[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

说明书

本申请提供一种基于深度学习的合作目标靶球检测方法及相关装置，通过合作目标靶球检测模型实现，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；具体包括：获取合作目标靶球图像；将合作目标靶球图像输入合作目标靶球检测模型，得到合作目标靶球图像的注意力机制特征图；根据注意力机制特征图，得到合作目标靶球图像中的合作目标靶球的位置。本申请通过对YOLOv2网络模型进行改进，提高了YOLOv2网络模型对多尺度目标的提取能力，从而提高了合作目标靶球的检测精度。

技术领域

本申请涉及机器学习技术领域，尤其涉及一种基于深度学习的合作目标靶球检测方法及相关装置。

背景技术

在大型装置精密装配过程中(例如飞机、船舶等的精密装配)，一般通过激光跟踪仪在生产环境下对合作目标靶球进行识别捕获，从而引导激光自动对准合作目标，以提升大型装置精密装配效率，提高断光续接精度。

为了解决对合作目标的自动识别与自动测量问题，张滋黎等人提出了一种基于视觉引导的激光测量系统，实现了激光的自动对准；中国科学院大学提出了一种大目标高精度位置姿态测量的技术，利用单目相机获取合作目标的中心位置，准确引导激光测距仪自动瞄准合作目标的中心位置，通过参数运算得到待测目标的空间位姿，从而实现高精度自动引导测量。

然而，现有的合作目标识别方案，检测精度较低，不能满足大型装置精密装配的需求。

发明内容

有鉴于此，本申请的目的在于提出一种基于深度学习的合作目标靶球检测方法及相关装置。

基于上述目的，本申请提供了一种基于深度学习的合作目标靶球检测方法，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。

可选的，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。

可选的，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。

可选的，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。

可选的，还包括：