[发明专利]目标检测方法、装置、电子设备及可读存储介质

权利要求书

1.一种目标检测方法，其特征在于，所述方法包括：

提取输入图像的图像特征；

基于所述图像特征获取所述输入图像中的待检测对象的对象分割图；

基于所述图像特征获取所述输入图像中的感兴趣目标的目标掩膜图；

根据所述对象分割图和所述目标掩膜图获取所述待检测对象中包含感兴趣目标的对象的信息。

2.根据权利要求1所述的方法，其特征在于，所述基于所述图像特征获取所述输入图像中的待检测对象的对象分割图，包括：

将所述图像特征输入至语义分割网络进行处理，获得针对所述待检测对象的对象掩膜图；

基于所述图像特征获取所述输入图像中所述待检测对象的对象定位图；

根据所述对象掩膜图与所述对象定位图获取所述待检测对象的对象分割图。

3.根据权利要求2所述的方法，其特征在于，所述语义分割网络包括至少一个下采样层和至少一个上采样层，所述将所述图像特征输入至语义分割网络进行处理，获得针对所述待检测对象的对象掩膜图，包括：

将所述图像特征输入至所述至少一个下采样层进行处理，获得下采样特征；

将所述下采样特征输入至所述至少一个上采样层进行处理，获得针对所述待检测对象的对象掩膜图。

4.根据权利要求3所述的方法，其特征在于，所述至少一个下采样层包括N层，所述至少一个上采样层包括N层，第i上采样层的输入由上一个上采样层的输出与对应的第i下采样层的输出融合得到，所述第i上采样层与第i下采样层输出的特征具有相同分辨率，N为大于等于1的整数，i取1至N。

5.根据权利要求3或4所述的方法，其特征在于，所述将所述下采样特征输入至所述至少一个上采样层进行处理，获得针对所述待检测对象的对象掩膜图，包括：

将所述下采样特征输入至循环神经网络模型，通过所述循环神经网络模型获取所述输入图像的序列特征；

将所述序列特征输入至所述至少一个上采样层进行处理，获得针对所述待检测对象的对象掩膜图。

6.根据权利要求2所述的方法，其特征在于，所述对象掩膜图为每个待检测对象对应的对象掩膜图，所述根据所述对象掩膜图与所述对象定位图获取所述待检测对象的对象分割图，包括：

根据各个对象掩膜图与所述对象定位图获取各个待检测对象的对象分割图。

7.根据权利要求1至6中任一项所述的方法，其特征在于，所述包含感兴趣目标的对象的信息包括所述感兴趣目标在所述对象分割图中的位置信息。

8.根据权利要求1至7中任一项所述的方法，其特征在于，所述感兴趣目标为缺陷，所述包含感兴趣目标的对象的信息包括所述感兴趣目标的缺陷类别。

9.根据权利要求1至8任一所述的方法，其特征在于，所述基于所述图像特征获取所述输入图像中的感兴趣目标的目标掩膜图，包括：

利用卷积神经网络模型基于所述图像特征获取所述输入图像中的感兴趣目标的目标掩膜图。

10.根据权利要求9所述的方法，其特征在于，所述感兴趣目标为缺陷，所述提取输入图像的图像特征之前，还包括：

获取多张训练图像，每张训练图像中标注有具有缺陷的缺陷对象；

利用所述训练图像对所述卷积神经网络模型进行训练。

11.根据权利要求10所述的方法，其特征在于，所述获取多张训练图像，包括：

获取K张初始图像，K为大于或等于1的整数；

确定每张初始图像中具有缺陷的缺陷对象所在的区域；

将每张图像中所述缺陷对象所在的区域进行擦除，获得空白区域；

获取模拟的与所述缺陷对象的缺陷类别不同的多个其他缺陷类别的缺陷对象；

将所述多个其他缺陷类别的缺陷对象分别与所述空白区域进行融合，获得J张训练图像，J为大于K的整数。