[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

说明书

本发明公开了一种基于深度学习的掩埋物体红外图像的目标检测方法,具体包括：1)红外数据采集及样本库的建立；2)对红外数据样本库中图像进行数据处理；3)根据掩埋物体红外数据特点，选取并调整合适的深度学习模型；4)将训练数据输入到掩埋红外图像目标检测模型，进行模型的训练以及调参，结合验证集结果保存模型；5)在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。本发明能够对包含较少语义信息的掩埋物体红外图像进行较为准确的目标区域检测，具有良好的使用价值。

技术领域

本发明涉及深度学习和红外图像领域，特别是涉及一种基于深度学习的掩埋物体红外图像的目标检测方法。

背景技术

掩埋物体的检测是十分有必要的任务，掩埋物体是指被掩埋在多种类型土壤的多种材质的检测物体，由于物体被掩埋后有其难以检测性和不易察觉性，因此针对掩埋物体的检测有很大的必要性。

目前针对掩埋物体的图像检测通常使用常规图像拍摄所得的RGB图像数据进行检测，检测方法大多也为传统数字图像处理方法。常规拍摄所得的RGB图像不能很好的表征出存在掩埋物体区域与不存在掩埋物体区域的图像差异也即特征差异。此外先前方法使用的传统数字图像处理检测方法，通过图像降噪、设定阈值等操作并不能很好的检测出掩埋物体位置，并且对数据的鲁棒性较差。

发明内容

本发明的目的是提供一种基于深度学习的掩埋物体红外图像的目标检测方法，以解决上述现有技术存在的问题，使检测掩埋物体的图像能有更好的表现，数据处理方式更加科学以及测量的准确率更高。

为实现上述目的，本发明提供了如下方案：

一种基于深度学习的掩埋物体红外图像的目标检测方法，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，选取并调整合适的深度学习模型；

S4，将训练数据和标注信息输入到深度学习图像分割网络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。

优选的，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。

优选的，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。

优选的，所述步骤S3中根据数据特点和特征差异选取了调整过网络结构的深度学习图像网络Unet，模型为Unet图像分割模型。

优选的，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。