【技术实现步骤摘要】
高空作业场景基于改进YOLOV4的小目标检测方法
[0001]本专利技术涉及深度学习图像识别
，尤其涉及一种高空作业场景基于改进YOLOV4的小目标检测方法。
技术介绍
[0002]基于自然拍照下的图像检测对小目标的识别提升，对图像检测识别技术要求起初我们使用图像检测识别用于类似于人脸的检测识别、车牌的检测识别，到后来我们会希望人脸检测用于人山人海的场合，包括车牌检测用于车水马龙的道路，这便要求我们的图像检测对于在同样一张大小的图片下，检测到更多的目标对象，并且满足识别要求，也就意味着我们要对图像的小目标进行更高精度的检测。
[0003]在中国专利文献CN111709489A中，公开了一种基于改进YOLOv4的柑橘识别方法，通过改进YOLOv4网络模型结构，添加了上采样模块和对小目标敏感的检测特征图，能更好的识别个体较小的柑橘，通过对训练得到的网络模型进行稀疏训练，通道剪枝和层剪枝，克服了添加模块带来的内存消耗大和识别时间久等缺陷，运用Canopy算法与k
‑
means++算法一起进行聚类，让...
【技术保护点】
【技术特征摘要】
1.一种高空作业场景基于改进YOLOV4的小目标检测方法，其特征在于，具体包括以下步骤：S1：基于高空作业场景，采用拍照设备在不同天气下、并且在不同位置下进行多角度拍摄，采集图像数据集；S2：筛选掉所述数据集中无效的数据，标注数据信息，并将清洗标注后的数据集划分为训练集和测试集；S3：对小目标数据集进行数据样本增强；S4：基于所述步骤S2中标注数据的目标框，计算训练数据集样本的多个不同大小的预选框，作为预选锚框；S5：将Loss损失函数调整，增加小样本的损失，生成YOLOV4
‑
loss模型；S6：在所述步骤S5生成的YOLOV4
‑
loss模型的基础上，更改DropBlock的Block
‑
Size尺度，得到YOLOV4
‑
loss
‑
Drop模型；S7：将训练数据集放入改进后的YOLOV4
‑
loss
‑
Drop模型中，并不断的进行优化迭代，增强模型效果；S8：根据测试集的评分，选择最优的训练模型权重文件，使用C++下的TensorRT加速并部署到边缘设备。2.根据权利要求1所述的高空作业场景基于改进YOLOV4的小目标检测方法，其特征在于，在步骤S5中，所述Loss损失函数调整生成YOLOV4
‑
loss模型具体步骤如下：S51：根据高空作业场景下，拍到的图像目标识别对象相比整张图片像素来说比较小，但图片的像素大小固定；S52：YOLOV4原模型的损失函数拥有三个不同的Loss含义，分别检测的是目标的坐标损失、目标概率损失和类别损失；S53：实际的小目标物体的尺度基本一致统一，不同尺度的预测和分类...
【专利技术属性】
技术研发人员：孟维，张进，李正大，王计斌，
申请(专利权)人：南京华苏科技有限公司，
类型：发明
国别省市：
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。