其他

本发明适用于图像识别技术领域，提供了一种小目标检测方法、装置及终端设备。该方法包括：获取训练图像数据，对训练图像数据进行标注，将标注后的训练图像数据转换为预设格式。构建改进的YOLOv8模型，在检测头网络和特征强化提取网络中增加小目标检测层；在主干特征提取网络的第一个C2f模块中加入GAM注意力机制形成C2fG模块，与小目标检测层连接；将主干特征提取网络中的后两个C2f模块中的Bottleneck模块中的第一个Conv模块调整为DSConv模块，形成C2fD模块；检测头网络的每个检测头使用Conv与Dyhead连接的结构。采用预设格式的训练图像数据对改进的YOLOv8模型进行训练；将待检测图像数据输入到训练完成后的YOLOv8模型中，得到小目标的类别和位置。本发明能够提高小目标检测的精度。

自动驾驶环境感知增强：该小目标检测方法通过多尺度特征融合与注意力机制优化，能够精准识别百米外的交通锥、小体积障碍物等低像素目标，显著提升自动驾驶系统在复杂路况下的早期风险预警能力，弥补传统检测算法对远距离小目标的漏检缺陷。

工业质检微小缺陷识别：在精密电子元件、光伏板等产品的自动化检测中，算法对微米级划痕、焊点虚接等缺陷的检出率突破人工目检极限，配合高分辨率成像设备实现制造过程的全流程质量监控，推动智能制造品控标准升级。

本发明实施例中，对训练图像数据进行标注并转化为预设格式后，将预设格式的训练图像数据对所构建的改进的YOLOv8模型进行训练，训练完成后将待检测图像数据输入到训练完成后的YOLOv8模型中，即可以得到小目标的类别和位置。该改进的YOLOv8模型在检测头网络和特征强化提取网络中增加小目标检测层，小目标检测层能够从网络中较浅的层次输出预测，从而提取到微小目标的更多细节特征；在主干特征提取网络的第一个C2f模块中加入GAM注意力机制，形成C2fG模块，该C2fG模块能够减少信息丢失，更好的保留输入信息，同时提高模型对小目标的检测能力；将主干特征提取网络中的后两个C2f模块中的Bottleneck模块中的第一个Conv模块调整为DSConv模块，形成C2fD模块，能够增强模型对复杂目标的检测能力；检测头网络的每个检测头使用Conv与Dyhead连接的结构替换YOLOv8原始的Detect检测头，可以融合来自不同特征层的信息，使得检测网络可以同时考虑多个尺度的特征，从而提高检测的准确性和鲁棒性。