[发明专利]一种基于深度级联有监督学习的老鼠目标检测方法

说明书

本发明涉及目标检测技术领域，具体涉及一种基于深度级联有监督学习的老鼠目标检测方法。包括：设计老鼠目标检测的网络模型；选取网络模型的训练集和测试集；计算出标注边缘检测图；根据主干部分神经网络初步提取精加工的深度特征信息，通过粗选多分支模块对特征信息进行细化增强，并粗生成候选建议区域，最后进行分类识别和定位回归；预设相关超参数，测试最优网络模型。本发明提出的老鼠目标检测方法，解决低分辨率下老鼠目标边缘模糊导致的难区分问题，增强抗干扰力，从而提高模型的检测性能，在多种环境下进行检测，一旦出现老鼠踪迹，就向相关部门预警，及时采取应急措施，减少老鼠带来的卫生隐患和财产损失，即减少鼠患的产生。

技术领域

本发明涉及目标检测技术领域，具体地说，是一种基于深度级联有监督学习的老鼠目标检测方法。

背景技术

随着国家经济迅猛发展，人们的衣食住行也变得更加便利，逐渐人们开始注重品质。食品安全是大多数人关心的问题之一，食品的生产与加工方式较为丰富，并且在信息时代的促进下，更多了年轻人偏爱“外卖”、“下馆子”等在外用餐方式，各种餐饮商店的食品加工环境层次不齐，这种情况下会出现更大概率的食品安全问题。所以如何处理食品加工流程中出现的安全问题成为许多人关注的问题。

鼠患是食品加工场所最容易产生的问题之一，老鼠在餐饮商店的后厨环境下是最容易滋生的动物，老鼠常常在下水道、垃圾堆、灶台等东西杂乱处出现，传播细菌和病毒。在监控视频中老鼠像素占比少，属于较小的目标，而且各种餐饮店成立时间往往不一样，一般成立较早的店用的摄像头比近期成立的店的摄像头分辨率更低，从而导致老鼠目标边缘模糊，从背景中分离出老鼠较难。已有的老鼠检测方法大致可分为基于通用目标检测技术的老鼠检测方法和基于图像分割技术的老鼠检测方法，前者是通过利用深度神经网络提取图像的表征信息，在用检测器检测出目标的位置信息和类别，但是这类方法不能较好的适应低分辨率的环境，容易出现误检，而后者是利用深度神经网络对图像的每个像素进行分类，然后将属于老鼠的像素点组成连通区域，达到老鼠目标定位的目的，该方法在监控视频下变得不大适用，像素点占比太小以及轮廓不清晰，难以从复杂的背景中分割出来。

目前，已有的老鼠目标检测方法较少，复杂的背景对目标的影响较大，多数检测方法的抗干扰力在低分辨率下的监控视频中都表现出不足的情况，检测性能较差。

因此，亟需提出一种易训练、易部署的老鼠目标检测方法，解决低分辨率下老鼠目标边缘模糊导致的难区分问题，增强抗干扰力，从而提高模型的检测性能，本发明在多种环境下进行检测，一旦出现老鼠踪迹，就向相关部门预警，及时采取应急措施，如老鼠药布控、陷阱布控等，减少老鼠带来的卫生隐患和财产损失，即减少鼠患的产生。

发明内容

本发明的目的在于提供一种基于深度级联有监督学习的老鼠目标检测方法，通过级联结构从粗到细地生成候选建议区域集合，提炼出高质量的候选建议区域集合，而且利用逐步融合更多详细特征信息，增强模型的边界感知能力和表征能力，从而提高方法的识别定位精度。

本发明通过下述技术方案实现：一种基于深度级联有监督学习的老鼠目标检测方法，包括以下步骤：

步骤S1，设计深度级联有监督学习的老鼠目标检测的网络模型，所述网络模型由主干部分神经网络和多个粗选多分支模块构成；网络结构采用级联结构，在每个粗选多分支模块中都两种损失函数，一种是分类识别损失函数，另外一种是定位回归损失函数；

步骤S2，将包含老鼠目标的图像数据和标注信息数据根据数据格式进行数据分组，作为网络模型的训练集和测试集；

步骤S3，利用边界框标注信息在包含老鼠目标的图像数据样本中裁剪出对应区域，然后使用canny算子计算出标注边缘检测图；