(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 202210875967.9 (22)申请日 2022.07.25 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市下沙高教园区 二号大街 (72)发明人 秦兴　胡尊政　 (74)专利代理 机构 杭州知学知识产权代理事务 所(普通合伙) 33356 专利代理师 张雯 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 10/75(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 3/40(2006.01) (54)发明名称 目标检测方法、 装置、 计算机设备及存储介 质 (57)摘要 本发明实施例公开了目标检测方法、 装置、 计算机设备及存储介质。 所述方法包括： 获取指 定位置的待检测图像； 将所述待检测图像输入至 目标检测模型内进行目标检测， 以得到检测结 果； 输出所述检测结果； 其中， 所述目标检测模型 是通过在C enterNet网络的编码网络中加入可变 形卷积且在解码网络中加入多特征融合模块形 成的。 通过 实施本发明实施例的方法可实现适应 在工厂环境下因为摄像头布置而引发的被检测 对象形变能力， 做到减少网络结构的计算量和网 络参数的同时保证网络结构的鲁棒 性。 权利要求书1页 说明书10页 附图6页 CN 115410030 A 2022.11.29 CN 115410030 A 1.目标检测方法， 其特 征在于， 包括： 获取指定位置的待检测图像； 将所述待检测图像输入至目标检测模型内进行目标检测， 以得到检测结果； 输出所述检测结果； 其中， 所述目标检测模型是通过在CenterNet网络的编码网络中加入可变形卷积且在 解码网络中加入多特 征融合模块形成的。 2.根据权利要求1所述的目标检测方法， 其特征在于， 所述目标检测模型包括依序 连接 的编码网络、 解码网络以及预测网络， 其中， 所述编码网络包括卷积层、 可变形卷积层和/或 DCN模块； 所述解码网络包括上采样网络， 所述上采样网络包括若干个依序连接的反卷积 层； 所述预测网络包括用于获取目标中心点的热力图的中心预测自网络、 用于获取中心点 的偏移量的偏移预测子网络以及获取中心点的宽与高的边框预测子网络 。 3.根据权利要求2所述的目标检测方法， 其特征在于， 所述DCN模块包括带可学习参数 的卷积层， 通过双线性插值 来进行反向传播对DCN模块进行优化。 4.根据权利要求2所述的目标检测方法， 其特征在于， 所述多特征融合模块用于采用反 卷积将高层特 征的尺度上采至与低层特 征尺度相同的尺寸， 并分别按照通道进行 连接。 5.根据权利要求4所述的目标检测方法， 其特征在于， 所述多特征融合模块用于 融合底 层特征以及高层特 征。 6.根据权利要求5所述的目标检测方法， 其特征在于， 所述多特征融合模块关注每一个 通道的特征数据信息， 把关注到的特征信息采用全局平均池化生成一个特征向量， 且通过 学习的方式得出权重 向量， 与初步融合的特征数据信息进行加权计算， 以得出一个融合全 局特征图。 7.根据权利要求1所述的目标检测方法， 其特征在于， 所述编码网络包括ResNet50网 络。 8.目标检测装置， 其特 征在于， 包括： 图像获取 单元， 用于获取指定位置的待检测图像； 检测单元， 用于将所述待检测图像输入至目标检测模型内进行目标检测， 以得到检测 结果； 其中， 所述目标检测模 型是通过在Center Net网络的编码网络中加入 可变形卷积且在 解码网络中加入多特 征融合模块形成的； 输出单元， 用于输出所述检测结果。 9.一种计算机设备， 其特征在于， 所述计算机设备包括存储器及处理器， 所述存储器上 存储有计算机程序， 所述处理器执行所述计算机程序时实现如权利要求 1至7中任一项所述 的方法。 10.一种存储介质， 其特征在于， 所述存储介质存储有计算机程序， 所述计算机程序被 处理器执行时实现如权利要求1至7中任一项所述的方法。权　利　要　求　书 1/1 页 2 CN 115410030 A 2目标检测方法、 装置、 计算机设 备及存储介质 技术领域 [0001]本发明涉及目标检测方法， 更具体地说是指目标检测方法、 装置、 计算机设备及存 储介质。 背景技术 [0002]目标检测是计算机视觉技术中重要研究方向之一。 在现代工业生产中， 目标检测 技术有着非常广阔的应用前景。 实际的生产生活中， 工业 目标检测目前大部分依靠人眼识 别， 也有许多通过模板匹配的方法来进 行检测， 但是人工检测成本和误检率高， 模板匹配难 于适应复杂照明和多分类小目标的任务场景， 比如猪场的死猪事 件检测。 [0003]现有技术采用CenterNet进行死猪目标检测， 相比于YOLO、 SSD等依靠Anchor来进 行检测的网络， C enterNet是一种Anchor  Free的网络， 与R ‑CNN等网络相比， CenterNet不需 要区域建议以及ROI等组件， 所以Center Net在速度和精度上都有提升。 CenterNet网络分别 是由编码网络、 解码网络和检测网络三个编码网络组成， Center Net对图像特征的提取依靠 编码网络进行实现， 它将生成的高语义特征图从编码网络中送入到解码网络， 在解码网络 中使用高斯核算法生成含有目标中心点数据信息的热力图， 然后根据中心 点的数据信息对 目标的长宽高属 性进行回归， 最后通过检测网络进行预测； 但是现有的目标检测方法并不 能适应在工厂环境下 因为摄像头布置而引发的被检测对象形变能力， 也无法做到减少网络 结构的计算 量和网络参数的同时保证网络结构的鲁棒 性。 [0004]因此， 有必要设计一种新的方法， 实现适应在工厂环境下因为摄像头布置而引发 的被检测对象形变能力， 做到减少网络结构的计算量和网络参数的同时保证网络结构的鲁 棒性。 发明内容 [0005]本发明的目的在于克服现有技术的缺陷， 提供目标检测方法、 装置、 计算机设备及 存储介质。 [0006]为实现上述目的， 本发明采用以下技 术方案： 目标检测方法， 包括： [0007]获取指定位置的待检测图像； [0008]将所述待检测图像输入至目标检测模型内进行目标检测， 以得到检测结果； [0009]输出所述检测结果； [0010]其中， 所述目标检测模型是通过在CenterNet网络的编码网络中加入可变形卷积 且在解码网络中加入多特 征融合模块形成的。 [0011]其进一步技术方案为： 所述目标检测模型包括依序连接 的编码网络、 解码网络以 及预测网络， 其中， 所述编码网络包括卷积层、 可变形卷积层和 /或DCN模块； 所述解码网络 包括上采样网络， 所述上采样网络包括若干个依序连接的反卷积层； 所述预测网络包括用 于获取目标中心 点的热力图的中心预测自网络、 用于获取中心 点的偏移 量的偏移预测子网 络以及获取中心点的宽与高的边框预测子网络 。说　明　书 1/10 页 3 CN 115410030 A 3