基于人工智能的目标增强检测方法和系统与流程

1.本技术涉及网络安全技术领域，尤其涉及一种基于人工智能的目标增强检测方法和系统。


背景技术：

2.在计算机视觉领域中，目标检测是一个重要的研究课题。现有的目标检测方法主要包括基于区域的检测算法和单发检测算法。然而，这些方法在处理复杂场景，如目标尺度变化、遮挡、低分辨率和噪声干扰时，存在准确度低和鲁棒性差的问题。


技术实现要素：

3.本发明的目的在于提供一种基于人工智能的目标增强检测方法和系统，该方法通过深度学习技术，结合图像增强和数据增强，实现一种准确度高且鲁棒性好的目标增强检测方法和系统。
4.第一方面，本技术提供一种基于人工智能的目标增强检测方法，所述方法包括：
5.步骤一，收集包含目标物体的图像数据集，其中所述目标物体包括各种不同类型的物体；
6.步骤二，对图像数据进行预处理，所述预处理包括图像增强和数据增强，增加所述图像数据集的多样性和复杂性，得到待检测的图像；
7.所述步骤二中图像增强包括将输入的rgb图像转换为hsv图像，其中v通道表示图像的亮度，后续处理只针对v通道；所述后续处理包括先通过堆叠式自编码器得到光滑的亮度图，再利用所述hsv图像除以该亮度图得到初始的反射图，之后所述初始的反射图在经过卷积自编码器减少亮度增强过程中放大噪声，得到反射图以及提亮后的图像，最后所述反射图乘以所述提亮后的图像得到待检测的图像；
8.所述步骤二中数据增强不限于以下任意一种或几种的组合：
9.填充操作：在图像中加入一些噪声、干扰、或变形，以增加数据的多样性；
10.删除操作：将图像中的某些区域或像素删除，以模拟数据丢失的情况；
11.模糊操作：对图像进行模糊处理，以模拟图像采集过程中的噪声和干扰；
12.缩放操作：对图像进行缩放，以增加不同物体的大小变化情况；
13.旋转操作：对图像进行旋转，以增加不同物体的角度变化情况；
14.翻转操作：对图像进行水平或垂直翻转，以增加不同物体的对称性；
15.变形操作：对图像进行形变，以模拟物体的动态变化；
16.步骤三，使用深度学习技术，训练一个包含特征提取网络和目标检测网络的整体网络，并在训练过程中使用大量的标注数据，优化所述整体网络的参数；
17.步骤四，将所述待检测的图像输入所述整体网络，提取该待检测的图像的特征并识别出目标物体的位置和类别；
18.步骤五，根据所述识别的结果进行管控。
19.第二方面，本技术提供一种基于人工智能的目标增强检测系统，所述系统包括：
20.数据收集模块，用于收集包含目标物体的图像数据集，其中所述目标物体包括各种不同类型的物体；
21.预处理模块，用于对图像数据进行预处理，所述预处理包括图像增强和数据增强，增加所述图像数据集的多样性和复杂性，得到待检测的图像；
22.所述预处理模块中图像增强包括将输入的rgb图像转换为hsv图像，其中v通道表示图像的亮度，后续处理只针对v通道；所述后续处理包括先通过堆叠式自编码器得到光滑的亮度图，再利用所述hsv图像除以该亮度图得到初始的反射图，之后所述初始的反射图在经过卷积自编码器减少亮度增强过程中放大噪声，得到反射图以及提亮后的图像，最后所述反射图乘以所述提亮后的图像得到待检测的图像；
23.所述预处理模块中数据增强不限于以下任意一种或几种的组合：
24.填充操作：在图像中加入一些噪声、干扰、或变形，以增加数据的多样性；
25.删除操作：将图像中的某些区域或像素删除，以模拟数据丢失的情况；
26.模糊操作：对图像进行模糊处理，以模拟图像采集过程中的噪声和干扰；
27.缩放操作：对图像进行缩放，以增加不同物体的大小变化情况；
28.旋转操作：对图像进行旋转，以增加不同物体的角度变化情况；
29.翻转操作：对图像进行水平或垂直翻转，以增加不同物体的对称性；
30.变形操作：对图像进行形变，以模拟物体的动态变化；
31.训练模块，用于使用深度学习技术，训练一个包含特征提取网络和目标检测网络的整体网络，并在训练过程中使用大量的标注数据，优化所述整体网络的参数；
32.目标增强检测模块，用于将所述待检测的图像输入所述整体网络，提取该待检测的图像的特征并识别出目标物体的位置和类别；
33.执行模块，用于根据所述识别的结果进行管控。
34.第三方面，本技术提供一种基于人工智能的目标增强检测系统，所述系统包括处理器以及存储器：
35.所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
36.所述处理器用于根据所述程序代码中的指令执行第一方面四种可能中任一项所述的方法。
37.第四方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面四种可能中任一项所述的方法。
38.有益效果
39.本发明提供一种基于人工智能的目标增强检测方法和系统，本发明的优势在于：通过深度学习技术，提高了目标检测的准确度和鲁棒性；通过数据增强和图像增强技术，增加了数据集的多样性和复杂性，提高了模型的泛化能力；整个系统具有高效的处理速度，可以在实际应用中实时进行目标检测。通过深度学习技术，结合图像增强和数据增强，克服了现有技术在处理复杂场景，如目标尺度变化、遮挡、低分辨率和噪声干扰时，存在准确度低和鲁棒性差的问题。
附图说明
40.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
41.图1为本发明基于人工智能的目标增强检测方法的大致流程图；
42.图2为本发明基于人工智能的目标增强检测系统的架构图。
具体实施方式
43.下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
44.图1为本技术提供的基于人工智能的目标增强检测方法的大致流程图，所述方法包括：
45.步骤一，收集包含目标物体的图像数据集，其中所述目标物体包括各种不同类型的物体；
46.步骤二，对图像数据进行预处理，所述预处理包括图像增强和数据增强，增加所述图像数据集的多样性和复杂性，得到待检测的图像；
47.所述步骤二中图像增强包括将输入的rgb图像转换为hsv图像，其中v通道表示图像的亮度，后续处理只针对v通道；所述后续处理包括先通过堆叠式自编码器得到光滑的亮度图，再利用所述hsv图像除以该亮度图得到初始的反射图，之后所述初始的反射图在经过卷积自编码器减少亮度增强过程中放大噪声，得到反射图以及提亮后的图像，最后所述反射图乘以所述提亮后的图像得到待检测的图像；
48.所述步骤二中数据增强不限于以下任意一种或几种的组合：
49.填充操作：在图像中加入一些噪声、干扰、或变形，以增加数据的多样性；
50.删除操作：将图像中的某些区域或像素删除，以模拟数据丢失的情况；
51.模糊操作：对图像进行模糊处理，以模拟图像采集过程中的噪声和干扰；
52.缩放操作：对图像进行缩放，以增加不同物体的大小变化情况；
53.旋转操作：对图像进行旋转，以增加不同物体的角度变化情况；
54.翻转操作：对图像进行水平或垂直翻转，以增加不同物体的对称性；
55.变形操作：对图像进行形变，以模拟物体的动态变化；
56.步骤三，使用深度学习技术，训练一个包含特征提取网络和目标检测网络的整体网络，并在训练过程中使用大量的标注数据，优化所述整体网络的参数；
57.步骤四，将所述待检测的图像输入所述整体网络，提取该待检测的图像的特征并识别出目标物体的位置和类别；
58.步骤五，根据所述识别的结果进行管控。
59.在一些优选实施例中，所述的整体网络包括特征提取网络和目标检测网络。
60.在一些优选实施例中，所述的目标增强检测方法还包括注意力机制，用于对目标物体的关键区域进行精细识别，提升图像中纹理细节信息的捕捉能力和噪声的抑制能力。
61.注意力机制主要包括以下步骤：
62.计算输入的表示向量：首先，将输入信息表示为一个向量或矩阵。这个向量或矩阵
可以是由神经网络层计算得到的，也可以是预处理得到的。
63.计算注意力权重：接下来，通过一个注意力机制来计算输入的不同部分的权重。这个权重通常是通过比较输入的不同部分与当前关注的信息的相关性来计算的。
64.计算加权和：根据计算得到的权重，将输入的不同部分进行加权和计算，得到最终的输出。这个输出通常是一个向量或矩阵，表示输入信息中不同部分的加权和。
65.可微分的注意力机制：最后，通过一个可微分的注意力机制，将注意力权重与输入向量或矩阵进行结合，得到最终的输出。这个注意力机制可以是点积、加性、多层感知器等可微分的机制，使得整个计算过程可以通过反向传播算法进行优化。
66.在一些优选实施例中，所述的目标增强检测方法还包括集成学习过程和一个模型压缩过程。
67.所述集成学习过程是一种将多个单一的预测模型组合成一个更强大的预测系统的学习方法。在集成学习过程中，通常采用以下步骤：
68.收集数据集：首先，需要收集足够的数据集，以训练多个单一的预测模型。这些数据可以是从不同的来源获取的，也可以是经过预处理和/或特征工程处理过的数据。
69.训练单一模型：接下来，使用收集的数据集训练多个单一的预测模型。这些单一模型可以使用不同的算法、深度学习模型或传统的机器学习算法进行训练。
70.集成多个模型：一旦训练完多个单一模型，需要将这些模型集成起来，以获得更强大的预测性能。集成的方法可以是投票、堆叠、特征束等。
71.评估和调整：最后，需要对集成模型进行评估和调整。评估的方法可以是交叉验证、测试集验证等。如果需要调整，可以通过调整超参数、改变模型结构等方式进行优化。
72.所述模型压缩过程是一种将大型神经网络模型压缩成更小、更轻量级的模型的方法，以便在资源受限的设备上进行部署。在模型压缩中，通常采用以下步骤：
73.收集训练数据集：首先，需要收集足够的数据集，以训练一个大型的神经网络模型。
74.训练大型模型：使用收集的数据集训练一个大型的神经网络模型。这个模型的层数和参数数量通常很多，以便获得更好的性能。
75.压缩大型模型：一旦训练完大型模型，需要将其压缩成更小的模型。压缩的方法可以是剪枝、量化、分解权重等。
76.评估和调整：最后，对压缩后的模型进行评估和调整。评估的方法可以是交叉验证、测试集验证等。如果需要调整，可以通过剪枝算法的参数、量化方案等进行优化。
77.图2为本技术提供的基于人工智能的目标增强检测系统的架构图，所述系统包括：
78.数据收集模块，用于收集包含目标物体的图像数据集，其中所述目标物体包括各种不同类型的物体；
79.预处理模块，用于对图像数据进行预处理，所述预处理包括图像增强和数据增强，增加所述图像数据集的多样性和复杂性，得到待检测的图像；
80.所述预处理模块中图像增强包括将输入的rgb图像转换为hsv图像，其中v通道表示图像的亮度，后续处理只针对v通道；所述后续处理包括先通过堆叠式自编码器得到光滑的亮度图，再利用所述hsv图像除以该亮度图得到初始的反射图，之后所述初始的反射图在经过卷积自编码器减少亮度增强过程中放大噪声，得到反射图以及提亮后的图像，最后所
述反射图乘以所述提亮后的图像得到待检测的图像；
81.所述预处理模块中数据增强不限于以下任意一种或几种的组合：
82.填充操作：在图像中加入一些噪声、干扰、或变形，以增加数据的多样性；
83.删除操作：将图像中的某些区域或像素删除，以模拟数据丢失的情况；
84.模糊操作：对图像进行模糊处理，以模拟图像采集过程中的噪声和干扰；
85.缩放操作：对图像进行缩放，以增加不同物体的大小变化情况；
86.旋转操作：对图像进行旋转，以增加不同物体的角度变化情况；
87.翻转操作：对图像进行水平或垂直翻转，以增加不同物体的对称性；
88.变形操作：对图像进行形变，以模拟物体的动态变化；
89.训练模块，用于使用深度学习技术，训练一个包含特征提取网络和目标检测网络的整体网络，并在训练过程中使用大量的标注数据，优化所述整体网络的参数；
90.目标增强检测模块，用于将所述待检测的图像输入所述整体网络，提取该待检测的图像的特征并识别出目标物体的位置和类别；
91.执行模块，用于根据所述识别的结果进行管控。
92.本技术提供一种基于人工智能的目标增强检测系统，所述系统包括：所述系统包括处理器以及存储器：
93.所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
94.所述处理器用于根据所述程序代码中的指令执行第一方面所有实施例中任一项所述的方法。
95.本技术提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面所有实施例中任一项所述的方法。
96.具体实现中，本发明还提供一种计算机存储介质，其中，该计算机存储介质可以存储有程序，该程序执行时可包括本发明各个实施例中的部分或全部步骤。所述的存储介质可以为磁碟、光盘、只读存储记忆体(简称：rom)或随机存储记忆体(简称：ram)等。
97.本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
98.本说明书各个实施例之间相同相似的部分互相参见即可。尤其，对于实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
99.以上所述的本发明实施方式并不构成对本发明保护范围的限定。

技术特征：
1.一种基于人工智能的目标增强检测方法，其特征在于，所述方法包括：步骤一，收集包含目标物体的图像数据集，其中所述目标物体包括各种不同类型的物体；步骤二，对图像数据进行预处理，所述预处理包括图像增强和数据增强，增加所述图像数据集的多样性和复杂性，得到待检测的图像；所述步骤二中图像增强包括将输入的rgb图像转换为hsv图像，其中v通道表示图像的亮度，后续处理只针对v通道；所述后续处理包括先通过堆叠式自编码器得到光滑的亮度图，再利用所述hsv图像除以该亮度图得到初始的反射图，之后所述初始的反射图在经过卷积自编码器减少亮度增强过程中放大噪声，得到反射图以及提亮后的图像，最后所述反射图乘以所述提亮后的图像得到待检测的图像；所述步骤二中数据增强不限于以下任意一种或几种的组合：填充操作：在图像中加入一些噪声、干扰、或变形，以增加数据的多样性；删除操作：将图像中的某些区域或像素删除，以模拟数据丢失的情况；模糊操作：对图像进行模糊处理，以模拟图像采集过程中的噪声和干扰；缩放操作：对图像进行缩放，以增加不同物体的大小变化情况；旋转操作：对图像进行旋转，以增加不同物体的角度变化情况；翻转操作：对图像进行水平或垂直翻转，以增加不同物体的对称性；变形操作：对图像进行形变，以模拟物体的动态变化；步骤三，使用深度学习技术，训练一个包含特征提取网络和目标检测网络的整体网络，并在训练过程中使用大量的标注数据，优化所述整体网络的参数；步骤四，将所述待检测的图像输入所述整体网络，提取该待检测的图像的特征并识别出目标物体的位置和类别；步骤五，根据所述识别的结果进行管控。2.根据权利要求1所述的方法，其特征在于：所述的整体网络包括特征提取网络和目标检测网络。3.根据权利要求1所述的方法，其特征在于：所述的目标增强检测方法还包括注意力机制，用于对目标物体的关键区域进行精细识别，提升图像中纹理细节信息的捕捉能力和噪声的抑制能力。4.根据权利要求3所述的方法，其特征在于：所述的目标增强检测方法还包括集成学习过程和一个模型压缩过程。5.一种基于人工智能的目标增强检测系统，其特征在于，所述系统包括：数据收集模块，用于收集包含目标物体的图像数据集，其中所述目标物体包括各种不同类型的物体；预处理模块，用于对图像数据进行预处理，所述预处理包括图像增强和数据增强，增加所述图像数据集的多样性和复杂性，得到待检测的图像；所述预处理模块中图像增强包括将输入的rgb图像转换为hsv图像，其中v通道表示图像的亮度，后续处理只针对v通道；所述后续处理包括先通过堆叠式自编码器得到光滑的亮度图，再利用所述hsv图像除以该亮度图得到初始的反射图，之后所述初始的反射图在经过卷积自编码器减少亮度增强过程中放大噪声，得到反射图以及提亮后的图像，最后所述反
射图乘以所述提亮后的图像得到待检测的图像；所述预处理模块中数据增强不限于以下任意一种或几种的组合：填充操作：在图像中加入一些噪声、干扰、或变形，以增加数据的多样性；删除操作：将图像中的某些区域或像素删除，以模拟数据丢失的情况；模糊操作：对图像进行模糊处理，以模拟图像采集过程中的噪声和干扰；缩放操作：对图像进行缩放，以增加不同物体的大小变化情况；旋转操作：对图像进行旋转，以增加不同物体的角度变化情况；翻转操作：对图像进行水平或垂直翻转，以增加不同物体的对称性；变形操作：对图像进行形变，以模拟物体的动态变化；训练模块，用于使用深度学习技术，训练一个包含特征提取网络和目标检测网络的整体网络，并在训练过程中使用大量的标注数据，优化所述整体网络的参数；目标增强检测模块，用于将所述待检测的图像输入所述整体网络，提取该待检测的图像的特征并识别出目标物体的位置和类别；执行模块，用于根据所述识别的结果进行管控。6.一种基于人工智能的目标增强检测系统，其特征在于，所述系统包括处理器以及存储器：所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行实现权利要求1-4任一项所述的方法。7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行实现权利要求1-4任一项所述的方法。

技术总结
本发明提供一种基于人工智能的目标增强检测方法和系统，本发明的优势在于：通过深度学习技术，提高了目标检测的准确度和鲁棒性；通过数据增强和图像增强技术，增加了数据集的多样性和复杂性，提高了模型的泛化能力；整个系统具有高效的处理速度，可以在实际应用中实时进行目标检测。通过深度学习技术，结合图像增强和数据增强，克服了现有技术在处理复杂场景，如目标尺度变化、遮挡、低分辨率和噪声干扰时，存在准确度低和鲁棒性差的问题。存在准确度低和鲁棒性差的问题。存在准确度低和鲁棒性差的问题。


技术研发人员：魏亮 谢玮 魏薇 彭志艺 张学阳 郑威 凌霞 海涵 郑晓玲
受保护的技术使用者：中国信息通信研究院
技术研发日：2023.07.26
技术公布日：2023/10/15