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: 2025111206612
申请人: 成都理工大学
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:

1.一种地质勘探场景下的小目标视觉检测方法,其特征在于:包括如下步骤:

S1,获取初始训练样本;

S2,构建初始深度学习网络模型;初始深度学习模型包含主干网络CSPDarknet、特征融合模块ASFF、地质目标特征构建模块、地质特征识别模块和一个FastestDet检测头;

初始深度学习网络模型构建,具体如下:

S21,构建主干网络CSPDarknet、特征融合模块ASFF和FastestDet检测头;

S22,构建地质目标特征构建模块,地质目标特征构建模块包含特征提取模块和双阶核卷积单元两个子模块;

构建所述特征提取模块整体采用编码器-解码器结构,特征提取模块基于生成式对抗网络进行构建,并通过设计三个动态注意力模块DCBAM,分别获取不同权重的加权特征图FCBAM1、FCBAM2、FCBAM3,三个注意力DCBAM模块分别位于输入端、编码器与解码器之间、输出端三个位置;此外,为了判别所述特征提取模块生成的数据样本和真实数据样本中的特征,在特征提取模块尾部还嵌入判别器网络;特征提取模块构建过程如下:S221,将输入的特征图输入到第一个DCBAM模块中,得到经过初次注意力加权的特征图FCBAM1,F∈RH×W×C表示特征图,其是一个矩阵R且矩阵大小为(H,W,C),H和W分别代表矩阵的长和宽,C代表矩阵的通道数,初次注意力加权如式(5)所示:(5);

上式中,Channelattention1表示第一个通道注意力权重;Spatialattention1表示第一个空间注意力权重;FCBAM1表示经过初次注意力加权的特征图;表示累积操作;表示特征加权运算;Dynamic(·)表示门控决策函数,其具体计算公式如下式所示:(6);

式中,Finput表示输入的特征图;W1、W2为可学习参数;μ(Finput)表示对Finput进行通道平均激活;σ(Finput)表示Finput的标准差;e(Finput)表示Finput的香农熵;b1和b2表示控制隐藏层激活的阈值;

S222,将FCBAM1送入编码器中,编码器包含三次二维卷积;经过编码器里面包含的三次二维卷积后,FCBAM1尺寸变为原来的0.5倍大小,计算公式如式(7)所示:(7);

上式中,Encoder表示编码器,FCBAM1表示经过初次注意力加权的特征图,表示经过编码器重新编码后的特征图;

S223,在得到编码器的输后,再将其送入第二个DCBAM模块,再次对其进行注意力加权得到第二次注意力加权的特征图FCBAM2计算公式如式(8)所示:(8);

上式中,Dynamic(·)表示门控决策函数;Channelattention2表示第二个通道注意力的权重;表示对进行通道注意力加权;Spatialattention2表示第二个空间注意力的权重;表示对进行空间注意力加权;表示累积操作;表示特征加权运算;

S224,将FCBAM2送入解码器,在解码器部分,包含一个尺度不变的二维卷积和三个上采样操作,经过解码器的卷积后,特征的尺寸变为原来的4倍大小,计算公式如式(9)所示:(9);

上式中,FCBAM2表示经过第二次注意力加权的特征图;Decoder表示解码器; 表示经过解码器解码后的特征图;

S225,在得到后,再经过输出端的第三个DCBAM模块的注意力加权得到最终恢复了小目标特征信息的特征图FCBAM3,计算公式如式(10)所示:(10);

式中,Dynamic(·)表示门控决策函数;Channelattention3表示第三个通道注意力的权重;表示对进行通道注意力加权;Spatialattention3表示第三个空间注意力的权重;表示对进行空间注意力加权;表示累积操作;表示特征加权运算;

S226,为了判别所述特征提取模块提取的数据样本和真实数据样本中的特征,在特征提取模块尾部还嵌入判别器网络,所述判别器网络包括一个二维卷积和三个下采样操作,具体为:将所述特征提取模块生成的特征Ffake和真实的特征Freal分别送入判别器网络中,得到输出向量后,计算两者之间的判别损失,计算公式如式(11)所示:(11);

上式中,Ffake表示特征提取模块的生成特征;Freal表示真实特征;||表示Freal与Ffake之间进行或运算;JUDG表示判别器网络;Doutput表示判别器网络的输出的判别损失;

S23,构建地质特征识别模块,通过结合图像的光谱信息,并对图像的光谱特征进行空间注意力、通道注意力以及自注意力,并将多注意力融合光谱特征映射成图像特征;

S24,将地质目标特征构建模块、地质特征识别模块、特征融合模块ASFF和FastestDet检测头嵌入到主干网络CSPDarknet模块中得到初始深度学习网络模型;

S3,将初始训练样本输入到初始深度学习网络模型中进行训练,得到训练好的深度学习网络模型;

S4,将待检测图片输入训练好的深度学习网络模型输出预测的地质小目标位置和目标类型。

2.根据权利要求1所述的地质勘探场景下的小目标视觉检测方法,其特征在于:

步骤S22中,地质目标特征构建模块基于生成式网络构建的特征提取模块和双阶核卷积单元进行构建,所述双阶核卷积单元由一个空域核卷积加一个点核卷积组成,具体由下式进行表示:(1);

式中,F代表输入双阶核卷积单元的特征;PC表示双阶核卷积单元;G表示空域核卷积;Z表示点核卷积;*表示逐元素相乘;此外,双阶核卷积单元的参数量PDS和计算量CDS表示为式(2)与式(3):PDS=DW×DH×M+1×1×N×M(2);

CDS=(DW×DH×M+1×1×N×M)×FW×FH (3);

其中,FW和FH分别代表特征提取模块提取到的特征图的长和宽,M代表特征提取模块的提取的特征图通道数;N表示卷积核的数量;卷积核的大小为DW×DH×M,其中DW和DH分别代表卷积核长和宽;

所述生成式对抗网络的对抗损失函数计算公式(4)为:

L=Ex~Pr[fw(x)]-Ex~Pg[fw(x)](4);

其中,fw(x)代表超参数w的均方差函数;Ex~Pr表示从采样点x~Pr得到一个样本x的期望值;Ex~Pg表示从采样点x~Pg得到一个样本x的期望值,L表示计算得到的对抗损失值。

3.根据权利要求1所述的地质勘探场景下的小目标视觉检测方法,其特征在于:步骤S222和步骤S224中的二维卷积操作中均加入BatchNorm2d归一化操作和LeakyReLU激活函数;步骤S226中的二维卷积操作中加入InstanceNorm2d归一化操作和LeakyReLU激活函数。

4.根据权利要求1至3任一项所述的地质勘探场景下的小目标视觉检测方法,其特征在于:所述地质目标特征构建模块还包括输出单元,将特征提取模块和双阶核卷积单元的输出结合特征融合模块ASFF的输出进行拼接和二维卷积操作。

5.根据权利要求1所述的地质勘探场景下的小目标视觉检测方法,其特征在于:步骤S23中,所述地质特征识别模块的构建过程为:S231,首先计算特征图的光谱数据,并利用空间注意力捕获光谱不同位置之间的空间依赖关系,在整个图像空间范围内同时关注不同区域的特性;具体的,将输入的特征图F∈RH×W×C分别进行不同的光谱分解空间注意力,使其从不同的维度关注小目标区域,感知小目标区域的特征,RH×W×C表示特征图,H和W分别代表矩阵的长和宽,C代表矩阵的通道数,计算公式如式(12)所示:Fspatial_n=SpAttention(Gsw(F))(12);

其中, Gsw代表对特征图F计算其光谱数据,实现从图像特征到光谱特征的映射;Fspatial_n代表空间注意力光谱特征图,其中下标n代表的是空间注意力的维度;SpAttention表示对输入的光谱特征图Gsw(F)在对应的不同维度进行空间注意力;

S232,对特征图F∈RH×W×C计算其光谱数据后,并将光谱特征矩阵图的所有通道分别进行通道注意力,以得通道注意力光谱特征图Fch;计算公式如式(13)所示:Fch=Ch_Attention(Gsw(F))(13);

其中,Ch_Attention表示通道注意力;Gsw(F)表示光谱特征图;Fch表示通道注意力光谱特征图;

S233,对特征图F∈RH×W×C计算其光谱数据后,并将光谱特征矩阵图的所有通道分别进行自注意力,以得自注意力光谱特征图Fself;计算公式如式(14)所示:Fself=Self_Attention(Gsw(F))(14);

其中,Self _Attention表示自注意力;Gsw(F)表示光谱特征图;Fself表示自注意力光谱特征图;

S234,对空间注意力光谱特征图、通道注意力光谱特征图、自注意力光谱特征图进行光谱自适应融合,计算公式如下式所示:(15);

式中,FO表示表示获取的最终特征;Fk∈{ Fspatial_n , Fch , Fself};MAP(Fk)表示将光谱特征图Fk从光谱特征映射到图像特征;Wk、σk、μk表示对应特征图的权重、光谱特征方差、光谱特征均值;表示进行欧几里得运算;∑表示进行累加运算。

6.根据权利要求4所述的地质勘探场景下的小目标视觉检测方法,其特征在于:步骤S24中,将地质目标特征构建模块、地质特征识别模块和特征融合模块ASFF嵌入到主干网络CSPDarknet模块中并结合一个FastestDet检测头得到初始深度学习网络模型;所述主干网络CSPDarknet包括依次设置的六层;所述初始深度学习网络模型构建流程如下:S241,将主干网络CSPDarknet的第四层输出特征图作为地质特征识别模块的输入,然后地质特征识别模块的输出和第四层输出同时作为主干网络CSPDarknet的第五层的输入;

S242,将主干网络CSPDarknet的第四层、第五层、第六层的输出作为特征融合模块ASFF的输入特征,然后特征融合模块ASFF对输入特征进行融合处理后输出特征图;所述特征融合模块ASFF输出尺度逐渐减小的三层输出特征图:融合图一、融合图二和融合图三;

S243,地质目标特征构建模块的输入分为两个部分,第一个部分输入是主干网络CSPDarknet的第四层的输出特征图;第二个部分输入是特征融合模块ASFF的融合图一;第一部分输入作为特征提取模块和双阶核卷积单元的输入,第二部分输入及特征提取模块和双阶核卷积单元的输出作为输出单元的输入;输出单元的输出作为地质目标特征构建模块的输出;

S244,特征融合模块ASFF以及地质目标特征构建模块的输出,作为FastestDet检测头的输入;FastestDet检测头输出目标在图像中的类别及位置信息。

7.根据权利要求6所述的地质勘探场景下的小目标视觉检测方法,其特征在于:所述主干网络CSPDarknet的第一层为Focus层;第二层为二维卷积、归一化和激活函数;第三层为二维卷积、归一化、激活函数和卷积层;第四层为二维卷积、归一化、激活函数和卷积层;第五层为二维卷积、归一化、激活函数和卷积层;第六层为二维卷积、归一化、激活函数、空间金字塔池化和卷积层。