(19)国家知识产权局
(12)发明 专利申请
(10)申请公布号
(43)申请公布日
(21)申请 号 202210496675.4
(22)申请日 2022.05.09
(71)申请人 厦门理工学院
地址 361000 福建省厦门市集美区后溪镇
理工路600号
(72)发明人 苏鹭梅 陈鑫强 陈玮浩 李天友
吴家俊 黄志豪
(74)专利代理 机构 厦门市精诚新创知识产权代
理有限公司 3 5218
专利代理师 赵薇
(51)Int.Cl.
G06V 10/764(2022.01)
G06V 10/774(2022.01)
G06V 10/80(2022.01)
G06V 10/766(2022.01)G06V 10/82(2022.01)
G06V 10/77(2022.01)
G06V 10/26(2022.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)
(54)发明名称
一种细长柔性物体检测方法、 终端设备及存
储介质
(57)摘要
本发明涉及一种细长柔性物体检测方法、 终
端设备及存储介质, 该方法中包括: 采集细长柔
性物体图像并构建训练集; 构建细长柔性物体检
测模型, 通过训练集对模型进行训练; 输入图像
通过特征提取网络得到有效特征层后, 通过候选
框生成网络生成候选框并进行归一化处理后得
到归一化的候选框, 通过多实例关系加权网络计
算不同候选框内实例之间的关系特征, 通过关系
特征能够判断不同候选框内实例之间是否存在
关系, 边界框预测网络根据不同候选框内实例之
间的关系特征预测得到边界框和边界框内物体
的类别; 通过训练后的模型对图像中的细长柔性
物体进行检测。 本发明可以应用于智能监控系统
中有效识别细长柔 性物体。
权利要求书2页 说明书9页 附图4页
CN 115272741 A
2022.11.01
CN 115272741 A
1.一种细长柔 性物体检测方法, 其特 征在于, 包括以下步骤:
S1: 采集细长柔性物体 图像并对其中的细长柔性物体进行标注, 基于标注后的图像构
建训练集;
S2: 构建细长柔 性物体检测模型, 通过训练集对 模型进行训练;
模型包括特 征提取网络、 候选 框生成网络、 多实例关系加权网络和边界框预测网络;
输入图像通过特征提取网络得到有效特征层后, 通过候选框生成网络生成候选框并进
行归一化处理后得到归一化的候选框, 通过多实例关系加权网络计算不同候选框内实例之
间的关系 特征, 通过关系 特征能够判断不同候选框内实例之间是否存在关系, 边界框预测
网络根据不同候选 框内实例之间的关系特 征预测得到边界框和边界框内物体的类别;
S3: 通过训练后的模型对图像中的细长柔 性物体进行检测。
2.根据权利要求1所述的细长柔性物体检测方法, 其特征在于: 特征提取网络的结构包
括ResNet101网络和特征金字塔网络, ResNet101网络提取输入图像的特征并生成特征图
后, 特征金字塔网络对特征图进行多次下采样并融合, 分别获得经过两次、 三次、 四次和五
次压缩的四个有效特 征层。
3.根据权利要求1所述的细长柔性物体检测方法, 其特征在于: 候选框生成网络的结构
包括区域建议网络和ROIAlign层, 特征提取网络输出的有效特征层输入区域建议网络生 成
候选框后, 再将生成的候选 框输入ROIAl ign层进行归一 化处理。
4.根据权利要求1所述的细长柔性物体检测方法, 其特征在于: 多实例关系加权网络输
出的每个实例的关系特 征的计算公式为:
其中, fn表示第n个实例的关系特征,
表示第n个实例的外观特征, Concat函数表示拼
接,
表示第Nr个多实例关系加权模块中的第n个实例的加权特性, Nr为超参数, 表示
多实例关系加权网络中接入的多实例关系加权模块的个数;
第n个实例的加权特性fR(n)的计算公式为:
其中, m和n分别表示多实例关系加权网络输入的实例集中的第m个实例和第n个实例,
ωmn表示第m个 实例与第n个实例的关系权重,
表示第m个实例的外观 特征, WV表示线性变
换矩阵;
第m个实例与第n个实例的关系权 重ωmn的计算公式为:
其中,
表示第m个实例与第n个实例的几何权重,
表示第m个 实例与第n个实例
的外观权重, exp表示以自然常数e为底的指数函数, k表示实例的序号,
第k个实例与第
n个实例的几何权 重,
表示第k个实例与第n个实例的外观权 重;权 利 要 求 书 1/2 页
2
CN 115272741 A
2第m个实例与第n个实例的外观权 重
的计算公式为:
其中, dot表示点积运算,
表示第n个实例的外观特征, WK、 WQ分别表示将
和
投影
到低维空间的矩阵, dk表示投影后的特 征维度;
第m个实例与第n个实例的几何权 重
的计算公式为:
其中, max表示求最大值,
分别表示第m个实例和第n个实例的几何特征, εG函数
表示将几何特征通过余弦和正弦函数嵌入到高维空间, WG表示将高维空间中的几何特征转
换为标量的矩阵。
5.根据权利要求1所述的细长柔性物体检测方法, 其特征在于: 边界框预测网络预测得
到边界框的损失函数Lreg为:
其中, A表示真实的边界框, B表示预测的边界框, C表示真实的边界框与预测的边界框
的最小包 含框, IoU表示边界框A与B之间的交并比。
6.一种细长柔性物体检测终端设备, 其特征在于: 包括处理器、 存储器以及存储在所述
存储器中并在所述处理器上运行的计算机程序, 所述处理器执行所述计算机程序时实现如
权利要求1~5中任一所述方法的步骤。
7.一种计算机可读存储介质, 所述计算机可读存储介质存储有计算机程序, 其特征在
于: 所述计算机程序被处 理器执行时实现如权利要求1~5中任一所述方法的步骤。权 利 要 求 书 2/2 页
3
CN 115272741 A
3
专利 一种细长柔性物体检测方法、终端设备及存储介质
安全报告 >
其他 >
文档预览
中文文档
16 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共16页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 人生无常 于 2024-03-18 07:35:17上传分享