(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211188231.0 (22)申请日 2022.09.28 (65)同一申请的已公布的文献号 申请公布号 CN 115272814 A (43)申请公布日 2022.11.01 (73)专利权人 南昌工学院 地址 330000 江西省南昌市红谷滩新区 阁 皂山大道 998号 专利权人 华中农业大 学 (72)发明人 甘胜丰　胡磊　刘世超　李露　 闵高　雷维新　张仁　周蓓　 徐朝玉　 (74)专利代理 机构 武汉知产时代知识产权代理 有限公司 42 238 专利代理师 万文广 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/26(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 7/11(2017.01) G06T 7/136(2017.01) G06T 7/194(2017.01) G06T 7/62(2017.01) (56)对比文件 CN 115063573 A,202 2.09.16 CN 113313118 A,2021.08.27 CN 113989616 A,202 2.01.28 CN 114494893 A,202 2.05.13 CN 114612835 A,2022.06.10 CN 113762209 A,2021.12.07 CN 112016512 A,2020.12.01 CN 113673621 A,2021.1 1.19 CN 114782311 A,2022.07.22 WO 2022134624 A1,202 2.06.30 WO 202120 3863 A1,2021.10.14 (续) 审查员 崔芳婷 (54)发明名称 一种远距离空间自适应多尺度的小目标检 测方法 (57)摘要 本发明公开了一种远距离空间自适应多尺 度的小目标检测方法， 方法包括两个阶段， 分别 为： 多尺度目标检测模型确定阶段和多尺度目标 检测模型预测阶段； 在多尺度目标检测模型确定 阶段， 通过对不同的目标检测任务进行数据集分 析， 得到该类型任务所对应的多尺度目标检测模 型结构； 在多尺度目标检测模型预测阶段， 通过 对应的目标检测任务类型， 直接调用对应结构； 在未知检测任务类型时， 通过OS TU算法及决策树 获得其对应检测任务的多尺度目标检测模型结 构， 完成预测。 本发明有益效果是： 能够实时的、 自适应的进行各类目标检测， 提高了目标检测通用性的同时， 保证 了目标检测精度。 [转续页] 权利要求书3页 说明书11页 附图8页 CN 115272814 B 2022.12.27 CN 115272814 B (56)对比文件 US 11205098 B1,2021.12.21 韩同强.单阶段模型 下多尺度及卷积特 征融 合的目标检测算法研究. 《中国优秀硕士学位 论 文全文数据库》 .202 2, 董小伟等.基 于多尺度加权特 征融合网络的 地铁行人目标检测算法. 《电子与信息学报》 .2021, 刘芳等.基于多尺度特 征融合的自适应无 人机目标检测. 《光学 学报》 .2020,(第10期), Ziyuan Guo et al.Multi-Scale Object Detection Using Feature Fusi on Recalibration Network. 《IEEE》 .2020, Wenjie Guan et al.Multi-Scale Object Detection with Feature Fusi on and Regi on Objectnes s Network. 《2018 IE EE Internati onal Conference o n Acoustics, Speech and Signal Proces sing (ICAS SP)》 .2018,2/2 页 2[接上页] CN 115272814 B1.一种远距离空间自适应多尺度的小目标检测方法， 其特征在于： 方法包括两个阶段， 分别为： 多尺度目标检测模型确定阶段和多尺度目标检测模型 预测阶段； 多尺度目标检测模型确定阶段包括以下 过程： S1、 构建多尺度目标检测模型， 所述多尺度目标检测模型包括三个部分， 分别为二层特 征融合结构、 三层特征融合结构和四层特征融合结构； 所述二层特征融合结构、 三层特征融 合结构和四层特 征融合结构预 先训练完毕； S2、 获取目标检测任务类型及对应的训练集， 并采用目标边界框对训练集中需要检测 的目标进行 标注， 得到目标信息的左上角坐标为( x1,y1)， 右下角坐标为( x2,y2)； S3、 计算目标边界框面积与图像面积的比值： ( x2‑x1)*(y2‑y1)/W*H； 其中W、H分别为训练 集中图像的宽、 高； S4： 目标边界框面积与图像面积的比值的开方小于 预设的第一阈值 a1时， 该目标为小目 标； 目标边 界框面积与图像面积的比值的开方大于预设的第二阈值 a2时， 该目标为大目标； 目标边界框面积与图像面积的比值的开方处于 a1与a2之间的， 为普通目标； S5、 采用决策树方法确定多尺度目标检测模型 结构， 具体如下： 计算大目标、 小目标、 普通目标的占比分别为 C1、C2、C3， 根据各目标占比及设置的占比 阈值， 判断多尺度目标检测模型自适应结构， 具体为： 当小目标数量占比超过整体数据的预 设百分比 p时， 调整多尺度目标检测模 型为四层特征融合结构； 当大目标数量占比超过预设 百分比p时， 调整多尺度目标检测模型为二层特征融合结构， 否则调整多尺度目标检测模型 为三层特征融合结构； 多尺度目标检测模型 预测阶段： S6： 获取待预测目标 数据； S7： 若待预测目标数据属于多尺度目标检测模型确定阶段的目标检测任务类型， 则调 用多尺度目标检测模型确定阶段对应确定的目标检测模型结构直接进 行预测， 得到目标预 测结果； S8： 若待预测目标数据不属于多尺度目标检测模型确定阶段的目标检测任务类型， 则 采用大津阈值分割OSTU法处理待预测目标数据， 按图像的灰度特性， 将图像分成背景和前 景两部分， 通过前景目标像素值与整个图像像素值的比值， 确定待 预测目标类型， 统计各类 预测目标的占比， 按照步骤S5的方法再次确定多尺度目标检测模型 的结构， 并调用对应结 构完成目标检测。 2.如权利要求1所述的一种远距离空间自适应多尺度的小目标检测方法， 其特征在于： 所述二层特征融合结构包括： 主干网络、 CA注意力机制模块、 二层特征融合模块、 解耦输出 模块； 所述三层特征融合结构采用yo lo网络系列中的PAFPN结构； 所述四层特征融合结构包括： 主干网络、 CA注意力机制模块、 四层特征融合模块、 SSHF 感受野叠加模块和解耦输出模块； 所述SSHF感受野叠加模块采用3个3 ×3的卷积核依次连 接而成。 3.如权利要求2所述的一种远距离空间自适应多尺度的小目标检测方法， 其特征在于： 所述二层特征融合结构如下：权　利　要　求　书 1/3 页 2 CN 115272814 B 3