征融合ASFF网络层、空间金字塔池化SPP网络层和融合因子α，所述融合因子α用于对所述SPP网络层处理后的特征图进行融合处理；根据模型训练数据集训练所述改进YOLO网络模型，生成检测模型；根据所述检测模型检测所述待检测图像，生成检测结果；所述根据模型训练数据集训练所述改进YOLO网络模型，生成检测模型，包括：基于所述YOLO网络模型包含的Darknet53网络层对所述模型训练数据集进行特征提取，生成三个层次的特征图；基于所述SPP网络层分别对所述三个层次的特征图进行处理，生成三个输出特征图；基于所述融合因子α和所述三个输出特征图，生成三个卷积特征图；基于所述改进YOLO网络模型中的自适应空间特征融合ASFF网络层对所述三个卷积特征图进行处理；将处理所述三个卷积特征图后得到的网络模型确定为检测模型。2.根据权利要求1所述的方法，其特征在于，所述基于所述融合因子α和所述三个输出特征图，生成三个卷积特征图，包括：对第一输出特征图进行卷积处理，生成第一图像；基于所述融合因子α分别对第一输出特征图和第二输出特征图，以及第二输出特征图和第三输出特征图进行融合处理，对应生成第二图像和第三图像；分别对所述第一图像、所述第二图像和所述第三图像进行卷积处理，生成三个卷积特征图；其中，所述第一输出特征图、所述第二输出特征图和所述第三输出特征图为所述三个输出特征图中的图像，且所述第一输出特征图、所述第二输出特征图和所述第三输出特征图的优先级依次从高到低。3.根据权利要求2所述的方法，其特征在于，所述基于所述融合因子α分别对第一输出特征图和第二输出特征图，以及第二输出特征图和第三输出特征图进行融合处理，对应生成第二图像和第三图像，包括：通过第一公式对第一输出特征图和第二输出特征图进行融合处理，生成第二图像；通过所述第一公式对第二输出特征图和第三输出特征图进行融合处理，生成第三图像；其中，所述第一公式含有所述融合因子α。4.根据权利要求3所述的方法，其特征在于，所述第一公式还包括有输出特征图的输入通道和各输入通道对应的卷积核。5.根据权利要求1所述的方法，其特征在于，所述基于所述改进YOLO网络模型中的自适应空间特征融合ASFF网络层对所述三个卷积特征图进行处理，包括：在所述自适应空间特征融合ASFF网络层中，通过第二公式对所述三个卷积特征图进行特征融合处理；其中，所述第二公式包括所述三个卷积特征图中每个卷积特征图上的特征点至第L个2CN114170421A权利要求书2/2页卷积特征图上对应特征点的特征向量，以及所述特征向量对应的权重参数，所述L的取值为1~3中的任意一个整数。6.一种图像检测装置，其特征在于，包括：获取模块，用于获取待检测图像和模型训练数据集；所述获取模块，还用于获取改进YOLO网络模型，其中，所述改进YOLO网络模型包含有自适应空间特征融合ASFF网络层、空间金字塔池化SPP网络层和融合因子α，所述融合因子α用于对所述SPP网络层处理后的特征图进行融合处理；训练模块，用于根据模型训练数