(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 202210878896.8 (22)申请日 2022.07.25 (71)申请人 合肥旷鸣智能科技有限公司 地址 238000 安徽省合肥市高新区望江西 路900号中安创谷科技园1期A4- 319 (72)发明人 朱文娟　刘硕　汪一士　 (74)专利代理 机构 合肥洪雷知识产权代理事务 所(普通合伙) 34164 专利代理师 郎海云 (51)Int.Cl. G06V 10/82(2022.01) G06V 10/26(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06N 3/08(2006.01) (54)发明名称 一种在厨余垃圾内的小目标低像素的识别 方法 (57)摘要 本发明公开了一种在厨余垃圾内的小目标 低像素的识别方法， 涉及图像处理技术领域。 本 发明包括如下步骤： 对电池以进行采样， 通过使 用二分类神经网络学习电池的特征， 生成电池识 别模型； 将模型部署在嵌入式开发板后， 通过给 待识别区域进行等梯度划分， 在每个子区域进行 识别后， 将各自的识别结果通过IOU的方式进行 融合， 得到最终预测结果。 本发明通过设计小目 标检测算法， 提高垃圾分类场景下的小目标的识 别精度， 降低硬件消耗 量。 权利要求书1页 说明书4页 附图2页 CN 115471726 A 2022.12.13 CN 115471726 A 1.一种在厨余垃圾内的小目标低像素的识别方法， 其特 征在于， 包括如下步骤： 步骤S1： 导入 模型和相关参数以及数据； 步骤S2： 循环分割数据对象为各个单独数据单 元； 步骤S3： 将各个数据单 元输入模型得到对应的识别对象列表； 步骤S4： 根据各个识别对象列表进行还原， 使其对应原 始数据的识别对象； 步骤S5： 对各个还原后对象甄别； 步骤S6： 保存得到数据对象最终的识别对象列表； 步骤S7： 输出最终效果图。 2.根据权利要求1所述的一种在厨余垃圾内的小目标低像素的识别方法， 其特征在于， 所述步骤S1中， 训练所需的模型 具体流程如下： 步骤S11： 在网上收集大量电池图片； 步骤S12： 将电池图片通过 人工标注为xml文件， 并制成数据集； 步骤S13： 将数据集送到神经网络进行 学习， 训练生成新模型。 步骤S18： 后使用循环对粗劣的识别 对象列表进行甄别并使用IOU设定阈值的方式进行 融合， 从而得到最终识别数据， 保存并以图像形式体现出来。 3.根据权利要求1所述的一种在厨余垃圾内的小目标低像素的识别方法， 其特征在于， 所述步骤S2中， 程序开始运行时， 导入训练好的模型， 读取运行必要参数， 输入需要识别的 数据， 对需识别数据进行甄别。 4.根据权利要求1所述的一种在厨余垃圾内的小目标低像素的识别方法， 其特征在于， 所述步骤S 3中， 使用循环对原始数据进 行单位分割， 使其成为各个独立数据对象； 再使用循 环对各个独立数据对象输入进模型进 行识别， 从而得到各个独立数据对象对应的识别对象 列表。 5.根据权利要求1所述的一种在厨余垃圾内的小目标低像素的识别方法， 其特征在于， 所述步骤S5中， 甄别时使用循环对粗劣的识别对象列表进行甄别并使用IOU设定阈值的方 式进行融合， 从而得到最终识别数据， 保存并以图像形式体现出来。 6.根据权利要求1所述的一种在厨余垃圾内的小目标低像素的识别方法， 其特征在于， 所述IOU计算时， 将两个区域重叠的部 分除以两个区域的集合部 分得出的结果， 通过设定的 阈值， 与这个IOU计算结果比较； 所述 IOU计算方式如下： 式中， Intersection  area为两个电池对象区域的重叠部分的面积， Union  area为两个 电池对象区域的集合部分的面积， 从而得到电池对象区域的IOU值， 使用得到的IOU值与预 设定的阈值进行比较从而判断电池 对象区域的取舍与融合。权　利　要　求　书 1/1 页 2 CN 115471726 A 2一种在厨余垃圾内的小目标低像素的识别方 法 技术领域 [0001]本发明属于图像处理技术领域， 特别是涉及一种在厨余垃圾内的小目标低像素的 识别方法。 背景技术 [0002]深度学习的发展为目标检测技术提供了关键基础， 使其已在无人驾驶、 视频追踪 等领域广泛应用， 但仍存在一些缺陷有待 改进和完善。 由于现有目标检测算法大多是针对 具有一定尺寸或比例的大中型目标， 而实际场景也存在尺寸小、 特征弱的待测小目标， 所谓 的小目标定义有两种： 相对尺寸和绝对尺寸。 相对尺寸定义为目标对象占据图像的0.12％ 以下即为小目标； 绝对尺寸定义为目标尺寸小于32 ×32的即为小目标。 由于现有算法对小 目标检测性能还远不能令人满意。 [0003]综上所述， 多尺度特征融合就是将拥有不 同特点的特征图进行结合， 使融合后的 特征图既有 具体的边缘细节信息， 也有丰富抽象的语义信息。 因其拥有 更多的全局信息， 而 对原图像有更强的表达力和描述力。 因此， 该方法能有效改善网络模型对小目标检测性能 差的问题。 [0004]但是一些特征融合引入了反卷积操作， 这一方式会增加时间成本， 降低检测速度。 以此同时， 特征融合会常常忽略待融合特征图通道间的相互依赖关系， 不能反 映不同特征 通道间的相关性和重要性。 [0005]所以将小目标检测算法广泛应用于具体实际场景还 存在一定挑战。 发明内容 [0006]本发明的目的在于提供一种在厨余垃圾内 的小目标低像素的识别方法， 通过对电 池以进行采样， 通过使用二分类神经网络学习电池的特征， 生成电池识别模型。 将模型部署 在嵌入式开 发板后， 通过给待识别区域进 行等梯度划分， 在每个子区域进 行识别后， 将各自 的识别结果通过IOU的方式进 行融合， 得到最 终预测结果， 解决了 现有的垃圾分类场景下的 小目标的识别精度低以及硬件消耗大的问题。 [0007]为解决上述 技术问题， 本发明是通过以下技 术方案实现的： [0008]本发明为 一种在厨余垃圾内的小目标低像素的识别方法， 包括如下步骤： [0009]步骤S1： 导入 模型和相关参数以及数据； [0010]步骤S2： 循环分割数据对象为各个单独数据单 元； [0011]步骤S3： 将各个数据单 元输入模型得到对应的识别对象列表； [0012]步骤S4： 根据各个识别对象列表进行还原， 使其对应原 始数据的识别对象； [0013]步骤S5： 对各个还原后对象甄别； [0014]步骤S6： 保存得到数据对象最终的识别对象列表； [0015]步骤S7： 输出最终效果图。 [0016]作为一种优选的技 术方案， 所述 步骤S1中， 训练所需的模型 具体流程如下：说　明　书 1/4 页 3 CN 115471726 A 3