(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 202210088363.X (22)申请日 2022.01.25 (71)申请人 合肥学院 地址 230000 安徽省合肥市经开区锦绣大 道99号 (72)发明人 张胜　石朝毅　陈琛　胡学友　 高先和　刘亚辉　 (74)专利代理 机构 北京康达联禾知识产权代理 事务所(普通 合伙) 11461 专利代理师 尚婷 (51)Int.Cl. G06V 10/44(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于神经网络的小目标特征信息获取 方法 (57)摘要 本发明涉及小目标识别技术领域， 公开了一 种基于神经网络的小目标特征信息获取方法， 所 述的方法包括： 获取目标物体的红外图像； 设定 滤波器的输入函数为f(x,y)， 输出信号为g(x, y)， 滤波器的脉冲响应函数为h(x,y)， 则： g(x,y) ＝f(x,y)*h(x,y)， 式中， *表示卷积运算； 建立卷 积模板H， 表示滤波器的脉冲响应函数， 建立空域 模板H1， 所述的空域模板H1采用5×5的高通滤波 器； 获取经滤波器降噪后的目标物体的红外图 像， 对其边界信息进行提取， 生成目标物体的边 缘图像； 通过YOLO网络,结合目标边界边缘图像 进行识别， 获得目标物体的种类。 相比于传统方 式， 本发明为后续的杂质的剔除过程中、 有效的 降低带出比以及提高石英制品的质量。 权利要求书2页 说明书7页 附图1页 CN 114494726 A 2022.05.13 CN 114494726 A 1.一种基于神经网络的小目标 特征信息获取 方法， 其特 征在于， 所述的方法包括： 获取目标物体的红外图像； 设定滤波器的输入函数为f(x,y)， 输出信号为g(x,y)， 滤波器 的脉冲响应函数为h(x, y)， 则： g(x,y)＝f(x,y)* h(x,y)， 式 中， *表示卷积运 算； 建立卷积模板H， 表示滤波器的脉冲响应函数， 建立 空域模板H1， 所述的空域模板H1采用 5×5的高通滤波器， 具体为： 获取经滤波器降噪后的目标物体的红外 图像， 对其边界信息进行提取， 生成目标物体 的边缘图像； 通过YOLO网络,结合目标边界边 缘图像进行识别， 获得目标物体的种类。 2.根据权利要求1所述的一种基于神经网络的小目标特征信 息获取方法， 其特征在于， 所述的空域模板还 包括H2， 所述的空域模板 H2同样采用5 ×5的高通滤波器， 具体为： 3.根据权利要求2所述的一种基于神经网络的小目标特征信 息获取方法， 其特征在于, 所述的空域模板 H1和H2采用N×N的高通滤波器， 其中N大于等于 3且为奇数。 4.根据权利要求1所述的一种基于神经网络的小目标特征信 息获取方法， 其特征在于， 滤波器的脉冲响应函数的频域表示 为： G(u,v)＝F(u,v)H(u,v)， 式中， G(u,v)、 F(u,v)和H(u,v)分别 为g(x,y)、 f(x,y)和h(x, y)的傅里叶变换， 其中H(u,v)定义 为传递函数， 选用理想高通滤波器， 其传递 函数式为： HLPF: 式中 5.根据权利要求4所述的一种基于神经网络的小目标特征信 息获取方法， 其特征在于， 所述的传递 函数还可以选用指数高通滤波器， 其传递 函数式为： BHPF: 式中D0为截止频率到原点的距离 。 6.根据权利要求4所述的一种基于神经网络的小目标特征信 息获取方法， 其特征在于， 所述的传递 函数还可以选用巴特沃 斯滤波器， 其传递 函数式为： EHPF: 式中， n为从原点 算起H(u,v)的增长率。 7.根据权利要求1所述的一种基于神经网络的小目标特征信 息获取方法， 其特征在于，权　利　要　求　书 1/2 页 2 CN 114494726 A 2通过YOLO网络,结合目标边界边缘图像进行识别， 获得 目标物体的种类的具体步骤如下所 示： 使用ImageNet中的1000类数据训练YOLO网络的前20个卷积层、 1个average池化层和1 个全连接层， 并将训练图像分辨 率调整至2 24x224； 应用前20个卷积层网络参数来初始化YOLO模型前20个卷积层的网络参数， 然后用VOC   20类标注数据进行YOLO模型训练。 8.根据权利要求7所述的一种基于神经网络的小目标特征信 息获取方法， 其特征在于， 在YOLO模型训练的过程中， 将输入图像分辨 率调整到4 48x448。权　利　要　求　书 2/2 页 3 CN 114494726 A 3