[发明专利]一种基于深度学习的掩埋物体红外图像的目标检测方法

权利要求书

1.一种基于深度学习的掩埋物体红外图像的目标检测方法，其特征在于：包括以下步骤：

S1，红外数据采集及样本库建立，其中采集具体方式为：对相同的掩埋区域设定1min的固定时间间隔进行红外图像数据采集，进行1小时的采集后更换土壤类型并改变目标掩埋位置、掩埋物体材料，再进行设定1min采集间隔，采集一小时的方法进行多组数据采集，最终得到含有多个时间序列的红外图像数据样本库；

S2，对所述红外数据样本库中的图像进行数据处理，将数据处理后的掩埋物体红外图像划分为训练集、验证集和测试集；

S3，根据掩埋物体红外数据特点，选取调整过网络结构的深度学习图像网络Unet和Unet图像分割模型；

S4，将训练数据和标注信息输入到所述深度学习图像网络Unet进行模型的训练以及调参，结合验证集结果保存模型；

S5，测试集上完成对红外图像目标检测模型的测试，使用模型对测试集全部图像进行图像分割，随后根据设定好的掩埋物体红外图像分割结果判定出掩埋物体的检测结果，并使用设计过的测试指标筛选出检测效果最优的检测模型。

2.根据权利要求1所述的一种基于深度学习的掩埋物体红外图像的目标检测方法，其特征在于：所述步骤S2中数据处理为：对样本库中同一时间序列下采集到的多帧数据，对每一帧的前后各一帧数据与该帧数据进行通道维度的合并，将原本单通道的单帧数据扩充为有时间序列信息的三通道数据，保存合并后的三通道数据，最终得到含有相邻帧时间序列信息的掩埋物体红外图像数据集，并对数据集进行掩埋物体位置的标注。

3.根据权利要求1所述的一种基于深度学习的掩埋物体红外图像的目标检测方法，其特征在于：所述步骤S2中的将数据集划分为训练集和测试集的具体划分方法为：按照60％、20％和20％的比例划分训练集、验证集和测试集。

4.根据权利要求1所述的一种基于深度学习的掩埋物体红外图像的目标检测方法，其特征在于：所述步骤S4中的网络需要使用优化器来寻找模型的最优解，所述优化器选择为Adam优化器，其中的momentum设置为默认值0.9。

5.根据权利要求1所述的一种基于深度学习的掩埋物体红外图像的目标检测方法，其特征在于：所述步骤S4中调参的具体操作为：通过模型在验证集上的结果以及损失函数的变化对训练参数进行调整。

6.根据权利要求5所述的一种基于深度学习的掩埋物体红外图像的目标检测方法，其特征在于：所述损失函数选择为多分类任务中常用的NLLLoss和分割任务中的DiceLoss之和，两部分损失之和作为网络的损失函数。

7.根据权利要求1所述的一种基于深度学习的掩埋物体红外图像的目标检测方法，其特征在于：所述步骤S5中的测试指标为查准率Precision、查全率Recall。

8.根据权利要求7所述的一种基于深度学习的掩埋物体红外图像的目标检测方法，其特征在于：所述查准率Precision和所述查全率Recall的定义为：

其中：

TP表示：被判定为正样本，实际上也是正样本的；

FP表示：被判定为正样本但是实际上是负样本的；

FN表示：被判定为负样本但实际上是正样本的。