[发明专利]基于深度学习的飞机挂架检测方法以及终端设备

说明书

本发明公开了基于深度学习的飞机挂架检测方法以及终端设备；包括步骤：构建模型，训练模型包括前后级联的多个卷积模块，在第一卷积模块之后，至少有一个卷积模块的输入端和输出端之间设置有短连接通道，短连接通道的输出特征与卷积模块的输出特征通过加法器进行特征汇聚，汇聚的结果输入到下一个卷积模块；模型收敛，对训练模型进行训练，获得收敛模型；挂架检测，将获取的飞机的图像数据输入到收敛模型，由收敛模型输出与飞机上的挂架相适配的预测框。通过短连接通道和跳跃连接通道将卷积模块的输出特征进行汇聚，能够将底层特征汇聚到深层特征中，达到更优的特征表示，提升训练模型对飞机挂架检测的性能。准确的检测出图像数据中的挂架。

技术领域

本发明涉及飞机挂架检测方法的技术领域，尤其涉及一种基于深度学习的飞机挂架检测方法以及终端设备。

背景技术

目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。因此，目标检测也就成为了近年来理论和应用的研究热点，它是图像处理和计算机视觉学科的重要分支，也是智能监控系统的核心部分，同时目标检测也是泛身份识别领域的一个基础性的算法，对后续的人脸识别、步态识别、人群计数、实例分割等任务起着至关重要的作用。

飞机挂架检测与一般的检测目标相比，有如下特点：(1)飞机挂架目标较小。图像数据的大小为1600×900，飞机挂架的大小约为100×60，在整个图像数据中占的比例比较小。(2)飞机挂架的外观存在多样性。由于采集视角的不同，采集的距离不同，不同飞机的挂架呈现不同的外观。针对上述特点，利用现有的基于深度学习的目标检测的方法进行检测，其检测精度较低。

发明内容

本发明主要解决的技术问题是提供一种基于深度学习的飞机挂架检测方法以及终端设备，解决图像数据中占的比例比较小、飞机挂架的外观存在多样性而使对挂架的检测精度较低的问题。

为解决上述技术问题，本发明采用的一个技术方案是提供一种基于深度学习的飞机挂架检测方法，包括步骤：

构建模型，训练模型包括前后级联的多个卷积模块，在第一卷积模块之后，至少有一个卷积模块的输入端和输出端之间设置有短连接通道，所述短连接通道的输出特征与所述卷积模块的输出特征通过加法器进行特征汇聚，汇聚的结果输入到下一个卷积模块；模型收敛，对所述训练模型进行训练，获得收敛模型；挂架检测，将获取的飞机的图像数据输入到所述收敛模型，由所述收敛模型输出与所述飞机上的挂架相适配的预测框。

优选的，所述卷积模块包括位于初始位置的第一卷积模块、位于中间位置的汇聚卷积模块和位于后部位置的附加卷积模块，所述短连接通道设置在所述汇聚卷积模块的输入端和输出端之间。

优选的，所述汇聚卷积模块i的输出特征为：i≥1

其中：表示第i个所述汇聚卷积模块S的输出特征，P表示所述汇聚卷积模块的池化操作；F为所述汇聚卷积模块中的卷积单元的函数，表示第i个所述汇聚卷积模块的输入特征；ω表示所述汇聚卷积模块的卷积参数；

所述汇聚卷积模块i的输入端与输出端之间连接的所述短连接通道输出结果为

其中，Y_o表示所述第一卷积模块C1的输出特征，表示所述汇聚卷积模块i的输入端的输入特征，ωsc为所述短连接通道的卷积操作；

所述加法器的输出即为紧邻其后的所述卷积模块的输入表示为：