【技术实现步骤摘要】
一种基于改进的darknet神经网络进行目标检测的方法和系统
本专利技术属于深度学习领域，涉及一种目标检测方法，尤其涉及一种基于改进的darknet神经网络进行目标检测的方法和系统。
技术介绍
随着机器学习的发展，基于深度学习来进行目标检测的技术越来越成熟。为了适应工业上的需求，现有电箱的开关检测算法中，用作特征模型的样本图像常采用固定相机连续抓取来获得，对于拍摄采集到的部分样本图片，如果检测的目标在整个图像中所占的面积区域非常的少，这会引发一个很大的问题：在改进之前的darknet神经网络结构中，卷积神经网络采取了大量的池化操作，其中下采样因子为32，输入一张416×416像素的图片最终会生成13×13的预测栅格，如果训练样本的目标区域在整个图像中所占很少的区域或像素，即检测的目标在图像中的像素数小于32时，这将会导致检测模型的误检或漏检。现有的darknet神经网络结构有32层，经过一系列卷积和池化，将26×26分辨率的输出层特征与13×13分辨率的输出层特征整合，最后对输出预测和分类，其对小目标的检测效果仍存在不足，且对群体目标的检测存在一定程度的遮挡漏检。...
【技术保护点】
1.一种基于改进的darknet神经网络进行目标检测的方法，其特征在于，包括如下步骤：步骤1，采用固定相机连续获取训练样本图像，并对训练样本中的检测目标进行边框和类别的标注；步骤2，通过旋转角度、调整饱和度、调整曝光量、调整色调来生成更多训练样本；步骤3，基于改进的darknet神经网络构造图像检测模型，该检测模型包括依次连接的卷积层、池化层、卷积层、池化层、卷积块(1)、池化层、卷积块(2)、池化层、卷积块(3)、路由层(1)、整合层、卷积块(4)、路由层(2)、卷积块(5)和分类层，所述卷积块(1)‑(5)均包括多个卷积层；步骤4，利用步骤3中的检测模型训练样本图像，并...
【技术特征摘要】
1.一种基于改进的darknet神经网络进行目标检测的方法，其特征在于，包括如下步骤：步骤1，采用固定相机连续获取训练样本图像，并对训练样本中的检测目标进行边框和类别的标注；步骤2，通过旋转角度、调整饱和度、调整曝光量、调整色调来生成更多训练样本；步骤3，基于改进的darknet神经网络构造图像检测模型，该检测模型包括依次连接的卷积层、池化层、卷积层、池化层、卷积块(1)、池化层、卷积块(2)、池化层、卷积块(3)、路由层(1)、整合层、卷积块(4)、路由层(2)、卷积块(5)和分类层，所述卷积块(1)-(5)均包括多个卷积层；步骤4，利用步骤3中的检测模型训练样本图像，并设置检测模型训练时的学习率及迭代次数，输出指定通道数的像素特征图片，对图像分类输出检测模型的权重、损失率、准确率；步骤5，每迭代一定次数保存相应的检测模型，直到指定迭代次数终止，并利用最终的检测模型进行相关图像目标检测。2.如权利要求1所述的一种基于改进的darknet神经网络进行目标检测的方法，其特征在于：所述卷积块(1)和卷积块(2)分别包括3个卷积层，卷积块(3)包括7个卷积层，卷积块(4)和卷积块(5)分别包括2个卷积层。3.一种基于改进的darknet神...
【专利技术属性】
技术研发人员：舒军，吴柯，李鑫武，涂杏，沈开斌，蒋明威，杨露，舒心怡，潘健，王淑青，陈张言，徐成鸿，李志魁，刘伟，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。