小目标物检测方法、装置、电子设备及存储介质与流程

本发明涉及人工智能技术领域，尤其涉及一种小目标物检测方法、装置、电子设备及计算机可读存储介质。

背景技术：

目标物检测是人工智能的一个重要应用，就是将图像中的物体识别检测出来。而小目标物检测是目标物检测的一大重要分支，比如，肿瘤的检测与定位是人工智能在临床医疗领域的重要应用，影像科医生和临床医生通常基于ct和mri等医学影像，通过大量的阅片训练来实现对肿瘤的准确诊断，然而现阶段中国的医疗资源分布极不平衡，偏远地区的医生往往难以接受大量的训练，同时肿瘤本身的位置和大小差异很大，不同扫描器生成的影像质量参差不齐，这就给医生带来很大的困难，也是人工智能得以应用的重要原因。

目前已有的肿瘤检测算法和产品中，通常是基于通用的检测网络或分割网络来进行定位，比如常见的unet做分割，fasterrcnn做检测等。这些网络在自然图像或医学图像上能取得很好的整体效果，然而在设计之初，它们并未全面考虑医生的使用需求。受训练的肿瘤检测算法可以成功定位出大部分显著的肿瘤，而对于小肿瘤或低对比度的肿瘤，往往由于较难标注，使得检测模型训练效率低下，导致检测准确率较低。

技术实现要素：

本发明提供一种小目标物检测方法、装置及计算机可读存储介质，其主要目的在于解决小目标物检测准确率较低的问题。

为实现上述目的，本发明提供的一种小目标物检测方法，包括：

获取原始图像，对所述原始图像进行目标物标注，得到标注图像；

利用预构建的分割算法对所述标注图像进行图像分割，得到分割图像；

利用所述分割图像训练预构建的分割网络，得到图像分割模型；

利用所述图像分割模型对待检测图像进行目标物检测，得到候选目标物检测结果；

对所述候选目标物检测结果进行腐蚀及膨胀处理，得到目标物检测结果。

可选地，所述对所述原始图像进行目标物标注，得到标注图像，包括：

基于所述原始图像中的原始标注生成外接椭圆；

基于所述外接椭圆，生成与所述原始图像的边平行或垂直的外接矩阵，并以所述外接矩阵作为标注，生成包含所述外接矩阵的标注图像。

可选地，所述利用预构建的分割算法对所述标注图像进行图像分割，得到分割图像，包括：

将所述标注图像中外接矩阵之外的区域设置为背景区域，及将所述外接矩阵中原始标注内的区域设置为前景区域；

基于所述背景区域及所述前景区域构造分割函数，利用所述分割函数对所述标注图像进行图像分割，得到所述分割图像，其中，所述分割图像中包括分割区域。

可选地，所述利用所述分割图像训练预构建的分割网络，得到图像分割模型，包括：

以所述分割区域作为伪标注，利用所述分割网络预测所述分割图像中每个分割区域位置的概率及每个分割区域位置的标注；

利用所述每个分割区域位置的概率及每个分割区域位置的标注构建总损失函数；

利用预构建的优化器对所述总损失函数进行梯度优化，直到所述总损失函数的输出值满足预设的阈值时，生成所述图像分割模型。

可选地，所述总损失函数，包括：

loss＝ltversky+ldis

其中，ltversky为特沃斯基损失，ldis为距离损失，loss为总损失函数，pk和yk分别表示输出中每个预测位置的概率和每个预测位置对应的标注，dk表示每个预测位置到标注中最近的分割区域边界的距离，ω表示所有像素点的个数，λ1、λ2为超参数。

可选地，所述利用所述图像分割模型对待检测图像进行目标物检测，得到候选目标物检测结果，包括：

利用所述图像分割模型对待检测图像进行目标物分割，得到目标物分割区域；

汇总所有的目标物分割区域，得到目标物分割集合，并将所述目标物分割集合作为候选目标物检测结果。

可选地，所述对所述候选目标物检测结果进行腐蚀及膨胀处理，得到目标物检测结果，包括：

利用预设大小的矩形区域依次对所述待检测图像进行区域选取，得到腐蚀区域；

依次将所述腐蚀区域中的目标物分割区域设为背景，得到腐蚀图像；

利用所述矩形区域依次对所述腐蚀图像进行区域选取，得到膨胀区域；

依次将所述膨胀区域中的背景像素点设为目标物检测区域，并选取满足预设大小的所述目标物检测区域作为所述目标物检测结果。

为了解决上述问题，本发明还提供一种小目标物检测装置，所述装置包括：

图像标注模块，用于获取原始图像，对所述原始图像进行目标物标注，得到标注图像；

图像分割模块，用于利用预构建的分割算法对所述标注图像进行图像分割，得到分割图像；

模型训练模块，用于利用所述分割图像训练预构建的分割网络，得到图像分割模型；

目标物检测模块，用于利用所述图像分割模型对待检测图像进行目标物检测，得到候选目标物检测结果；

目标物选取模块，用于对所述候选目标物检测结果进行腐蚀及膨胀处理，得到目标物检测结果。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

存储器，存储至少一个指令；及

处理器，执行所述存储器中存储的指令以实现上述所述的小目标物检测方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的小目标物检测方法。

本发明实施例通过对所述原始图像进行目标物标注，得到标注图像，无需逐个像素点进行标注，提高了模型的训练效率。并且利用分割后的分割图像作为监督来训练预构建的分割网络，使得模型能够更加聚焦分割图像中的图像特征，进一步提高了模型的精度。并且相较于传统算法中先利用分割网络做分割，再利用检测网络做检测，本方法仅需使用分割网络进行检测，大大降低了对计算资源的浪费，同时对所述候选目标物检测结果进行腐蚀及膨胀处理，较小的区域在多次腐蚀的过程中会被完全消除，而较大的区域通过先腐蚀后膨胀两步互补的操作，形状和大小基本保持不变，从而使得所述目标物检测结果更加准确。因此，本发明提出的小目标物检测方法、装置、电子设备及计算机可读存储介质，可以解决小目标物检测准确率较低的问题。

附图说明

图1为本发明一实施例提供的小目标物检测方法的流程示意图；

图2为图1中其中一个步骤的详细实施流程示意图；

图3为图1中另一个步骤的详细实施流程示意图；

图4为图1中另一个步骤的详细实施流程示意图；

图5为图1中另一个步骤的详细实施流程示意图；

图6为本发明一实施例提供的小目标物检测装置的功能模块图；

图7为本发明一实施例提供的实现所述小目标物检测方法的电子设备的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种小目标物检测方法。所述小目标物检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述小目标物检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。

参照图1所示，为本发明一实施例提供的小目标物检测方法的流程示意图。在本实施例中，所述小目标物检测方法包括：

s1、获取原始图像，对所述原始图像进行目标物标注，得到标注图像。

本发明实施例中，所述原始图像可以为医疗领域的医学图像，比如，临床医疗领域中，所述原始图像可以为肿瘤的mri(核磁共振)图像或ct图像，所述mri(核磁共振)图像中包含多个序列(例如：t2w、t1w等)。所述原始图像中包括原始标注，所述原始标注可以为医生标注的recist(实体肿瘤反应评估标准)标注，所述recist(实体肿瘤反应评估标准)标注是一种肿瘤标注标准。

具体地，参照图2所示，所述对所述原始图像进行目标物标注，得到标注图像，包括：

s10、基于所述原始图像中的原始标注生成外接椭圆；

s11、基于所述外接椭圆，生成与所述原始图像的边平行或垂直的外接矩阵，并以所述外接矩阵作为标注，生成包含所述外接矩阵的标注图像。

本发明实施例中，比如，根据医生标注的recist标注，先基于recist的四个顶点生成外接椭圆，之后再得到外接椭圆的外接矩形，外接矩形的四条边与原始图像的边平行或垂直，以外接矩阵作为检测任务中的标注，即包围框(boundingbox)。

本发明实施例只需对所述原始图像中的原始标注进一步标注，无需对原始图像中每个像素点进行标注，极大地提高了模型的训练效率。

s2、利用预构建的分割算法对所述标注图像进行图像分割，得到分割图像。

本发明实施例中，所述图像分割指的是根据标注图像的灰度、颜色、纹理和形状等特征把图像划分成若干互不交迭的区域(比如前景和背景)，并使这些特征在同一区域内呈现出相似性，而在不同区域间呈现出明显的差异性。所述预构建的分割算法可以为grab-cut分割算法。所述grab-cut分割算法用于将标注图像中的不同物体分别作为前景及背景输出。比如，对于肿瘤图像，将包围框中的肿瘤作为前景，将包围框中的非肿瘤作为背景。

具体地，参照图3所示，所述利用预构建的分割算法对所述标注图像进行图像分割，得到分割图像，包括：

s20、将所述标注图像中外接矩阵之外的区域设置为背景区域，及将所述外接矩阵中原始标注内的区域设置为前景区域；

s21、基于所述背景区域及所述前景区域构造分割函数，利用所述分割函数对所述标注图像进行图像分割，得到所述分割图像，其中，所述分割图像中包括分割区域。

本发明一可选实施例中，所述分割函数可以为opencv提供的grabcut算法相关的函数：grabcut(img,mask,rect,bgdmodel,fgdmodel,itercount,mode)，其中，img表示分割图像；mask表示根据前景区域及背景区域生成的掩码图像，在执行分割的时候，可以将设定的前景区域与背景区域保存到mask中，然后再传入grabcut函数，在处理结束之后，mask中会保存结果，mask只能取以下四种情况：前景、背景、可能的前景及可能的背景；rect用于限定需要进行分割的图像范围(比如可以为包围框，只有该包围框内的图像部分才被处理)；bgdmodel表示背景模型，如果为none，函数内部会自动创建一个bgdmodel(背景模型)；fgdmodel表示前景模型，如果为none，函数内部会自动创建一个fgdmodel(前景模型)；itercount表示迭代次数；mode用于指示grabcut函数进行什么操作，比如：用包围框(boundingbox)初始化grabcut或用掩码图像(mask)初始化grabcut。

本发明一可选实施例中，以肿瘤的医疗影像为例，利用预构建的分割算法对所述标注图像进行图像分割，可以得到肿瘤区域。

本发明实施例中，利用预构建的分割算法对所述标注图像进行图像分割，可以得到更加准确的分割结果，提高目标物检测的准确率。

s3、利用所述分割图像训练预构建的分割网络，得到图像分割模型。

本发明实施例中，所述预构建的分割网络可以为unet分割网络。所述unet分割网络包括特征提取层及上采样层，所述特征提取层包括多个池化层，所述池化层用于将分割图像切分成多个不同大小的切分图像，并提取所述切分图像中的图像特征。所述上采样层用于将切分图像及切分图像对应的图像特征进行融合。

详细地，参照图4所示，所述利用所述分割图像训练预构建的分割网络，得到图像分割模型，包括：

s30、以所述分割区域作为伪标注，利用所述分割网络预测所述分割图像中每个分割区域位置的概率及每个分割区域位置的标注；

s31、利用所述每个分割区域位置的概率及每个分割区域位置的标注构建总损失函数；

s32、利用预构建的优化器对所述总损失函数进行梯度优化，直到所述总损失函数的输出值满足预设的阈值时，生成所述图像分割模型。

本发明实施例中，所述总损失函数，包括：

loss＝ltversky+ldis

其中，ltversky为特沃斯基损失，ldis为距离损失，loss为总损失函数，pk和yk分别表示输出中每个预测位置的概率和每个预测位置对应的标注，dk表示每个预测位置到标注中最近的分割区域边界的距离，ω表示所有像素点的个数，λ1、λ2为超参数。

本发明实施例中，所述预构建的优化器可以为自适应矩估计(adam)优化器。所述自适应矩估计(adam)优化器用于在每一次迭代中计算总损失函数的梯度，并利用所述梯度更新分割网络的参数，直到总损失函数满足预设的阈值时，保存所述分割网络的参数，并基于所述参数生成最终的分割模型。

本发明实施例中，利用所述伪标注监督训练分割网络，可以提高模型训练效率，同时，基于所述每个分割区域位置的概率及每个分割区域位置的标注构建的总损失函数可以控制模型偏向于更高的召回率还是更高的精确度，从而捕捉到更多小目标物，应用性更强。

s4、利用所述图像分割模型对待检测图像进行目标物检测，得到候选目标物检测结果。

本发明一可选实施例中，在医学影像领域，为了提高所述图像分割模型的准确率，对于mri(核磁共振)图像的多个序列(例如：t2w、t1w等)，可以对每一个序列均训练一个图像分割模型。

本发明实施例中，参照图5所示，所述利用所述图像分割模型对待检测图像进行目标物检测，得到候选目标物检测结果，包括：

s40、利用所述图像分割模型对待检测图像进行目标物分割，得到目标物分割区域；

s41、汇总所有的目标物分割区域，得到目标物分割集合，并将所述目标物分割集合作为候选目标物检测结果。

本发明实施例中，利用所述图像分割模型可以将mri(核磁共振)图像中微小肿瘤的轮廓标注出来，从而捕捉到更多微小肿瘤。

s5、对所述候选目标物检测结果进行腐蚀及膨胀处理，得到目标物检测结果。

本发明实施例中，所述对所述候选目标物检测结果进行腐蚀及膨胀处理，得到目标物检测结果，包括：

利用预设大小的矩形区域依次对所述待检测图像进行区域选取，得到腐蚀区域；

依次将所述腐蚀区域中的目标物分割区域设为背景，得到腐蚀图像；

利用所述矩形区域依次对所述腐蚀图像进行区域选取，得到膨胀区域；

依次将所述膨胀区域中的背景像素点设为目标物检测区域，并选取满足预设大小的所述目标物检测区域作为所述目标物检测结果。

本发明实施例中，以微小肿瘤检测为例，腐蚀处理是指利用预设大小的矩形区域(可以为3*3的矩形区域)，沿所述目标物分割区域外延移动，将矩形区域覆盖的目标物分割区域设为背景，此时较小的区域在腐蚀的过程中会被完全消除；膨胀处理是指利用预设大小的矩形区域(也可以为3*3的矩形区域)，沿所述目标物分割区域外延移动，将移动过程中矩形区域覆盖的背景像素点设置为肿瘤区域，腐蚀处理中消除的区域在膨胀的步骤中不会再出现，而较大的区域通过先腐蚀后膨胀两步互补的操作，形状和大小基本保持不变，因此可以有效去除小的假阳性区域；同时，若预测出多个肿瘤区域，可以使用求连通域的方式将多个肿瘤区域区分开，最后根据肿瘤区域的大小筛选出最终检测结果，比如，可以选取直径3mm以内的肿瘤区域作为目标物检测结果。

本发明实施例通过对所述原始图像进行目标物标注，得到标注图像，无需逐个像素点进行标注，提高了模型的训练效率。并且利用分割后的分割图像作为监督来训练预构建的分割网络，使得模型能够更加聚焦分割图像中的图像特征，进一步提高了模型的精度。并且相较于传统算法中先利用分割网络做分割，再利用检测网络做检测，本方法仅需使用分割网络进行检测，大大降低了对计算资源的浪费，同时对所述候选目标物检测结果进行腐蚀及膨胀处理，较小的区域在多次腐蚀的过程中会被完全消除，而较大的区域通过先腐蚀后膨胀两步互补的操作，形状和大小基本保持不变，从而使得所述目标物检测结果更加准确。因此本发明实施例可以解决小目标物检测准确率较低的问题。

如图6所示，是本发明一实施例提供的小目标物检测装置的功能模块图。

本发明所述小目标物检测装置100可以安装于电子设备中。根据实现的功能，所述小目标物检测装置100可以包括图像标注模块101、图像分割模块102、模型训练模块103、目标物检测模块104及目标物选取模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述图像标注模块101，用于获取原始图像，对所述原始图像进行目标物标注，得到标注图像。

本发明实施例中，所述原始图像可以为医疗领域的医学图像，比如，临床医疗领域中，所述原始图像可以为肿瘤的mri(核磁共振)图像或ct图像，所述mri(核磁共振)图像中包含多个序列(例如：t2w、t1w等)。所述原始图像中包括原始标注，所述原始标注可以为医生标注的recist(实体肿瘤反应评估标准)标注，所述recist(实体肿瘤反应评估标准)标注是一种肿瘤标注标准。

具体地，所述图像标注模块101通过下述操作得到标注图像：

基于所述原始图像中的原始标注生成外接椭圆；

基于所述外接椭圆，生成与所述原始图像的边平行或垂直的外接矩阵，并以所述外接矩阵作为标注，生成包含所述外接矩阵的标注图像。

本发明实施例中，比如，根据医生标注的recist标注，先基于recist的四个顶点生成外接椭圆，之后再得到外接椭圆的外接矩形，外接矩形的四条边与原始图像的边平行或垂直，以外接矩阵作为检测任务中的标注，即包围框(boundingbox)。

本发明实施例只需对所述原始图像中的原始标注进一步标注，无需对原始图像中每个像素点进行标注，极大地提高了模型的训练效率。

所述图像分割模块102，用于利用预构建的分割算法对所述标注图像进行图像分割，得到分割图像。

本发明实施例中，所述图像分割指的是根据标注图像的灰度、颜色、纹理和形状等特征把图像划分成若干互不交迭的区域(比如前景和背景)，并使这些特征在同一区域内呈现出相似性，而在不同区域间呈现出明显的差异性。所述预构建的分割算法可以为grab-cut分割算法。所述grab-cut分割算法用于将标注图像中的不同物体分别作为前景及背景输出。比如，对于肿瘤图像，将包围框中的肿瘤作为前景，将包围框中的非肿瘤作为背景。

具体地，所述图像分割模块102通过下述操作得到分割图像：

将所述标注图像中外接矩阵之外的区域设置为背景区域，及将所述外接矩阵中原始标注内的区域设置为前景区域；

基于所述背景区域及所述前景区域构造分割函数，利用所述分割函数对所述标注图像进行图像分割，得到所述分割图像，其中，所述分割图像中包括分割区域。

本发明一可选实施例中，所述分割函数可以为opencv提供的grabcut算法相关的函数：grabcut(img,mask,rect,bgdmodel,fgdmodel,itercount,mode)，其中，img表示分割图像；mask表示根据前景区域及背景区域生成的掩码图像，在执行分割的时候，可以将设定的前景区域与背景区域保存到mask中，然后再传入grabcut函数，在处理结束之后，mask中会保存结果，mask只能取以下四种情况：前景、背景、可能的前景及可能的背景；rect用于限定需要进行分割的图像范围(比如可以为包围框，只有该包围框内的图像部分才被处理)；bgdmodel表示背景模型，如果为none，函数内部会自动创建一个bgdmodel(背景模型)；fgdmodel表示前景模型，如果为none，函数内部会自动创建一个fgdmodel(前景模型)；itercount表示迭代次数；mode用于指示grabcut函数进行什么操作，比如：用包围框(boundingbox)初始化grabcut或用掩码图像(mask)初始化grabcut。

本发明一可选实施例中，以肿瘤的医疗影像为例，利用预构建的分割算法对所述标注图像进行图像分割，可以得到肿瘤区域。

本发明实施例中，利用预构建的分割算法对所述标注图像进行图像分割，可以得到更加准确的分割结果，提高目标物检测的准确率。

所述模型训练模块103，用于利用所述分割图像训练预构建的分割网络，得到图像分割模型。

本发明实施例中，所述预构建的分割网络可以为unet分割网络。所述unet分割网络包括特征提取层及上采样层，所述特征提取层包括多个池化层，所述池化层用于将分割图像切分成多个不同大小的切分图像，并提取所述切分图像中的图像特征。所述上采样层用于将切分图像及切分图像对应的图像特征进行融合。

详细地，所述模型训练模块103通过下述操作得到图像分割模型：

以所述分割区域作为伪标注，利用所述分割网络预测所述分割图像中每个分割区域位置的概率及每个分割区域位置的标注；

利用所述每个分割区域位置的概率及每个分割区域位置的标注构建总损失函数；

利用预构建的优化器对所述总损失函数进行梯度优化，直到所述总损失函数的输出值满足预设的阈值时，生成所述图像分割模型。

本发明实施例中，所述总损失函数，包括：

loss＝ltversky+ldis

其中，ltversky为特沃斯基损失，ldis为距离损失，loss为总损失函数，pk和yk分别表示输出中每个预测位置的概率和每个预测位置对应的标注，dk表示每个预测位置到标注中最近的分割区域边界的距离，ω表示所有像素点的个数，λ1、λ2为超参数。

本发明实施例中，所述预构建的优化器可以为自适应矩估计(adam)优化器。所述自适应矩估计(adam)优化器用于在每一次迭代中计算总损失函数的梯度，并利用所述梯度更新分割网络的参数，直到总损失函数满足预设的阈值时，保存所述分割网络的参数，并基于所述参数生成最终的分割模型。

本发明实施例中，利用所述伪标注监督训练分割网络，可以提高模型训练效率，同时，基于所述每个分割区域位置的概率及每个分割区域位置的标注构建的总损失函数可以控制模型偏向于更高的召回率还是更高的精确度，从而捕捉到更多小目标物，应用性更强。

所述目标物检测模块104，用于利用所述图像分割模型对待检测图像进行目标物检测，得到候选目标物检测结果。

本发明一可选实施例中，在医学影像领域，为了提高所述图像分割模型的准确率，对于mri(核磁共振)图像的多个序列(例如：t2w、t1w等)，可以对每一个序列均训练一个图像分割模型。

本发明实施例中，所述目标物检测模块104通过下述操作得到候选目标物检测结果：

利用所述图像分割模型对待检测图像进行目标物分割，得到目标物分割区域；

汇总所有的目标物分割区域，得到目标物分割集合，并将所述目标物分割集合作为候选目标物检测结果。

本发明实施例中，利用所述图像分割模型可以将mri(核磁共振)图像中微小肿瘤的轮廓标注出来，从而捕捉到更多微小肿瘤。

所述目标物选取模块105，用于对所述候选目标物检测结果进行腐蚀及膨胀处理，得到目标物检测结果。

本发明实施例中，所述目标物选取模块105通过下述操作得到目标物检测结果：

利用预设大小的矩形区域依次对所述待检测图像进行区域选取，得到腐蚀区域；

依次将所述腐蚀区域中的目标物分割区域设为背景，得到腐蚀图像；

利用所述矩形区域依次对所述腐蚀图像进行区域选取，得到膨胀区域；

依次将所述膨胀区域中的背景像素点设为目标物检测区域，并选取满足预设大小的所述目标物检测区域作为所述目标物检测结果。

本发明实施例中，以微小肿瘤检测为例，腐蚀处理是指利用预设大小的矩形区域(可以为3*3的矩形区域)，沿所述目标物分割区域外延移动，将矩形区域覆盖的目标物分割区域设为背景，此时较小的区域在腐蚀的过程中会被完全消除；膨胀处理是指利用预设大小的矩形区域(也可以为3*3的矩形区域)，沿所述目标物分割区域外延移动，将移动过程中矩形区域覆盖的背景像素点设置为肿瘤区域，腐蚀处理中消除的区域在膨胀的步骤中不会再出现，而较大的区域通过先腐蚀后膨胀两步互补的操作，形状和大小基本保持不变，因此可以有效去除小的假阳性区域；同时，若预测出多个肿瘤区域，可以使用求连通域的方式将多个肿瘤区域区分开，最后根据肿瘤区域的大小筛选出最终检测结果，比如，可以选取直径3mm以内的肿瘤区域作为目标物检测结果。

如图7所示，是本发明一实施例提供的实现小目标物检测方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如小目标物检测程序12。

其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(smartmediacard，smc)、安全数字(securedigital，sd)卡、闪存卡(flashcard)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如小目标物检测程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(centralprocessingunit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(controlunit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如小目标物检测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。

所述总线可以是外设部件互连标准(peripheralcomponentinterconnect，简称pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

图7仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图7示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。

进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。

可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organiclight-emittingdiode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的小目标物检测程序12是多个指令的组合，在所述处理器10中运行时，可以实现：

获取原始图像，对所述原始图像进行目标物标注，得到标注图像；

利用预构建的分割算法对所述标注图像进行图像分割，得到分割图像；

利用所述分割图像训练预构建的分割网络，得到图像分割模型；

利用所述图像分割模型对待检测图像进行目标物检测，得到候选目标物检测结果；

对所述候选目标物检测结果进行腐蚀及膨胀处理，得到目标物检测结果。

具体地，所述处理器10对上述指令的具体实现方法可参考图1至图5对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

获取原始图像，对所述原始图像进行目标物标注，得到标注图像；

利用预构建的分割算法对所述标注图像进行图像分割，得到分割图像；

利用所述分割图像训练预构建的分割网络，得到图像分割模型；

利用所述图像分割模型对待检测图像进行目标物检测，得到候选目标物检测结果；

对所述候选目标物检测结果进行腐蚀及膨胀处理，得到目标物检测结果。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。