买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南昌航空大学

摘要：本发明涉及计算机视觉图像处理和深度学习领域，具体涉及一种基于DER增量学习的密集架通道异物检测方法，该方法主要包括以下步骤：1）获取通道异物图像并制作数据集；2）构建异物检测网络模型；3）筛选数据与训练异物检测网络模型；4）读取模型并实时检测通道异物状态。该方法结合域增量学习与图像分类技术，设计了一种拥有高性能特征提取能力、网络框架可动态拓展的异物检测模型。该模型每次面对新场景时，会比上一场景所需训练样本少，且仍保留着对旧场景的高精度检测能力，可实现多样化场景的快速部署与异物的高精度检测，极大提高部署效率。

主权项：1.一种基于DER增量学习的密集架通道异物检测方法，其特征在于，包括以下步骤：步骤1获取通道异物图像并制作数据集；通过连接部署在密集架顶部的网络相机获取通道内的各类异物图像，并将图像放缩至模型匹配尺寸以制作异物图像数据集；步骤2构建异物检测网络模型；先构建特征提取模块ABasBlock和特征提取模块SpResBlock，然后使用特征提取模块ABasBlock和特征提取模块SpResBlock构建特征提取器最后通过特征提取器构建DER网络模型，即完成异物检测网络模型整体框架的搭建；具体步骤如下：步骤2.1，构建特征提取模块ABasBlock和特征提取模块SpResBlock；首先构建基础卷积模块CBR，基础卷积模块CBR由二维卷积Conv、批归一化BatchNorm、激活函数ReLU顺序构成；所述特征提取模块ABasBlock为双分支结构，由主路以及残差连接构成；主路由两层3×3基础卷积块conv顺序组成；残差连接则根据下采样需求进行更改，若需要将特征图下采样，则残差连接前需要进行平均池化操作，平均池化层AvgPool的输出与主路输出拼接得到特征提取模块ABasBlock的输出；若无需下采样，则残差输出与主路输出直接相加得到特征提取模块ABasBlock的输出；所述特征提取模块SpResBlock为三分支结构，由主干双分支结构及残差连接组成，主干双分支结构由通道分割模块ChannelSplit、左支路、右支路和SE注意力模块组成；主干部分先将输入特征图经过通道分割模块ChannelSplit在通道维度进行对半拆分后，分别输入左支路和右支路，然后将左支路和右支路的输出进行维度拼接，拼接结果输入SE注意力模块进行通道加权处理后，得到主干输出；若需要下采样，则残差连接添加平均池化操作，主干输出和平均池化层AvgPool的输出进行拼接得到特征提取模块SpResBlock的输出；若不需要下采样，则直接将主干输出和残差连接输出相加后得到特征提取模块SpResBlock的输出；步骤2.2，设计异物检测特征提取器；特征提取器由基础卷积模块CBR、特征提取模块ABasBlock、特征提取模块SpResBlock顺序组成，输入图像进入特征提取器后，先经过大感受野的基础卷积模块CBR提取得到第一批特征，再依次经过特征提取模块ABasBlock、特征提取模块SpResBlock进行进一步特征提取后输出特征图；步骤2.3，搭建DER网络模型；使用步骤2.2所构建的特征提取器作为基础特征提取器，DER网络模型由超特征提取器Φt、辅助分类器主分类器Ht和全局平均池化GAP构成；其中超特征提取器Φt是一个动态结构，由t个基础特征提取器组成，每训练一批新数据集时，新增一个特征提取器形成新的超特征提取器，对应的主分类器Ht也随着超特征提取器Φt的扩张进行维度拓展，主分类器Ht的权重尺寸为512×t，n，n为类别数，辅助分类器尺寸大小固定为512，n，n为类别数；输入图像数据经过超特征提取器Φt后得到包含顶层语义信息的特征图，包含顶层语义信息的特征图经过全局平均池化GAP操作后得到特征向量Vf；特征向量Vf整体输入主分类器Ht得到DER网络模型的预测向量，同时特征向量Vf的最后512个维度的子向量输入辅助分类器用以辅助DER网络模型学习语义信息；步骤3筛选数据与训练异物检测网络模型；除去首次训练，后续的每次训练均包含数据筛选操作；筛选时计算步骤1划分的训练集中每一类旧样本的均值，将接近均值的旧样本组成旧数据集合Setold，然后将新获取的数据集合Setnew与旧数据集合Setold合并组成总数据集Settotal＝Setold∪Setnew，最后将总数据集Settotal送入步骤2.3所构建的DER网络模型进行训练，训练出最佳模型并保存模型参数文件；步骤4读取步骤3中训练好的模型参数文件，对网络相机实时采集的图像帧进行异物检测并将异物状态标注在图像帧中，从而实时检测通道异物状态。

全文数据：

权利要求：

百度查询： 南昌航空大学 基于DER增量学习的密集架通道异物检测方法