[发明专利]基于深度学习的合作目标靶球检测方法及相关装置

权利要求书

1.一种基于深度学习的合作目标靶球检测方法，其特征在于，通过合作目标靶球检测模型实现，所述合作目标靶球检测模型为改进的YOLOv2网络模型，其中，合作目标靶球检测模型在输入层之后增加设置了Focus模块，在输出层之前增加设置了注意力模块；所述方法，包括：

获取合作目标靶球图像；

将所述合作目标靶球图像输入所述合作目标靶球检测模型；利用所述Focus模块对所述合作目标靶球图像进行切片并卷积，得到所述合作目标靶球图像的采样特征图；利用特征提取网络对所述采样特征图进行特征提取，得到所述合作目标靶球图像的卷积特征图；利用所述注意力模块对所述卷积特征图进行注意力处理，得到所述合作目标靶球图像的注意力机制特征图；

根据所述注意力机制特征图，得到所述合作目标靶球图像中的合作目标靶球的位置。

2.根据权利要求1所述的方法，其中，所述利用所述Focus模块对所述合作目标靶球图像进行切片并卷积，得到所述合作目标靶球图像的采样特征图，具体包括：

对所述合作目标靶球图像进行最邻近下采样，间隔选取像素的数值，得到四张切片图像，对四张所述切片图像进行卷积，得到所述采样特征图。

3.根据权利要求1所述的方法，其中，所述利用特征提取网络对所述采样特征图进行特征提取，得到所述合作目标靶球图像的卷积特征图，具体包括：

将所述采样特征图的特征映射划分为两部分，一部分进行卷积并将卷积结果与该阶段的末尾相连，另一部分通过跨阶段层次结构与所述卷积结果进行合并，得到所述合作目标靶球图像的卷积特征图。

4.根据权利要求1所述的方法，其中，所述利用所述注意力模块对所述卷积特征图进行注意力处理，得到所述合作目标靶球图像的注意力机制特征图，具体包括：

分别计算所述卷积特征图的每个通道的全局最大池化与全局平均池化，分别进行卷积并将结果相加，并利用激活函数，得到所述合作目标靶球图像的注意力机制特征图。

5.根据权利要求1所述的方法，还包括：

获取包括若干样本的样本集；其中，所述样本包括：样本数据和标签数据；所述样本数据包括包含且仅包含一个合作目标靶球的训练用合作目标靶球图像；所述标签数据包括所述训练用合作目标靶球图像中的合作目标靶球的位置；

根据所述样本集，训练所述合作目标靶球检测模型。

6.根据权利要求5所述的方法，其中，所述根据所述样本集，训练所述合作目标靶球检测模型，具体包括：

将所述样本集输入所述合作目标靶球检测模型；

利用所述Focus模块对所述训练用合作目标靶球图像进行切片并卷积，得到所述训练用合作目标靶球图像的训练用采样特征图；利用特征提取网络对所述训练用采样特征图进行特征提取，得到所述训练用合作目标靶球图像的训练用卷积特征图；利用所述注意力模块对所述训练用卷积特征图进行注意力处理，得到所述训练用合作目标靶球图像的训练用注意力机制特征图；

根据所述训练用注意力机制特征图和所述标签数据，利用预设的损失函数调整所述合作目标靶球检测模型，直到所述合作目标靶球检测模型的准确率到达准确率阈值。

7.一种基于深度学习的合作目标靶球检测装置，其特征在于，通过合作目标靶球检测模型实现，所述合作目标靶球检测模型为改进的YOLOv2网络模型，其中，合作目标靶球检测模型在输入层之后增加设置了Focus模块，在输出层之前增加设置了注意力模块；所述装置，包括：

图像数据获取单元，被配置为获取合作目标靶球图像；

图像特征获取单元，被配置为将所述合作目标靶球图像输入所述合作目标靶球检测模型；利用所述Focus模块对所述合作目标靶球图像进行切片并卷积，得到所述合作目标靶球图像的采样特征图；利用特征提取网络对所述采样特征图进行特征提取，得到所述合作目标靶球图像的卷积特征图；利用所述注意力模块对所述卷积特征图进行注意力处理，得到所述合作目标靶球图像的注意力机制特征图；

检测结果确定单元，被配置为根据所述注意力机制特征图，得到所述合作目标靶球图像中的合作目标靶球的位置。