本发明适用于目标检测,尤其涉及一种基于深度学习的目标检测方法及系统。
背景技术:
1、光线发射器有着比较广泛的应用,能够通过发射光线来识别物体的存在。但在实际环境中,光线发射器容易存在被其它物体遮挡的情况,工作人员需要经常去检查它的工作情况,这导致工作人员效率低下。光线发射器如果被其它物体遮挡也容易造成误判,传达出错误的信息。所以亟需更好方法来准确识别光线发射器是否被其它物体遮挡。
2、现多数研究技术人员由于技术的原因,识别光线发射器是否被其它物体遮挡还是采用传统图像处理的方法或者采用人工目检的方法,而这些检测的方法存在以下问题:基于采用传统图像处理方法,复杂场景下识别效果差,需要构建复杂的特征工程;人工目检方法,效率低下,在不适合人员进入的地方,容易发生危险事故。
3、针对以上的不足,亟需一种新的目标检测方法及系统。
技术实现思路
1、本发明提供了一种基于深度学习的目标检测方法及系统,旨在解决现有技术中对判断光线发射器是否被其它物体遮挡效率低,识别效果差的问题。
2、第一方面,本发明提出了一种基于深度学习的目标检测方法,所述目标检测方法包括以下步骤:
3、获取有被物体遮挡和无被物体遮挡的原始图像数据集;
4、对所述原始图像数据集通过预设方法进行扩张,得到扩张图像数据集;
5、建立卷积神经网络,将所述扩张图像数据集作为所述卷积神经网络的输入进行剪枝训练,得到特征图信息;
6、根据所述特征图信息进行微调训练,建立目标检测模型;
7、通过所述目标检测模型对光线发射器是否被物体遮挡进行检测,得到检测结果。
8、优选的,所述预设方法包括图像对比度处理、图像亮度处理,图像旋转处理、图像翻转处理、图像中心裁剪处理、图像缩放处理以及图像平移处理。
9、优选的,所述卷积神经网络中的网络优化器采用随机梯度下降方法。
10、优选的,所述特征图信息包括检测框坐标、检测框分数以及类别分数。
11、第二方面,本发明还提出了一种基于深度学习的目标检测系统,包括:
12、获取模块,用于获取有被物体遮挡和无被物体遮挡的原始图像数据集;
13、扩张模块,对所述原始图像数据集通过预设方法进行扩张,得到扩张图像数据集;
14、剪枝模块,用于建立卷积神经网络,将所述扩张图像数据集作为所述卷积神经网络的输入进行剪枝训练,得到特征图信息;
15、微调模块,用于根据所述特征图信息进行微调训练,建立目标检测模型;
16、检测模块,用于通过所述目标检测模型对光线发射器是否被物体遮挡进行检测,得到检测结果。
17、优选的,所述预设方法包括图像对比度处理、图像亮度处理,图像旋转处理、图像翻转处理、图像中心裁剪处理、图像缩放处理以及图像平移处理。
18、优选的,所述卷积神经网络中的网络优化器采用随机梯度下降方法。
19、优选的,所述特征图信息包括检测框坐标、检测框分数以及类别分数。
20、与现有技术相比,本发明通过构建目标检测模型,自动提取图像特征以适应复杂的环境,从而准确判断识别光线发射器是否被其它物体遮挡,极大增加的检测效率以及识别效果。
1.一种基于深度学习的目标检测方法,其特征在于,所述目标检测方法包括以下步骤:
2.如权利要求1所述的基于深度学习的目标检测方法,其特征在于,所述预设方法包括图像对比度处理、图像亮度处理,图像旋转处理、图像翻转处理、图像中心裁剪处理、图像缩放处理以及图像平移处理。
3.如权利要求1所述的基于深度学习的目标检测方法,其特征在于,所述卷积神经网络中的网络优化器采用随机梯度下降方法。
4.如权利要求1所述的基于深度学习的目标检测方法,其特征在于,所述特征图信息包括检测框坐标、检测框分数以及类别分数。
5.一种基于深度学习的目标检测系统,其特征在于,包括:
6.如权利要求5所述的基于深度学习的目标检测系统,其特征在于,所述预设方法包括图像对比度处理、图像亮度处理,图像旋转处理、图像翻转处理、图像中心裁剪处理、图像缩放处理以及图像平移处理。
7.如权利要求5所述的基于深度学习的目标检测系统,其特征在于,所述卷积神经网络中的网络优化器采用随机梯度下降方法。
8.如权利要求5所述的基于深度学习的目标检测系统,其特征在于,所述特征图信息包括检测框坐标、检测框分数以及类别分数。