1.一种基于自动标注和迁移学习的密集堆垛目标检测方法，其特征是对于截面堆垛图像，将高分辨率图像分割为多个低分辨率图像，将低分辨率图像分成N个子区域，记录子区域在原图像位置，使用变分自编码器VAE模型对图像进行分类和标注，得到已标注的训练图像集；然后将已标注的训练图像集输入已预训练的目标检测模型YOLOv3，优化YOLOv3模型的先验框尺寸和损失函数，利用训练图像集对模型进行精调；最后将待检测图像输入YOLOv3模型，输出目标子区域的分类和子区域位置及数量，再将输出结果图拼接恢复成原始高分辨率图像，并统计总计数结果，完成堆垛物计数；包括如下步骤：步骤1，利用滑窗算法将高分辨率的堆垛横截面图像分割成低分辨率图像；然后将低分辨率图像分成M个R0×R0像素的子区域集，并记录每个子区域的中心点位置数据；利用变分自编码器模型，对每个图像的目标子区域与非目标子区域进行分类，目标子区域指堆垛物体的截面，其他为非目标子区域，最后结合子区域的中心点位置数据实现对目标子区域的自动标注；

步骤2，将已标注的训练数据集输入已经经过COCO和VOC数据集预训练的目标检测模型YOLOv3，根据训练数据集统计计算检测模型输入的先验框尺寸，优化YOLOv3模型的损失函数，然后进行模型精调；步骤2的具体步骤为：步骤2.1，利用k‑means算法对训练数据集M(GPj,POSj)中的先验框尺寸进行聚类分析，找出最优的尺寸，作为检测模型YOLOv3的备选尺寸，k‑means算法的距离函数如式(2)：d(box,centriod)＝1‑IoU(box,cendroid)                  (2)其中，GPj表示目标子区域，POSj表示子区域在原图像中的位置，j＝1,…M，IoU为非极大值候选框box与极大值框cendroid之间的面积交并比，所述极大值框指训练集中，已标注的真实目标区域框的分值最高的区域框；

步骤2.2，构造YOLOv3模型，并对模型进行超参数设置：选择步骤2.1中，IoU值最大的检出框尺寸设置为最大的先验框尺寸；

步骤2.3，引入排斥力损失函数Repulsion Loss对YOLOv3模型用于计算目标位置回归的损失函数进行改进，以改善密集堆垛对象因相互遮挡导致识别率下降的问题；Repulsion Loss包括一个吸引项和两个排斥项，计算公式如式(3)：L＝LAttr+α*LRepGT+β*LRepBox                          (3)其中，LAttr见式(4)为吸引项，优化目标是使预测框尽量靠近目标对象，P

其中，ρ+为所有正样本的集合，P为其中一个候选回归，B为回归P的预测框，即为每个P匹配一个与之有最大IoU值的真实目标框，排斥项LRepGT见式(7)，目标是让预测框离除了分配给它的真实框之外的极大值框尽可能远，其中， 即给定回归P除了其指定目标之外带有最大

P

IoU区域的真实框，LRepGT被定义为B与 之间的IoG值，IoG为预测框与真实框交集与真实框之面积比，排斥项LRepBox见式(8)，目标是让分配了不同真实框目标的候选框尽可能远，根据真实目标框将ρ+分为不同子集，LRepBox的优化目标是使得来自与不同子集的候选框之间覆盖，即IoU值尽可能小，其中，公式(8)分母为示性函数，表示：必须是有交集的预测框才计入损失值，如果两个预测框完全不相邻，则不计入，其中，σ∈[0,1]为敏感性参数，根据实验效果设定；

步骤2.4，将已标注的训练图像集输入经过优化改进的目标检测模型YOLOv3，进行模型精调，调整模型中网络节点权重；

步骤3，通过步骤1中的图像分割方法对待检测图片进行分割，将分割后的低分辨率图像输入YOLOv3模型进行目标检测，输出目标子区域的分类和子区域位置，再将输出结果图拼接恢复成原始高分辨率图像，并统计总计数结果，完成密集堆垛的数量检测。

2.根据权利要求1所述的基于自动标注和迁移学习的密集堆垛目标检测方法，其特征是步骤1的具体步骤为：步骤1.1，利用滑窗算法将高分辨率的堆垛横截面图像集G中的每张图片gi分割成N个R×R像素的低分辨率图像组成的图像集GLi，i＝1,…N，其中R由目标检测算法的推荐输入图像尺寸决定；

步骤1.2，利用滑窗算法将GLi中的每个图像分成M个R0×R0像素的子区域集GSj，j＝1,…M，其中R0是人工预估的目标子区域的基准半径，并记录每个子区域在原图像中的位置POSj；

步骤1.3，将GSj作为训练集输入变分自编码器模型VAE，对GLi中目标子区域GPj与非目标子区域GNj进行无监督聚类，采用式(1)作为VAE用来聚类的损失函数；

其中，x是待分类的样本数据变量，z，y是通过VAE模型学习提取的特征隐变量，z代表分类编码，y是一个离散值，代表类别标签； 是通过一批采样数据统计获得的样本经验分2

布，p(z|x)假设为满足均值为μ(x)，方差为σ(x)的正态分布，q(x|z)为方差为常数的正态分布，q(z|y)是均值为μy方差为1的正态分布，q(y)假设为均匀分布时是一个常数，p(y|z)即为对隐变量z的分类器，可以通过训练一个softmax网络来拟合，拟合后的结果即可实现对输入图像的分类和标注；结合POSj实现对GLi中每个图像的自动标注，形成已标注训练数据集M(GPj,POSj)；

步骤1.4，人工对数据集M中误差较大的标注数据样本进行筛除。