[发明专利]基于深度学习的飞机挂架检测方法以及终端设备

权利要求书

1.一种基于深度学习的飞机挂架检测方法，其特征在于，包括步骤：

构建模型，训练模型包括前后级联的多个卷积模块，在第一卷积模块之后，至少有一个卷积模块的输入端和输出端之间设置有短连接通道，所述短连接通道的输出特征与所述卷积模块的输出特征通过加法器进行特征汇聚，汇聚的结果输入到下一个卷积模块；

模型收敛，对所述训练模型进行训练，获得收敛模型；

挂架检测，将获取的飞机的图像数据输入到所述收敛模型，由所述收敛模型输出与所述飞机上的挂架相适配的预测框；

所述卷积模块包括位于初始位置的第一卷积模块、位于中间位置的汇聚卷积模块和位于后部位置的附加卷积模块，所述短连接通道设置在所述汇聚卷积模块的输入端和输出端之间；

所述汇聚卷积模块i的输出特征为：i≥1

其中：表示第i个所述汇聚卷积模块S的输出特征，P表示所述汇聚卷积模块的池化操作；F为所述汇聚卷积模块中的卷积单元的函数，表示第i个所述汇聚卷积模块的输入特征；ω表示所述汇聚卷积模块的卷积参数；

所述汇聚卷积模块i的输入端与输出端之间连接的所述短连接通道输出结果为

其中，Y_o表示所述第一卷积模块C1的输出特征，表示所述汇聚卷积模块i的输入端的输入特征，ωsc为所述短连接通道的卷积操作；

所述加法器的输出即为紧邻其后的所述卷积模块的输入表示为：

所述汇聚卷积模块至少包括两个，在所述第一卷积模块的输出端与第二汇聚卷积模块的输出端之间，以及在所述第一卷积模块的输出端与第二汇聚卷积模块之后的汇聚卷积模块的输出端之间，分别设置有跳跃连接通道，所述跳跃连接通道输出的特征，通过对应的所述汇聚卷积模块的输出端连接的所述加法器进行特征汇聚；

第i+1汇聚卷积模块对应的所述跳跃连接通道卷积操作后的输出结果为

其中：Y_o表示所述第一卷积模块的输出特征向量，ωsk为所述跳跃连接通道的卷积操作；

所述加法器的输出即为紧邻其后的所述卷积模块的输入表示为：

其中：表示第i+1个所述汇聚卷积模块的输出特征，表示第i+1个所述汇聚卷积模块对应的所述短连接通道的卷积操作后的输出结果。

2.根据权利要求1所述的基于深度学习的飞机挂架检测方法，其特征在于，在训练模型中，预设默认框，所述默认框的宽度和高度记为：

其中：w_m为所述默认框的宽度，h_m为所述默认框的高度，m为得出所述默认框的一卷积模块的序号；S_min为默认框宽度和/或高度的最小尺寸，S_max默认框宽度和/或高度的最大尺寸S_max。

3.根据权利要求2所述的基于深度学习的飞机挂架检测方法，其特征在于，所述默认框的高宽比a_r为：

a_r∈{1,2,3,1/2,1/3}；

当所述高宽比a_r为1时，所述默认框的尺寸为：

或

当所述高宽比a_r为2时，所述默认框的尺寸为：

当所述高宽比a_r为3时，所述默认框的尺寸为：

当所述高宽比a_r为1/2时，所述默认框的尺寸为：

当所述高宽比a_r为1/3时，所述默认框的尺寸为：