针对实验室教学的小目标检测方法及检测装置与流程

1.本发明涉及实验室监控技术领域，具体地涉及一种针对实验室教学的小目标检测方法及一种针对实验室教学的小目标检测装置。


背景技术：

2.随着科技的不断发展，现有科技被不断应用到生活中，由此进一步催生了对更新技术的需求，而更新技术往往需要首先在实验室中进行理论验证，因此，大量的实验需求被提出。
3.在传统的实验教学过程中，往往由导师或老师在实验室与学生进行线下面对面的教学或考核，然而一方面，随着学生的不断增加，教学或考核需求的不断增大，而教师资源的增长不匹配，导致老师资源越来预紧张，老师的工作量不断增大；另一方面，由于一些不可抗因素导致线下面对面的教学或考核存在一定安全风险，因此也进一步导致了线上教学或考核的需求。
4.在现有的线上教学或考核的过程中，主要采用人工监控的方式进行，该方式需要管理人员通过查看监控视频以对学生的学习或实验过程进行考核，然而在实际应用过程中，由于监控视频存在因光学原因导致的透视效果以及因焦距原因导致的背景模糊效果，在进行图像目标检测时，针对较小物体(如砝码、药剂颗粒等)及距镜头距离较远的物体，往往存在图像分辨率过低导致特征提取不明确、无法准确识别等问题，降低了线上教学或考核的实际效果，无法满足实际需求。


技术实现要素：

5.为了克服现有技术中存在的上述技术问题，本发明实施例提供一种针对实验室教学的小目标检测方法及检测装置，通过对现有的目标检测方法进行改进，采用超分辨网络结合半监督学习网络的方式，有效提高了实验室教学过程中对微小目标检测的精确性。
6.为了实现上述目的，本发明实施例提供一种针对实验室教学的小目标检测方法，所述方法包括：建立图像退化模型和预设机器学习模型；基于所述图像退化模型和预设超分辨图像集对所述预设机器学习模型进行训练，生成超分辨网络；基于所述超分辨网络构建半监督学习模型；基于所述半监督学习模型对目标图像进行检测，生成对应的小目标检测结果。
7.优选地，所述建立预设图像退化模型，包括：基于监控相机的点扩散函数确定对应的图像畸变信息；获取边缘提取规则，基于所述边缘提取规则确定边缘锐化规则；确定多个预设卷积核，基于所述多个预设卷积核生成模糊处理规则；获取随机噪声参数，基于所述随机噪声参数生成随机噪声处理规则；获取预设缩放参数，基于所述预设缩放参数生成缩放规则；依次基于所述图像畸变信息、所述边缘锐化规则、所述模糊处理规则、所述随机噪声处理规则、所述缩放规则、预设随机压缩规则以及预设像素打乱规则执行建模操作，生成预设图像退化模型。
8.优选地，所述建立预设机器学习模型，包括：获取初始gan网络，确定所述初始gan网络的生成器和判别器，所述判别器基于深度学习模型生成；基于预设数量的自注意力机制层对所述生成器进行优化，获得优化后生成器；确定所述判别器针对所述预设超分辨图像集的损失函数；基于所述损失函数对所述判别器进行优化，获得优化后判别器；基于所述优化后生成器和所述优化后判别器生成预设机器学习模型。
9.优选地，所述确定所述判别器针对所述预设超分辨图像集的损失函数，包括：基于所述预设超分辨图像集确定像素差值计算规则l
pixel
；基于预设vgg网络生成感知损失计算规则l
percep
；基于图像标签信息生成gan损失计算规则，所述gan损失计算规则表征为：；基于图像标签信息生成gan损失计算规则，所述gan损失计算规则表征为：
10.其中xr表征为真图像的标签，xf表征为假图像的标签，d(xr,xf)表征为xr与xf之间分类标签结果的差值；确定损失计算权重，基于所述像素差值计算规则l
pixel
、所述感知损失计算规则l
percep
以及所述gan损失计算规则生成对应的损失函数l
final
，所述损失函数l
final
表征为：表征为：其中：其中g(xi)表征为生成器基于输入图像xi输出的图像，y表征为groundtruth图像，λ和η表征为损失计算权重。
11.优选地，所述基于所述图像退化模型和预设超分辨图像集对所述预设机器学习模型进行训练，生成超分辨网络，包括：基于所述图像退化模型对所述超分辨图像集进行处理，获得对应的低质量图像集；基于所述预设机器学习模型对所述预设超分辨图像集和所述低质量图像集进行分析，获得对应的数据特征；基于所述数据特征确定与所述预设机器学习模型对应的权重参数；基于所述权重参数生成超分辨网络。
12.优选地，所述基于所述超分辨网络构建半监督学习模型，包括：基于所述超分辨网络确定半监督数据集，所述半监督数据集包括已标记数据和无标记数据；对所述无标记数据进行增强处理，获得增强后数据；基于所述已标记数据和所述增强后数据对学生模型进行训练，生成训练后模型；基于所述训练后模型对教师模型进行更新，获得更新后模型；基于所述训练后模型、所述更新后模型对所述增强后数据进行分析，获得对应的损失信息；基于所述损失信息对所述训练后模型和所述更新后模型进行优化，生成半监督学习模型。
13.优选地，所述基于所述超分辨网络确定半监督数据集，包括：获取预设已标记数据集；基于预设未标记数据集与所述预设已标记数据集构成训练数据集，所述预设未标记数据集的数据量大于所述预设已标记数据集的数据量；基于所述超分辨网络对所述训练数据集进行分辨率扩大处理，获得处理后数据集；基于所述处理后数据集生成半监督数据集。
14.优选地，所述增强后数据包括弱增强数据和强增强数据，所述基于所述训练后模型、所述更新后模型对所述增强后数据进行分析，获得对应的损失信息，包括：基于所述更新后模型对所述弱增强数据进行分析，生成对应的伪信息；基于所述训练后模型以及所述伪信息对所述强增强数据进行分析，获得第二损失信息；基于所述训练后模型的第一损失信息和所述第二损失信息生成对应的损失信息。
15.优选地，所述基于所述更新后模型对所述弱增强数据进行分析，生成对应的伪信息，包括：基于所述更新后模型和极大值抑制算法对所述弱增强数据进行分析，生成初始伪
信息；基于所述初始伪信息的置信度对所述初始伪信息进行筛选，获得筛选后伪信息；对所述筛选后伪信息进行抖动处理，获得处理后信息；对所述处理后信息进行回归分析，获得对应的伪信息。
16.相应的，本发明还提供一种针对实验室教学的小目标检测装置，所述装置包括：模型建立单元，用于建立图像退化模型和预设机器学习模型；超分辨网络生成单元，用于基于所述图像退化模型和预设超分辨图像集对所述预设机器学习模型进行训练，生成超分辨网络；半监督模型生成单元，用于基于所述超分辨网络构建半监督学习模型；目标检测单元，用于基于所述半监督学习模型对目标图像进行检测，生成对应的小目标检测结果。
17.通过本发明提供的技术方案，本发明至少具有如下技术效果：
18.通过对图像的模糊机制进行研究，并建立对应的图像退化模型，根据该模型创建超分辨网络，对实验室教学过程中涉及的微小目标进行清晰化放大，从而提高对微小目标的检测精确性；另一方面，通过基于超分辨网络对现有的半监督学习模型进行优化，从而进一步增强半监督学习模型对上述微小目标的识别精确性，满足了实际需求。
19.本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
20.附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
21.图1是本发明实施例提供的针对实验室教学的小目标检测方法的具体实现流程图；
22.图2是本发明实施例提供的生成超分辨网络的具体实现流程图；
23.图3是本发明实施例提供的构建半监督学习模型的具体实现流程图；
24.图4是本发明实施例提供的针对实验室教学的小目标检测装置的结构示意图。
具体实施方式
25.以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
26.本发明实施例中的术语“系统”和“网络”可被互换使用。“多个”是指两个或两个以上，鉴于此，本发明实施例中也可以将“多个”理解为“至少两个”。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。另外，需要理解的是，在本发明实施例的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。
27.请参见图1，本发明实施例提供一种针对实验室教学的小目标检测方法，所述方法包括：
28.s10)建立图像退化模型和预设机器学习模型；
29.s20)基于所述图像退化模型和预设超分辨图像集对所述预设机器学习模型进行训练，生成超分辨网络；
30.s30)基于所述超分辨网络构建半监督学习模型；
31.s40)基于所述半监督学习模型对目标图像进行检测，生成对应的小目标检测结果。
32.在一种可能的实施方式中，首先依次建立图像退化模型和预设机器学习模型。在本发明实施例中，所述建立预设图像退化模型，包括：基于监控相机的点扩散函数确定对应的图像畸变信息；获取边缘提取规则，基于所述边缘提取规则确定边缘锐化规则；确定多个预设卷积核，基于所述多个预设卷积核生成模糊处理规则；获取随机噪声参数，基于所述随机噪声参数生成随机噪声处理规则；获取预设缩放参数，基于所述预设缩放参数生成缩放规则；依次基于所述图像畸变信息、所述边缘锐化规则、所述模糊处理规则、所述随机噪声处理规则、所述缩放规则、预设随机压缩规则以及预设像素打乱规则执行建模操作，生成预设图像退化模型。
33.具体的，由于实验室拍摄视频所用的相机会对图像造成直接影响，因此首先对监控相机本身的点扩散函数进行确定，以确定其会导致的相平面上的畸变，对其进行分析，从而确定对应的图像畸变信息；然后获取预设边缘提取规则，并确定对应的边缘锐化规则，例如边缘锐化规则为ground truth图像经预设边缘提取规则(大范围高斯滤波器)处理提取边缘轮廓信息后在原图上与边缘掩膜相加；然后确定多个预设卷积核，例如采用二元各向同性与各向异性的高斯模糊核、广义高斯模糊核、平台核及sinc函数核，构成对图像进行各向同性或各向异性的模糊处理(卷积)，即生成对应的模糊处理规则；以及获取随机噪声参数，例如可以为随机给出一定kernel范围和强度的高斯噪声(白噪声)和泊松噪声(散粒噪声)，根据上述随机噪声参数可以生成对应的随机噪声处理规则，例如可以根据上述随机噪声参数在图像上叠加生成对应的随机噪声；以及获取预设缩放参数，在本发明实施例中，可以给定0.1-1.5倍为缩放范围，图像可以在该缩放范围内随意缩放；进一步的，还结合随机jpeg压缩规则(即考虑在jpeg压缩过程中造成的像素品质损失)以及像素的打乱规则等，执行建模操作，并生成对应的图像退化模型，具体的，ground truth在输入该图像退化模型后，可以通过随机选择参数对ground truth的通用数据集进行处理并进行叠加，以实现图像退化效果。
34.另一方面，创建预设机器学习模型，在本发明实施例中，所述创建预设机器学习模型，包括：获取初始gan网络，确定所述初始gan网络的生成器和判别器，所述判别器基于深度学习模型生成；基于预设数量的自注意力机制层对所述生成器进行优化，获得优化后生成器；确定所述判别器针对所述预设超分辨图像集的损失函数；基于所述损失函数对所述判别器进行优化，获得优化后判别器；基于所述优化后生成器和所述优化后判别器生成预设机器学习模型。
35.在一种可能的实施方式中，该预设机器学习模型基于gan网络生成。首先获取初始gan网络，并确定其生成器和判别器，此时基于预设数量的自注意力机制层对该生成器进行优化，并获得优化后生成器，例如该初始gan网络的生成器可以采用单个rrdbnet作为主干架构，在每个残差密集卷积块(rrdb)中通过额外插入2个自注意力机制层，以实现从不同维度的特征图中更好地提取特征信息的技术效果，由此获得优化后生成器。
36.另一方面，也对判别器进行优化，该判别器可以由简易四层unet架构的深度学习分类器构成，在进行判别器优化的过程中，首先确定基于预设超分辨图像集的损失函数。在
本发明实施例中，所述确定所述判别器针对所述预设超分辨图像集的损失函数，包括：基于所述预设超分辨图像集确定像素差值计算规则l
pixel
；基于预设vgg网络生成感知损失计算规则l
percep
；基于图像标签信息生成gan损失计算规则，所述gan损失计算规则表征为：；基于图像标签信息生成gan损失计算规则，所述gan损失计算规则表征为：其中xr表征为真图像的标签，xf表征为假图像的标签，表征为xr与xf之间分类标签结果的差值；确定损失计算权重，基于所述像素差值计算规则l
pixel
、所述感知损失计算规则l
percep
以及所述gan损失计算规则生成对应的损失函数l
final
，所述损失函数l
final
表征为：其中：其中g(xi)表征为生成器基于输入图像xi输出的图像，y表征为groundtruth图像，λ和η表征为损失计算权重。
38.在具体的实施例中，其损失函数可以为结合像素差值、感知损失、gan损失三部分的函数，在损失函数的生成过程中，首先基于预设超分辨图像集确定像素差值计算规则l
pixel
，例如像素差值为最终生成图像与ground truth的平均像素值差，具体的，可以表征为其中g(xi)表征为生成器基于输入图像xi输出的图像，y表征为groundtruth图像；然后基于预设vgg网络生成感知损失计算规则l
percep
，具体的，技术人员可以预先训练vgg网络，然后通过该预设vgg网络对图像进行特征提取并获得对应的特征信息，然后基于该特征信息计算与最终生成图像之间的均值误差，即为其感知损失；最后，确定gan损失计算规则，例如在本发明实施例中，为了计算gan网络在真假两种标签xr和xf之间的概率插值作为损失，gan损失计算规则由和两部分函数构成，损失权重即为上述两部分损失函数在计算时需要加权的权重(例如为λ和η)，基于图像标签信息生成gan损失计算规则，具体表征如下：失计算规则，具体表征如下：其中xr表征为真图像的标签，xf表征为假图像的标签，d(xr,xf)表征为xr与xf之间分类标签结果的差值；确定损失计算权重，在确定像素差值计算规则l
pixel
、感知损失计算规则l
percep
以及gan损失计算规则之后，生成对应的损失函数l
final
，具体的，该损失函数l
final
表征为：此时通过该损失函数对判别器进行优化，以生成优化后判别器，并最终生成预设机器学习模型。
39.请参见图2，在本发明实施例中，所述基于所述图像退化模型和预设超分辨图像集对所述预设机器学习模型进行训练，生成超分辨网络，包括：
40.s21)基于所述图像退化模型对所述超分辨图像集进行处理，获得对应的低质量图像集；
41.s22)基于所述预设机器学习模型对所述预设超分辨图像集和所述低质量图像集进行分析，获得对应的数据特征；
42.s23)基于所述数据特征确定与所述预设机器学习模型对应的权重参数；
43.s24)基于所述权重参数生成超分辨网络。
44.在一种可能的实施方式中，首先基于图像退化模型对超分辨图像集进行处理，具体的，通过图像退化模型对超分辨图像进行模糊和缩放处理，并生成与超分辨图像ground truth数据集一一对应的低质量数据集。此时将该ground truth数据和低质量数据集均输入gan模型中进行分析，并获得对应的数据特征，根据该数据特征可以确定所要训练的超分辨网络的权重参数，根据该权重参数生成超分辨网络，即通过将该权重参数对该预设机器学习模型进行配置，从而将该预设机器学习模型配置为超分辨网络。
45.在本发明实施例中，通过对传统的目标检测算法进行优化，采用基于耦合模糊函数进行训练生成的超分辨gan网络对图像进行处理，从而能够对目标图像进行清晰的放大处理，便于后续的目标识别，大大提高了目标检测的精确性。
46.然而仅对图像目标进行清楚的放大，但该目标在放大前属于小目标，而现有的半监督学习模型针对该小目标所生成的标签较少，精确性较差，因此可能依然存在无法准确识别和分辨的技术问题，因此还需要对半监督学习模型进行优化。
47.请参见图3，在本发明实施例中，所述基于所述超分辨网络构建半监督学习模型，包括：
48.s31)基于所述超分辨网络确定半监督数据集，所述半监督数据集包括已标记数据和无标记数据；
49.s32)对所述无标记数据进行增强处理，获得增强后数据；
50.s33)基于所述已标记数据和所述增强后数据对学生模型进行训练，生成训练后模型；
51.s34)基于所述训练后模型对教师模型进行更新，获得更新后模型；
52.s35)基于所述训练后模型、所述更新后模型对所述增强后数据进行分析，获得对应的损失信息；
53.s36)基于所述损失信息对所述训练后模型和所述更新后模型进行优化，生成半监督学习模型。
54.在一种可能的实施方式中，首先基于超分辨网络确定半监督数据集，在本发明实施例中，所述基于所述超分辨网络确定半监督数据集，包括：获取预设已标记数据集；基于预设未标记数据集与所述预设已标记数据集构成训练数据集，所述预设未标记数据集的数据量大于所述预设已标记数据集的数据量；基于所述超分辨网络对所述训练数据集进行分辨率扩大处理，获得处理后数据集；基于所述处理后数据集生成半监督数据集。
55.具体的，获取已经过人工标注的小批量较高清晰度的数据集，然后以一定比例(例如1:4的比例)与未标记数据集构成训练数据集，然后通过超分辨网络对该训练数据集进行分辨率扩大处理，获得处理后数据集，将该处理后数据集作为新的数据集进行混合并生成对应的半监督数据集。此时对该半监督数据集中的无标记数据进行增强处理，例如在要输入教师模型时，预先对无标记数据进行弱增强处理，并获得对应的弱增强数据；要输入学生模型时，预先对无标记数据进行强增强处理，并获得对应的强增强数据。
56.此时首先基于已标记数据对和弱增强数据对学生模型进行训练，并生成对应的训练后模型，根据该训练后模型可以确定对应的监督训练损失ls，然后基于该训练后模型的模型参数对教师模型进行更新，具体的，基于ema模型参数对教师模型进行更新，并获得对应的更新后模型，此时根据上述训练后模型、更新后模型对强增强数据进行分析，并获得对
应的损失信息。
57.在本发明实施例中，所述增强后数据包括弱增强数据和强增强数据，所述基于所述训练后模型、所述更新后模型对所述增强后数据进行分析，获得对应的损失信息，包括：基于所述更新后模型对所述弱增强数据进行分析，生成对应的伪信息；基于所述训练后模型以及所述伪信息对所述强增强数据进行分析，获得第二损失信息；基于所述训练后模型的第一损失信息和所述第二损失信息生成对应的损失信息。
58.在一种可能的实施方式中，由于在先已经通过有标记数据对学生模型进行训练并生成了训练后模型，因此可以确定训练后模型的第一损失信息，因此进一步通过更新后模型对弱增强数据进行分析，得到对应的伪信息，例如为框选目标的伪框，在本发明实施例中，所述基于所述更新后模型对所述弱增强数据进行分析，生成对应的伪信息，包括：基于所述更新后模型和极大值抑制算法对所述弱增强数据进行分析，生成初始伪信息；基于所述初始伪信息的置信度对所述初始伪信息进行筛选，获得筛选后伪信息；对所述筛选后伪信息进行抖动处理，获得处理后信息；对所述处理后信息进行回归分析，获得对应的伪信息。
59.具体的，教师网络在对弱增强数据进行分析后会生成大量伪框，然而上述大量伪框可能存在偏差，因此首先会基于非极大值抑制(nms)算法对上述大量伪框进行处理，并获得处理后的少量精确的伪框作为初始伪信息，以提高精确性，然后再该基础上还进一步对少量精确的伪框进行置信度分析，以进一步筛选出更精确的伪框作为筛选后伪信息，用于学生网络分类权重的评估。此时教师网络对上述筛选后的伪框执行抖动(box jittering)处理，并将上述抖动处理后的伪框送入教师网络进行回归分析，具体的，计算上述抖动伪框的回归方差，并作为伪框的定位可靠度，经过分析可以发现，其方差越小，可靠度越高，该方差具体表征为：其中h为伪框的高度，w为伪框的宽度。
60.在本发明实施例中，通过在利用教师模型进行伪框的生成过程中，进行多次的伪框筛选与可靠度优化，从而大大提高了伪框的标注精确性，有效提高了后续半监督学习模型对小目标的检测效果。
61.在生成伪信息后，基于训练后模型以及该伪信息对强增强数据进行分析，以获得对应的第二损失信息，具体的，该第二损失信息可以表征为：l＝ls+αlu，即其损失包括supervised和unsupervised两部分，其中其中：i表征labeled或unlabeled图像，l
cls
表征分类损失函数，lreg表征伪框定位及面积的损失函数，其中n表征伪框的数量，b表征网络检出的伪框，r表征当前伪框判断为背景的可靠性得分，即1减去师生网络间该伪框判断为背景概率的差值。
62.在本发明实施例中，通过将学生模型判定的负样本作为背景的可能性作为可靠性度量，权衡该“负样本”损失在整体损失中的比重，从而更好地确定无标签的背景，实现更好的目标检测效果，提高了目标检测精确性。
63.基于上述计算，在确定第一损失信息和第二损失信息后，生成对应的损失信息，根据该损失信息对训练后模型和所述更新后模型进行优化，生成半监督学习模型，在后续的小目标检测过程中，将待检测的实时视频数据输入半监督学习模型中，就能获得精确的目标检测结果。
64.在本发明实施例中，通过对传统的半监督学习算法进行优化，通过预先构建的超分辨网络对半监督学习算法中的伪标签进行清晰化、放大化处理，从而有效提升半监督学习算法的训练效率和训练精确性，从而进一步提升对实验室内微小目标的检测精确性，满足了实际需求。
65.下面结合附图对本发明实施例所提供的针对实验室教学的小目标检测装置进行说明。
66.请参见图4，基于同一发明构思，本发明实施例提供一种针对实验室教学的小目标检测装置，所述装置包括：模型建立单元，用于建立图像退化模型和预设机器学习模型；超分辨网络生成单元，用于基于所述图像退化模型和预设超分辨图像集对所述预设机器学习模型进行训练，生成超分辨网络；半监督模型生成单元，用于基于所述超分辨网络构建半监督学习模型；目标检测单元，用于基于所述半监督学习模型对目标图像进行检测，生成对应的小目标检测结果。
67.以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
68.另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
69.本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
70.此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。

技术特征：
1.一种针对实验室教学的小目标检测方法，其特征在于，所述方法包括：建立图像退化模型和预设机器学习模型；基于所述图像退化模型和预设超分辨图像集对所述预设机器学习模型进行训练，生成超分辨网络；基于所述超分辨网络构建半监督学习模型；基于所述半监督学习模型对目标图像进行检测，生成对应的小目标检测结果。2.根据权利要求1所述的方法，其特征在于，所述建立预设图像退化模型，包括：基于监控相机的点扩散函数确定对应的图像畸变信息；获取边缘提取规则，基于所述边缘提取规则确定边缘锐化规则；确定多个预设卷积核，基于所述多个预设卷积核生成模糊处理规则；获取随机噪声参数，基于所述随机噪声参数生成随机噪声处理规则；获取预设缩放参数，基于所述预设缩放参数生成缩放规则；依次基于所述图像畸变信息、所述边缘锐化规则、所述模糊处理规则、所述随机噪声处理规则、所述缩放规则、预设随机压缩规则以及预设像素打乱规则执行建模操作，生成预设图像退化模型。3.根据权利要求1所述的方法，其特征在于，所述建立预设机器学习模型，包括：获取初始gan网络，确定所述初始gan网络的生成器和判别器，所述判别器基于深度学习模型生成；基于预设数量的自注意力机制层对所述生成器进行优化，获得优化后生成器；确定所述判别器针对所述预设超分辨图像集的损失函数；基于所述损失函数对所述判别器进行优化，获得优化后判别器；基于所述优化后生成器和所述优化后判别器生成预设机器学习模型。4.根据权利要求3所述的方法，其特征在于，所述确定所述判别器针对所述预设超分辨图像集的损失函数，包括：基于所述预设超分辨图像集确定像素差值计算规则l
pixel
；基于预设vgg网络生成感知损失计算规则l
percep
；基于图像标签信息生成gan损失计算规则，所述gan损失计算规则表征为：基于图像标签信息生成gan损失计算规则，所述gan损失计算规则表征为：其中x
r
表征为真图像的标签，x
f
表征为假图像的标签，d(x
r
,x
f
)表征为x
r
与x
f
之间分类标签结果的差值；确定损失计算权重，基于所述像素差值计算规则l
pixel
、所述感知损失计算规则l
percep
以及所述gan损失计算规则生成对应的损失函数l
final
，所述损失函数l
final
表征为：其中：其中g(x
i
)表征为生成器基于输入图像x
i
输出的图像，y表征为groundtruth图像，λ和η表征为损失计算权重。
5.根据权利要求1所述的方法，其特征在于，所述基于所述图像退化模型和预设超分辨图像集对所述预设机器学习模型进行训练，生成超分辨网络，包括：基于所述图像退化模型对所述超分辨图像集进行处理，获得对应的低质量图像集；基于所述预设机器学习模型对所述预设超分辨图像集和所述低质量图像集进行分析，获得对应的数据特征；基于所述数据特征确定与所述预设机器学习模型对应的权重参数；基于所述权重参数生成超分辨网络。6.根据权利要求1所述的方法，其特征在于，所述基于所述超分辨网络构建半监督学习模型，包括：基于所述超分辨网络确定半监督数据集，所述半监督数据集包括已标记数据和无标记数据；对所述无标记数据进行增强处理，获得增强后数据；基于所述已标记数据和所述增强后数据对学生模型进行训练，生成训练后模型；基于所述训练后模型对教师模型进行更新，获得更新后模型；基于所述训练后模型、所述更新后模型对所述增强后数据进行分析，获得对应的损失信息；基于所述损失信息对所述训练后模型和所述更新后模型进行优化，生成半监督学习模型。7.根据权利要求6所述的方法，其特征在于，所述基于所述超分辨网络确定半监督数据集，包括：获取预设已标记数据集；基于预设未标记数据集与所述预设已标记数据集构成训练数据集，所述预设未标记数据集的数据量大于所述预设已标记数据集的数据量；基于所述超分辨网络对所述训练数据集进行分辨率扩大处理，获得处理后数据集；基于所述处理后数据集生成半监督数据集。8.根据权利要求6所述的方法，其特征在于，所述增强后数据包括弱增强数据和强增强数据，所述基于所述训练后模型、所述更新后模型对所述增强后数据进行分析，获得对应的损失信息，包括：基于所述更新后模型对所述弱增强数据进行分析，生成对应的伪信息；基于所述训练后模型以及所述伪信息对所述强增强数据进行分析，获得第二损失信息；基于所述训练后模型的第一损失信息和所述第二损失信息生成对应的损失信息。9.根据权利要求8所述的方法，其特征在于，所述基于所述更新后模型对所述弱增强数据进行分析，生成对应的伪信息，包括：基于所述更新后模型和极大值抑制算法对所述弱增强数据进行分析，生成初始伪信息；基于所述初始伪信息的置信度对所述初始伪信息进行筛选，获得筛选后伪信息；对所述筛选后伪信息进行抖动处理，获得处理后信息；对所述处理后信息进行回归分析，获得对应的伪信息。
10.一种针对实验室教学的小目标检测装置，其特征在于，所述装置包括：模型建立单元，用于建立图像退化模型和预设机器学习模型；超分辨网络生成单元，用于基于所述图像退化模型和预设超分辨图像集对所述预设机器学习模型进行训练，生成超分辨网络；半监督模型生成单元，用于基于所述超分辨网络构建半监督学习模型；目标检测单元，用于基于所述半监督学习模型对目标图像进行检测，生成对应的小目标检测结果。

技术总结
本发明实施例公开了一种针对实验室教学的小目标检测方法及检测装置，涉及实验室监控技术领域，所述方法包括：建立图像退化模型和预设机器学习模型；基于所述图像退化模型和预设超分辨图像集对所述预设机器学习模型进行训练，生成超分辨网络；基于所述超分辨网络构建半监督学习模型；基于所述半监督学习模型对目标图像进行检测，生成对应的小目标检测结果。通过对现有的目标检测方法进行改进，采用超分辨网络结合半监督学习网络的方式，有效提高了实验室教学过程中对微小目标检测的精确性。性。性。


技术研发人员：刘利非 杨吉利 李静
受保护的技术使用者：南通锡鼎智能科技有限公司
技术研发日：2023.03.20
技术公布日：2023/7/25