本发明属于小目标检测领域，具体涉及基于高斯过程回归的小目标检测方法及装置。
背景技术：
1、机器视觉作为连接物理世界与数字世界的桥梁，发挥着日益重要的作用。尤其是在柔性物料的识别和检测中，机器视觉的需求呈现出快速增长的态势。柔性物料，如美妆行业的睫毛等，因其形状、质地和尺寸多变，给传统的机器视觉识别方法带来了巨大挑战。特别是睫毛清根工序，对于识别的准确度和精细度要求极高。传统的机器视觉识别方法，如模板匹配、边缘检测等，在柔性物料的检测中往往难以取得理想的效果。它们无法很好地处理物料的变形、光照变化和遮挡等问题，从而导致误检、漏检的情况频发。
2、近年来，基于深度学习的目标检测方法在机器视觉领域取得了显著进展。其中，yolo(you only look once)系列算法以其高效、准确的特点，受到了广泛关注。yolov5作为yolo系列的最新版本，在速度和精度上均有了显著提升，但仍面临着小目标检测准确度不足的问题。
3、现有技术如公开号为cn114049572a的专利，公开了一种识别小目标的检测方法，该专利针对小目标检测难度大的问题，基于改进的双头panet实现实时小目标检测与识别网络，采用yolo主干结构网络，获取多个下采样尺度特征的panet作为网络颈部，估计目标信息的网络检测头三个部分组成实时小目标检测与识别网络。但是该专利受限于yolo主干结构网络在小目标检测方面应用限制的问题，仍存在检测准确度不足的缺陷，并且应用场景有限，在柔性物料的小目标检测上加剧其漏检误检问题。
技术实现思路
1、本发明的目的之一在于提供一种基于高斯过程回归的小目标检测方法，旨在降低错检和漏检率，并提高检测的效率。
2、为实现上述目的，本发明所采取的技术方案为：
3、一种基于高斯过程回归的小目标检测方法，所述基于高斯过程回归的小目标检测方法，包括：
4、获取训练数据集，所述训练数据集中包含若干样本图像，且样本图像标记有小目标及小目标位置点标签；
5、加载yolo系列模型作为小目标检测模型，将样本图像输入所述小目标检测模型，得到由所述小目标检测模型输出的样本图像中对应小目标的检测框和检测框的中心坐标点；
6、根据所述小目标检测模型的输出以及标签计算第一损失；
7、将所述小目标检测模型输出的检测框的中心坐标点作为输入，使用高斯过程回归进行曲线拟合，输出样本图像中小目标的回归函数；
8、使用目标轮廓检测方法提取样本图像中的目标轮廓点，并基于目标轮廓点得到目标轮廓曲线方程；
9、在目标轮廓曲线上随机选取若干个测试点，并将测试点分别输入所述回归函数和所述目标轮廓曲线方程，根据所述回归函数和所述目标轮廓曲线方程的输出计算第二损失；
10、加权综合第一损失和第二损失得到总损失，根据总损失对所述小目标检测模型进行训练更新，直至达到训练结束条件；
11、取训练结束的小目标检测模型完成小目标检测。
12、以下还提供了若干可选方式，但并不作为对上述总体方案的额外限定，仅仅是进一步的增补或优选，在没有技术或逻辑矛盾的前提下，各可选方式可单独针对上述总体方案进行组合，还可以是多个可选方式之间进行组合。
13、作为优选，所述第一损失包括边界框损失、置信度损失和分类损失。
14、作为优选，所述使用高斯过程回归进行曲线拟合，输出样本图像中小目标的回归函数，包括：
15、对于长度为n的数据集d＝(x,y)，其中x为输入样本，即自变量，y为输出向量，即目标变量，(x,y)＝{(x1,y1),(x2,y2),…,(xn,yn)}，xn为数据集中第n个自变量，yn为数据集中第n个目标变量，高斯过程回归根据先验知识确定自变量x与目标变量y之间的关系f(x)执行预测，f(x)～gpr(m,k)，f(x)是一个以m为均值函数，k为协方差函数的高斯过程，则有：
16、y＝f(x)+ε
17、其中，ε为随机噪声，是一个均值为0，方差为σn的高斯分布，即：
18、
19、对数据进行处理后设置均值函数为0，则输出向量的先验分布为y的先验分布为：
20、
21、其中，表示均值为0，标准差为的高斯分布，k(x,x)为输入样本之间协方差矩阵，i为单位矩阵；
22、取待测样本为x，其对应的预测值为f*，则实际输出向量y和预测值f*服从联合高斯分布，即：
23、
24、其中，k(x,x*)＝k(x*,x)为输入样本和待测样本之间的协方差矩阵，k(x*,x*)为待测样本自身的协方差矩阵，待测样本的预测值为f*的后验分布p为：
25、p(f*|x,y,x*)～n(μ*,(σ*)2)
26、
27、其中，μ*为预测值f*的均值，σ*为预测值f*的方差。
28、作为优选，根据所述回归函数和所述目标轮廓曲线方程的输出计算第二损失，包括：
29、
30、式中，lgpr为平均标准化差值损失，即第二损失，m为测试点个数，yi为第i个测试点对应的目标轮廓曲线方程的输出值，μi为第i个测试点对应的回归函数输出的预测值的均值，εi为第i个测试点对应的回归函数输出的预测值的方差。
31、作为优选，所述加权综合第一损失和第二损失得到总损失，包括：
32、lciou_gpr＝lciou+βlgpr
33、lz＝lciou_gpr+lobj+lcla
34、其中，lciou_gpr表示初步叠加损失，lciou为边界框损失，lgpr为第二损失，β为第二损失的权重系数，β∈[0,1]，lz为总损失，lobj表示置信度损失，lcla为分类损失。
35、本发明提供的一种基于高斯过程回归的小目标检测方法，针对被检测对象的固有特性，引入高斯过程回归拟合和目标轮廓曲线方程，且根据两者引入第二损失，第二损失能够针对被检测对象的特性进行优化，使得检测结果更加符合实际需求。另外结合常规的定位分类损失一起进行网络更新优化，显著降低漏检、错检率，同时适用于各种如不同型号、不同材质、不同弯曲度的小目标检测。
36、本发明的目的之二在于提供一种基于高斯过程回归的小目标检测装置，包括处理器以及存储有若干计算机指令的存储器，所述计算机指令被处理器执行时实现所述基于高斯过程回归的小目标检测方法的步骤。
1.一种基于高斯过程回归的小目标检测方法，其特征在于，所述基于高斯过程回归的小目标检测方法，包括：
2.根据权利要求1所述的基于高斯过程回归的小目标检测方法，其特征在于，所述第一损失包括边界框损失、置信度损失和分类损失。
3.根据权利要求1所述的基于高斯过程回归的小目标检测方法，其特征在于，所述使用高斯过程回归进行曲线拟合，输出样本图像中小目标的回归函数，包括：
4.根据权利要求1所述的基于高斯过程回归的小目标检测方法，其特征在于，根据所述回归函数和所述目标轮廓曲线方程的输出计算第二损失，包括：
5.根据权利要求2所述的基于高斯过程回归的小目标检测方法，其特征在于，所述加权综合第一损失和第二损失得到总损失，包括：
6.一种基于高斯过程回归的小目标检测装置，包括处理器以及存储有若干计算机指令的存储器，其特征在于，所述计算机指令被处理器执行时实现权利要求1至权利要求5中任意一项所述基于高斯过程回归的小目标检测方法的步骤。
