[发明专利]一种弱光下的目标智能检测方法

权利要求书

1.一种弱光下的目标智能检测方法，其特征在于，所述检测方法包括：

步骤一、对深度学习的软件环境进行配置；

步骤二、利用网络下载或相机拍摄方式收集图片数据，获得图像数据集A；

步骤三、对图像数据集A中的待测物体或目标进行标记，并获得标签数据集B；

步骤四、利用降低亮度和图像增强方式将图像数据集A处理为图像数据集C，并利用标签数据集B生成图像数据集C对应的标签数据集D；

步骤五、利用图像数据集A和图像数据集C生成图像数据集E；利用标签数据集B和标签数据集D生成标签数据集F；

步骤六、利用图像数据集E和标签数据集F训练神经网络模型，生成弱光目标检测模型；

步骤七、验证弱光检测效果；

具体过程为：

步骤一、环境配置准备：在计算机上配置基于深度学习的目标检测算法和图像增强算法所需要的环境；

步骤二、收集数据：利用网络下载图片或相机拍摄图片作为待测物体或目标的训练用图片；

将所述图片汇总后得到图像数据集A，其中，所述图像数据集A中包含的图片数量为a；

步骤三、标记图片：采用矩形框对步骤二获得的图像数据集A中每张图片内的待测物体或目标进行标记，并利用标记后的数据汇总形成标签数据集B；

步骤四、数据增强：利用降低亮度和图像增强方式对所述图像数据集A中的图片进行图像增强处理，并汇总处理后的图像信息获得图像数据集C；然后，将标签数据集B拷贝生成图像数据集C对应的标签数据集D；

步骤五、数据集处理：将图像数据集A和图像数据集C合并得到图像数据集E；将标签数据集B与标签数据集D合并为标签数据集F；

步骤六、训练神经网络模型：将步骤五所述图像数据集E中的图片随机分为三个部分，所述三个部分分别为训练集Q1，验证集Q2和测试集Q3；然后，将标签数据集F分为对应的训练集P1，验证集P2和测试集P3；将这6组数据集导入到神经网络模型中用作训练、验证和测试，最终生成弱光目标检测模型；

步骤七、验证弱光检测效果：在弱光条件下拍摄包含待检测物体或目标的图片，将该图片利用图像增强算法增强，获得增强后的图片；然后，将原图片和增强后的图片同时送入弱光目标检测模型验证弱光检测效果。

2.根据权利要求1所述目标智能检测方法，其特征在于，步骤一所述目标检测算法为基于候选区域的目标检测算法或单次目标检测算法；所述图像增强算法为低照度图像增强算法，所述低照度图像增强算法包括Retinex图像增强算法、色调映射图像增强算法或直方图图像增强算法。

3.根据权利要求1所述目标智能检测方法，其特征在于，步骤三所述标签数据集B中包含矩形框的坐标信息、矩形框中物体或目标的名称信息；其中，所述矩形框的坐标信息包括矩形框的左上角起始坐标、矩形框的宽度与高度。

4.根据权利要求1所述目标智能检测方法，其特征在于，步骤四所述数据增强的具体方法为：

第一步、选择M个大于0且小于1的数值，将所述M个大于0且小于1的数值命名为M个亮度尺度；

第二步、将图像数据集A中的每张图片通过降低亮度的方式生成M张新图片，其中，M张新图片的亮度＝原图片亮度*对应的亮度尺度；同时，将图像数据集A中的每张图片用图像增强算法进行增强处理，最终生成a*(M+1)个新图片，所述a*(M+1)个新图片形成图像数据集C；

第三步、将标签数据集B拷贝生成图像数据集C对应的标签数据集D。

5.根据权利要求1所述目标智能检测方法，其特征在于，步骤六中设置的训练集Q1占图像数据集E的70％；验证集Q2占图像数据集E的15％；测试集Q3占图像数据集E的15％。

6.根据权利要求1所述目标智能检测方法，其特征在于，步骤六中设置的训练集P1占数据集F的70％；验证集P2占数据集F的15％；测试集P3占数据集F的15％。