【技术实现步骤摘要】
一种基于改进YOLOv4算法的目标检测方法
本申请属于计算机视觉
，具体涉及一种基于改进YOLOv4算法的目标检测方法，可以应用于各类施工现场用于实时安全帽佩戴检测。
技术介绍
目标检测作为计算机视觉领域的研究热点，学术界已有将近二十年的研究历史。近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。然而，目标检测如安全帽检测方面仍有诸多问题亟待解决。传统的目标检测算法的核心思想是在多尺度图像上应用多尺度窗口进行滑窗，每个roi(滑动窗口)位置提取出固定长度的特征向量，然后采用SVM进行学习判别，这在小数据上比较奏效，然而这种方法有很多弊端。首先，滑动窗口的区域选择策略没有针对性，时间复杂度高，会造成大量冗余的预选框生成，导致学习效率低下，容易在分类出现大量的假正样本。另外，手工设计的特征对于多样性的变化没有很好的鲁棒性。近年来人工智能发展迅速，机器视觉作为其重要的研究方向，也迎来了第三波热潮。目标检测作为计算机视觉领域的研究热点，学术界已有将近二十年...
【技术保护点】
1.一种基于改进YOLO v4算法的目标检测方法，用于安全帽佩戴的实时检测，其特征在于，所述基于改进YOLO v4算法的目标检测方法，包括：/n步骤S1、获取安全帽检测数据集SHWD，并对所述安全帽检测数据集SHWD进行数据扩充得到样本集；/n步骤S2、基于YOLO v4算法构建改进型YOLO v4网络结构，得到改进YOLO v4算法；/n步骤S3、利用所述样本集对所述改进YOLO v4算法进行训练，将训练后最佳的权重文件加载至改进YOLO v4算法得到目标检测网络；/n步骤S4、针对获取的待分类图像，采用所述目标检测网络输出对应的目标检测结果，所述目标检测结果包括待分类图...
【技术特征摘要】
1.一种基于改进YOLOv4算法的目标检测方法，用于安全帽佩戴的实时检测，其特征在于，所述基于改进YOLOv4算法的目标检测方法，包括：
步骤S1、获取安全帽检测数据集SHWD，并对所述安全帽检测数据集SHWD进行数据扩充得到样本集；
步骤S2、基于YOLOv4算法构建改进型YOLOv4网络结构，得到改进YOLOv4算法；
步骤S3、利用所述样本集对所述改进YOLOv4算法进行训练，将训练后最佳的权重文件加载至改进YOLOv4算法得到目标检测网络；
步骤S4、针对获取的待分类图像，采用所述目标检测网络输出对应的目标检测结果，所述目标检测结果包括待分类图像中目标区域的位置以及每个目标区域对应的类别，其中目标区域的类别为佩戴安全帽或未佩戴安全帽；
其中，所述改进型YOLOv4网络结构包括特征提取骨干网络、SPP模块、特征融合模块和多分类器模块，所述特征提取骨干网络为CSPDarknet53网络结构，所述CSPDarknet53网络结构输出四个大小分别为152*152、76*76、38*38、19*19的特征图，大小为19*19的特征图输入所述SPP模块，经SPP模块最大池化后拼接得到池化特征图，将所述池化特征图以及CSPDarknet53网络结构输出的大小分别为152*152、76*76、38*38的特征图输入所述特征融合模块，所述多分类器模块基于特征融合模块输出的76*76、38*38、19*19三个尺度的融合特征进行分类检测，输出最终的目标检测结果。
2.如权利要求1所述的基于改进YOLOv4算法的目标检测方法，其特征在于，所述步骤S1，对所述安全帽检测数据集SHWD进行数据扩充得到样本集，包括：
向获取的所述安全帽检测数据集SHWD中加入若干张图片，若干张图片中一部分图片为佩戴非安全帽的帽子的图片，另一部分图片为佩戴安全帽或未佩戴安全帽的图片；
对加入若干张图片后的安全帽检测数据集SHWD进行数据增强处理得到样本集。
3.如权利要求1所述的基于改进YOLOv4算法的目标检测方法，其特征在于，所述CSPDarknet53网络结构包括依次连接的DarknetConv2D_BN_Mish模块、第一Resblock_body模块、第二Resblock_body模块、第三Resblock_body模块、第四Resblock_body模块和第五Resblock_body模块；
所述第二Resblock_body模块输出大小为152*152的特征图，所述第三Resblock_bod...
【专利技术属性】
技术研发人员：董辉，金雨芳，董高锋，吴祥，俞立，郭方洪，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33
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。