(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210330727.0 (22)申请日 2022.03.30 (71)申请人 安徽工程大学 地址 241000 安徽省芜湖市鸠江区北京中 路 (72)发明人 强俊　刘无纪　管萍　李习习　 杜云龙　肖光磊　吴维　 (74)专利代理 机构 北京风雅颂专利代理有限公 司 11403 专利代理师 方昊 (51)Int.Cl. G06V 10/82(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 20/17(2022.01)G06V 10/764(2022.01) G06V 10/776(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种优化SSD检测模 型训练方法及小目标检 测方法 (57)摘要 本说明书一个或多个实施例提供的一种优 化SSD检测模型训练方法及小目标检测方法， 将 SSD检测模型中的VGG16网络作为主网络， 再利用 残差网络对于特征信息表达能力强的优势， 引入 ResNet50网络作为辅助主网络， 以提升网络的特 征表达能力， 将VGG16网络卷积后获得的卷积数 据与ResNet50网络卷积后获得的卷积数据进行 特征融合， 将融合后的卷积数据重新进行卷积， 直至达到预设次数， 然后将融合数据输入到SSD 后续网络中进行分类和检测， 获得改进的SSD检 测模型， 再对SSD检测模型进行测试， 直至损失函 数趋于稳定， 最终获得优化SSD检测模型， 可以在 检测速度快的同时提高SSD网络对于小目标的检 测能力。 权利要求书2页 说明书8页 附图4页 CN 114821265 A 2022.07.29 CN 114821265 A 1.一种用于检测小目标的优化S SD检测模型训练方法， 其特 征在于， 包括： 获取历史图像； 将历史图像划分为训练集和 测试集； 将训练集中的历史图像分别输入VGG16网络和ResNet50网络中进行卷积， 分别获得 VGG16网络图像初次卷积数据和ResNet5 0网络图像初次卷积数据； 将所述VGG16网络图像初次卷积数据和ResNet50网络图像初次卷积数据进行特征融 合， 获得融合后的VG G16网络图像初次融合数据； 将所述VGG16网络图像初次融合数据和ResNet50网络图像初次卷积数据返回执行分别 输入VGG16网络和ResNet50网络中进行卷积的步骤， 直至达到预设卷积次数， 获得VGG16网 络图像融合数据； 将所述VGG16网络图像融合数据输入到SSD后续网络中进行分类和检测， 获得改进的 SSD检测模型； 用测试集对改进的SSD检测模型进行测试， 计算损失函数， 与前一次训练得到的损失函 数比较， 若损失函数小于前一次训练的损失函数， 则返回执行将训练集中的历史图像分别 输入VGG16网络和ResNet50网络中进行卷积的步骤， 直至损失函数趋于稳定， 获得的SSD检 测模型为优化S SD检测模型。 2.根据权利要求1所述的用于检测小目标的优化SSD检测模型训练方法， 其特征在于， 所述预设卷积次数为 三次。 3.根据权利要求1所述的用于检测小目标的优化SSD检测模型训练方法， 其特征在于， 采用元素相加的方式对 所述VGG16网络图像初次卷积数据和ResNet50网络图像初次卷积数 据进行特征融合： FOUT＝ ε(Fout) 式中 表示元素相加， Fl表示VGG16网络的输出特征， Fa表示ResNet50网络的输出特征， Fout表示特征融合结果， 使用FOUT作为VGG16网络下一层的输入值； 从Fout到FOUT的过程通过以 ε作为1×1的卷积操作进行调整。 4.一种无 人机航拍图像的小目标检测方法， 其特 征在于， 包括： 获取无人机航拍历史图像； 用所述无人机航拍历史图像对初始SSD检测模型进行训练， 获得训练后的优化SSD检测 模型， 其中， 所述初始S SD检测模型以VG G16网络模型为主干， 以ResNet5 0网络为辅主干； 获取无人机航拍实时图像； 将所述无人机航拍实时图像输入所述优化SSD检测模型中， 以识别所述无人机航拍实 时图像中的小目标。 5.根据权利要求4所述的无人机航拍图像的小目标检测方法， 其特征在于， 所述用所述 无人机航拍历史图像对初始S SD检测模型进行训练， 获得训练后的优化S SD检测模型， 包括： 将所述无 人机航拍历史图像划分为训练集和 测试集； 将训练集中的无人机航拍历史图像分别输入VGG16网络和ResNet50网络中进行卷积， 分别获得VG G16网络图像初次卷积数据和ResNet5 0网络图像初次卷积数据；权　利　要　求　书 1/2 页 2 CN 114821265 A 2将所述VGG16网络图像初次卷积数据和ResNet50网络图像初次卷积数据进行特征融 合， 获得融合后的VG G16网络图像初次融合数据； 将所述VGG16网络图像初次融合数据和ResNet50网络图像初次卷积数据返回执行分别 输入VGG16网络和ResNet50网络中进行卷积的步骤， 直至达到预设卷积次数， 获得VGG16网 络图像融合数据； 将所述VGG16网络图像融合数据输入到SSD后续网络中进行分类和检测， 获得改进的 SSD检测模型； 用测试集对改进的SSD检测模型进行测试， 计算损失函数， 与前一次训练得到的损失函 数比较， 若损失函数小于前一次训练的损失函数， 则返回执行将训练集中的历史图像分别 输入VGG16网络和ResNet50网络中进行卷积的步骤， 直至损失函数趋于稳定， 获得的SSD检 测模型为优化S SD检测模型。 6.根据权利要求5所述的无人机航拍图像的小目标检测方法， 其特征在于， 还包括对所 述无人机航拍历史图像进行 数据增强， 将增强后获得的图像集划分为训练集和 测试集。 7.根据权利要求6所述的无人机航拍图像的小目标检测方法， 其特征在于， 所述数据增 强包括旋转、 平 移、 裁剪以及亮度调节。 8.根据权利要求5所述的无人机航拍图像的小目标检测方法， 其特征在于， 所述预设卷 积次数为 三次。 9.根据权利要求5所述的无人机航拍图像的小目标检测方法， 其特征在于， 采用元素相 加的方式对 所述VGG16网络图像初次卷积数据和ResNet50网络图像初次卷积数据进行特征 融合： FOUT＝ ε(Fout) 式中 表示元素相加， Fl表示VGG16网络的输出特征， Fa表示ResNet50网络的输出特征， Fout表示特征融合结果， 使用FOUT作为VGG16网络下一层的输入值； 从Fout到FOUT的过程通过以 ε作为1×1的卷积操作进行调整。权　利　要　求　书 2/2 页 3 CN 114821265 A 3