[发明专利]基于改进Faster RCNN的绝缘子缺陷检测方法、装置及存储介质

说明书

本发明涉及一种基于改进Faser RCNN的小目标检测方法，由处理器执行一改进Faser RCNN算法指令实现，包括：接收包含小目标的场景图片并提取第一特征图F；根据所述第一特征图F₁获得预测锚点框a(x,y,w,h)；根据所述第一特征图F₁、所述预测锚点框a(x,y,w,h)获得与所述第一特征图F₁尺寸相同的第二特征图F₂；根据所述第二特征图F₂和所述预测锚点框a(x，y,w,h)获得所述场景图片的检测结果。本发明通过基于Faser RCNN算法框架进行修改，将其下的RPN网络替换为自适应锚点框网络，使生成的锚点框能够与不同尺度目标更加匹配，进而避免因锚点框尺寸不合理而造成漏检，提高检测准确率。

技术领域

本发明涉及目标识别识别领域，具体涉及一种基于改进Faser RCNN的小目标检测方法。同时，本发明还涉及一种基于改进Faser RCNN的小目标检测装置及存储介质。

背景技术

目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割。它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。

目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。因此，目标检测也就成为了近年来理论和应用的研究热点。近些年机器学习，尤其是深度学习的蓬勃发展为目标检测实现低成本、高效率提供了可能。

目前优秀的深度学习模型大致可以分为两类：第一类属于两阶段目标检测算法(two-stage)，如R-CN、SPP-Net、Fast-RCNN、Faster-RCNN等，这类算法首先从目标图像的区域候选框(RPN)中提取目标信息,然后利用检测网络对候选框中的目标进行位置的预测以及类别的识别；第二类属于一阶段(one-stage)目标检测算法，如SSD、YOLO等，这类算法不需要建立RPN网络，而是直接在图像上进行目标的预测以及类别的识别。

然而，在现实应用中，目标检测的结果往往出现小目标的检测效果远不如大目标和中目标。这是由于小目标检测存在两个问题：①信息量匮乏，即目标在图像中占比非常小，对应区域的像素所能反映出的信息量非常有限；②数据量稀缺，即数据集中含有小目标的图像少，导致了整个训练集的类别不均衡，致使小目标物体检测的准确率远低于中等和大型物体。目前，针对小目标检测效果差的问题，有如下几类方法：

①进行图像数据扩增，将图像放大，从而将小目标变大。然而这种方法简单粗暴，操作复杂，计算量太大，实际意义不强。

②利用GAN模型将小目标放大再检测，这种方法与图像数据扩增思想一致，但同样有操作复杂的缺点。

③修改模型训练的参数，如设置参数stride为1，但这种方法效果也一般。

CN 111985540 A公开了一种基于过采样faster-RCNN提高小目标检测率的方法，涉及目标识别领域，包括步骤1：获取目标图片数据集，并将该数据集划分为训练集和测试集；步骤2：根据步骤1中的训练集得到训练集的子集为过采样集；步骤3：构建faster-RCNN模型；步骤4：利用训练集和过采样集对faster-RCNN模型进行训练；步骤5：用测试集对训练后的faster-RCNN模型进行测试，若测试结果低于平均精确率AP阈值，则修改参数，再次进行步骤4后对训练结果进行测试，直至测试结果达到AP阈值；步骤6：输入需要检测的图片，利用训练后的faster-RCNN模型进行小目标检测。本发明通过对小目标进行过采样，从而提高小目标的检测率。