[发明专利]一种电力场景通用物品的目标检测方法、装置及存储介质

说明书

本发明涉及一种电力场景通用物品的目标检测方法、装置及存储介质，该方法包括：获取电力场景下的多幅样本图像，并对多幅样本图像进行数据增强，建立扩充数据集；根据带有标注信息的扩充数据集，确定训练样本集；将训练样本集输入至深度卷积神经网络模型，确定预测类别和预测目标框；根据实际类别、实际目标框、预测类别和预测目标框，确定损失函数，根据损失函数的值调整深度卷积神经网络模型的参数直至满足收敛条件，并将训练完备的深度卷积神经网络模型进行存储；将待测图像输入至训练完备的深度卷积神经网络模型中，识别预测通用物品。本发明基于小样本学习进行目标检测，可有效提高速度和精度。

技术领域

本发明涉及目标检测技术领域，尤其涉及一种电力场景通用物品的目标检测方法、装置及存储介质。

背景技术

传统目标检测采用人工特征提取的方式，当背景环境和目标形态发生变化时，人工特征提取的方式鲁棒性较差，目标监测方法的精确度会降低。基于卷积神经网络的目标检测方法是将深度学习技术与计算机视觉技术相结合，具有局部感受野(视觉感受区域的大小)、结构层次、特征抽取与分类结合的全局训练特征。然而，现阶段视觉目标检测的研究方法和技术手段需要大量训练数据及复杂模型，存在数据标注成本太高、实时处理能力不强等问题。综上，如何提供实时性强、训练成本低的电力场景通用物品检测方法是亟待解决的问题。

发明内容

有鉴于此，有必要提供一种电力场景通用物品的目标检测方法、装置及存储介质，用以解决现有技术中电力场景目标检测实时性不高的问题。

本发明提供一种电力场景通用物品的目标检测方法，包括：

获取电力场景下的多幅样本图像，并对所述多幅样本图像进行数据增强，建立扩充数据集；

根据带有标注信息的所述扩充数据集，确定训练样本集，其中，标注信息经过数据增强后的多幅样本图像中存在的通用物品的实际类别和实际目标框；

将所述训练样本集输入至深度卷积神经网络模型，确定预测的通用物品的预测类别和预测目标框；

根据实际类别、实际目标框、预测类别和预测目标框，确定损失函数，根据所述损失函数的值调整所述深度卷积神经网络模型的参数直至满足收敛条件，完成对所述深度卷积神经网络模型的训练，并将通过使用基于数据增强的小样本学习方法训练完备的深度卷积神经网络模型进行存储；

将待测图像输入至训练完备的深度卷积神经网络模型中，识别预测通用物品，并输出对应的预测类别和预测目标框。

进一步地，所述获取多幅样本图像，并对所述多幅样本图像进行数据增强，建立扩充数据集包括：

获取所述多幅样本图像；

将所述多幅样本图像进行图像分块，确定对应的多张图像子块；

根据所述图像子块和对应的所述多张扩充子块，建立对每一张图像子块进行多种图像处理操作，得到对应的多张扩充子块；

所述多张扩充子块构成所述扩充数据集。

进一步地，所述多种图像处理操作包括调节图像亮度、调节图像色度、调节图像对比度、调节图像锐度以及人工加噪声中的至少一种。

进一步地，所述深度卷积神经网络模型的网络结构依次包括多个卷积层，每个卷积层具有对应的最大值池化层。

进一步地，所述根据实际类别、实际目标框、预测类别和预测目标框，确定损失函数包括：

根据所述预测目标框和所述实际目标框的重叠度，确定第一置信度损失；

根据所述预测目标框和所述实际目标框的误差，确定预测框误差损失；

计算将所述预测目标框和所述实际目标框的中心置于同一位置的重叠度，确定第二置信度损失；