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：北京工业大学

摘要：本发明提供了一种面向电子固体废弃物的双向密集嵌套网络小目标检测方法。该方法针对小尺度目标的特征难以提取，利用双向密集嵌套网络对小目标的特征进行有效提取和融合，从而精准地识别小尺度目标。通过双向密集嵌套的网络结构学习小尺度目标的重要特征，本发明能够显著提高面向电子固体废弃物的小目标的检测精度。特别是在处理不同拍摄条件下电子固体废弃物检测时，本方法能有效克服由于小目标特征少而难以提取的难题，实现对关键信息的准确提取。这不仅提升了小目标检测的准确性，也为废旧家电的有效回收再利用供了强大的技术支持。

主权项：1.一种面向电子固体废弃物的双向密集嵌套网络小目标检测方法，其特征在于，包括以下步骤：1采集及预处理拆解厂的电子固体废弃物数据：a获取电子固体废弃物图像数据集，共17种拆解零部件图像，包括冷凝器、电容器、变压器、外电机、电路板、压缩机、铜管、电线、铝、排水管、阻燃剂、内机扇、进水阀、排水阀、塑料、变速器、不锈钢；b将电子固体废弃物图像数据集划分为训练集、验证集、测试集，数据集划分比例为8：1：1；c将电子固体废弃物图像数据集中每张图像的像素归一化至[0,1]，每张图片进行尺寸缩放，短边固定为600，长边小于等于1000；将训练集和测试集中的图片特征xk的维度大小调整224×224；将调整之后图像特征进行归一化至[0,1]，归一化的公式为 其中为归一化后的图像特征，min·和max·分别表示取特征矩阵中的最小值和最大值；2构建双向密集嵌套网络模型：a构建跨阶段模块：输入特征图分别经过两条支路，第一条支路对输入特征图进行1×1的卷积操作使得原始通道数减半，第二条支路对输入特征图进行1×1的卷积操作使得原始通道数减半，再通过大小为3×3的卷积核卷积，最后对数据进行升维，通过1×1的卷积操作恢复到原始通道数，最后将两条支路的特征图进行沿通道维度的拼接；b构建骨干网络提取图像特征：骨干网络包含5个跨阶段模块，每个模块的下采样通过大小为3×3的卷积核来实现；第一个跨阶段模块的第一个卷积层的通道大小为32，第一个跨阶段模块的第二个卷积层的通道大小为64；第二个跨阶段模块的第一个卷积层的通道大小为64，第二个跨阶段模块的第二个卷积层的通道大小为128；第三个跨阶段模块的第一个卷积层的通道大小为128，第三个跨阶段模块的第二个卷积层的通道大小为256；第四个跨阶段模块的第一个卷积层的通道大小为256，第四个跨阶段模块的第二个卷积层的通道大小为512；第五个跨阶段模块的第一个卷积层的通道大小为512，第五个跨阶段模块的第二个卷积层的通道大小为1024；c构建前向特征融合模块：Ox,y表示前向特征融合模块中每个节点的输出，x表示第x次下采样，y表示第y次直连，Conv·表示步长为2的卷积，U·表示上采样，[,·,]表示拼接操作，k＝0,1,..,y-1，表示对第x次下采样的直连通路上从Ox,0到Ox,k的每一个节点的输出拼接后的特征图，前向融合模块每个输出节点的计算公式为： d构建反向特征融合模块：O’x,y表示反向特征融合模块中每个节点的输出，反向融合模块每个输出节点的计算公式为： 3训练双向密集嵌套网络模型：a构建基于双向密集嵌套网络的交叉熵损失函数L表示为： 其中，L1{sj}，{bj}为目标与边界框损失函数，j＝1，2，…256，sj表示第j个建议框预测为真实标签的概率，为建议框的类别真值，为正样本时为1，为负样本时为0，bj表示预测第j个建议框的边界框回归参数，包含4个位置信息，表示此建议框对应图像中人工标注真实框的边界框回归参数，Ncls＝256，Nreg为筛选建议框数量，设置为2000，λ1设置为0.1，Lcls为二值交叉熵损失函数，表达公式如下： Lreg损失函数表达公式如下： 其中函数可以解决离群点梯度爆炸问题；b构建电子固体废弃物拆解零部件检测框生成损失函数公式为：L2P，u，du，v＝LobcP，u+λ2Lregdu，v8其中L2p，u，du，v为检测网络多任务损失函数，u对应目标真实类别标签，u＝1，2，…18，包含背景和17类拆解零部件，P是分类器预测的概率分布，P＝p0，…pu，du对应预测器回归预测的对应类别，u的回归参数包括分别为检测框左上角横坐标dx，纵坐标dy，检测框宽度dw，检测框高度dh，v对应真实目标检测框参数，λ2设置为0.2，目标分类损失函数Lobc公式为：LobcP，u＝-logpu9其中pu代表对应类别预测概率；c通过反向传播算法训练模型：对交叉熵损失函数与检测框生成损失函数求和得到总损失值，通过总损失值与反向传播算法，训练模型，反向传播算法表达公式为： 其中wnew为神经元更新后参数，wold为现有神经元参数，E为总损失值，为总损失值对卷积神经网络所有神经元参数求偏导；模型训练迭代次数设置为300，训练达到迭代次数且收敛的条件下终止训练，并保存最后一次训练的权重参数，完成模型训练；若迭代300个轮次，模型没有收敛，则选择最后一个轮次的训练权重进行断点续训；4识别电子固体废弃物：完成模型训练后，载入完整模型权重，载入电子固体废弃物测试集，对测试集中的17类拆解零部件图像进行学习，得到拆解零部件的预测类别标签,输入模型进行预测，输出带有检测框的电子固体废弃物图像，完成识别电子固体废弃物任务。

全文数据：

权利要求：

百度查询： 北京工业大学 一种面向电子固体废弃物的双向密集嵌套网络小目标检测方法