欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025105463648
申请人: 无锡学院
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种河道水面目标智能视觉检测与识别方法,其特征在于:包括以下步骤:

S1、获取河道水面图像,并进行图像预处理操作;

S2、构建河道水面目标检测网络,该网络包括骨干网络、特征跨层融合和重构模块以及预测头,骨干网络包括结构重参数化特征提取模块;

S3、通过骨干网络对输入图像进行多层次特征图提取;

S4、通过特征跨层融合和重构模块增强特征图;在骨干网络提取出不同层级的特征图后,特征跨层融合和重构模块将同层级的原始输入和不同层级下的特征图进行加权融合,然后通过空间通道重构单元重构空间信息和通道信息;空间通道重构单元包括Weight单元、卷积层、Concat层、Trans1模块、Trans2模块以及分离重构层;Weight单元算法如下式所示:;

其中,W表示权重信息;表示输入特征通过组归一化学习到的参数,表示N维的实数向量;i和j均为从1到N的正整数;和表示的平均值和标准差;表示正常数;表示逐元素乘法;和表示可训练的仿射变换;

S5、预测头基于增强的特征图生成用于对象定位和分类的输出;

S6、利用非极大值抑制对输出进行后处理,去除低分预测。

2.根据权利要求1所述的一种河道水面目标智能视觉检测与识别方法,其特征在于:所述步骤S2中,结构重参数化特征提取模块在训练过程中,采用多分支结构;在推理过程中,将多分支结构重参数化成单路径结构;结构重参数化特征提取模块通过卷积核大小为3×3,步长为2的卷积对输入特征进行下采样,将特征图的长宽降低为输入的一半。

3.根据权利要求1所述的一种河道水面目标智能视觉检测与识别方法,其特征在于:所述步骤S3中,将特征图拆分成多部分进行处理,通过多个SR模块提取特征信息,在训练过程中,SR模块采用多分支结构,包括3×3卷积层分支、1×1卷积层分支以及前层输出的直接映射;在结构重参数化过程中,首先将多分支结构中的3×3卷积层和1×1卷积层进行批量归一化,然后将归一化的1×1卷积核转化成只有中心存在有效权重,其余权重为0的3×3卷积核;将前层输出的直接映射视为一个中心权重为1,其余权重为0的3×3卷积核;最后,将1×1卷积层分支和前层输出分别与归一化后的3×3卷积层的卷积核权重相加;在推理过程中,等效于一个3×3的卷积核提取特征。

4.根据权利要求1所述的一种河道水面目标智能视觉检测与识别方法,其特征在于:所述步骤S4中,特征跨层融合和重构模块将骨干网络提取的特征图经过卷积核大小为1×1、步长为1卷积层进一步深化特征信息,再将高层特征图上采样后的信息、低层特征图下采样后的信息与深化后的信息按照不同权重进行融合,如下式所示:;

其中,、以及分别表示低层特征图下采样后的特征、本级特征以及高层特征图上采样后的特征,、以及分别表示可训练的各级对应权重;Concat表示将不同尺度特征进行拼接的操作;融合后的特征经过空间通道重构单元处理,通过细化权重和分离重构的方式输出结果。

5.根据权利要求1所述的一种河道水面目标智能视觉检测与识别方法,其特征在于:所述空间通道重构单元的流程具体包括以下步骤:S4.1、权重信息W通过阈值为0.5的门控得到信息性特征权重和非信息性权重;

S4.2、将输入特征经过点卷积深化后的特征图分别与信息性特征权重和非信息性权重逐元素相乘,得到信息丰富特征和信息较少特征;

S4.3、将特征和分别沿通道进行分割,得到4个通道只有原来一半的特征、、以及,并将其进行交叉逐项相加得到特征和,再将特征和沿通道维度连接,恢复到与输入特征相同的通道数;

S4.4、重新沿通道分割成一半通道数的特征图,经过点卷积压缩特征图通道数,分别得到特征和;

S4.5、通过Trans1模块将特征分别用分组卷积和逐点卷积处理后逐项相加,得到特征,如下式所示:,其中,GWC和PWC表示可学习权重矩阵,表示逐元素求和;

S4.6、通过Trans2模块将逐点卷积处理特征与未处理后的特征相融合,得到特征,如下式所示:;

S4.7、将特征和沿通道维度连接,经过细化权重和分离重构的方式输出结果。

6.根据权利要求1所述的一种河道水面目标智能视觉检测与识别方法,其特征在于:所述步骤S6中,使用基于最小点距离的边界框相似度比较度量标准MPDIoU作为模型边界框回归的损失函数。

7.根据权利要求6所述的一种河道水面目标智能视觉检测与识别方法,其特征在于:所述MPDIoU基于预测边界框和真实边界框的最小点距离进行计算,如下式所示:;

其中,w和h分别表示输入图片的宽和高,和分别表示预测边界框的左上角和右下角坐标,和则分别表示真实边界框的左上角与右下角坐标,IoU表示预测边界框和真实边界框的交并比。