一种轻量化的目标检测方法技术

本发明专利技术公开了一种轻量化的目标检测方法，包括:步骤一：对样本图像进行数据增强处理；获取网络模型的先验边界框尺寸；步骤二：构建目标检测网络模型：该目标检测网络模型以YOLOv4为基础，引入MobileNetv3网络重构特征提取网络，在PANet中以深度可分离卷积代替标准卷积，减少模型参数量和运算量；在同样大小通道数的特征层进行卷积操作后，融入改进的CBAM注意力机制，进一步提升网络检测性能；步骤三：训练目标检测网络模型；步骤四：使用目标检测网络模型进行检测，得到检测结果。本发明专利技术具有能够提高目标检测的效率，减少网络预测时间的特点。减少网络预测时间的特点。减少网络预测时间的特点。

【技术实现步骤摘要】
一种轻量化的目标检测方法


[0001]本专利技术涉及机器视觉领域，具体涉及一种轻量化的目标检测方法。

技术介绍

[0002]机器视觉在工业领域的三大主要应用是视觉测量、视觉引导和视觉检测。目前在 智能化生产过程中多采用one
‑
stage算法进行目标检测，有研究者提出了一种深度学习 模型YOLOv4
‑
FPM用于桥梁裂缝检测，对损失函数和网络进行优化，提高了网络的 FPS，但是存在参数量较大难以部署于设备的问题；还有研究者的提出了一种轻量级卷 积神经网络YOLOv4
‑
Lite用于水果检测，替换主干特征网络后大幅度减少网络参数量， 但是由于参数量的减少，出现了检测精确率不高的问题；研究者提出了一种改进 YOLOv4模型对果园中的障碍物进行检测，将标准卷积替换为深度可分离卷积，并将 YOLOv4主干网络改为逆残差结构，网络参数量减少但是对小目标的检测性较差；研 究者提出了一种改进型SSD的X光图像管制刀具检测算法，替换主干网络，采用跳跃 连接的方法进行特征融合，但是由于参数量过多导致识别速度下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轻量化的目标检测方法，其特征在于：该方法包括以下步骤:步骤一：对样本图像进行数据增强处理，并将样本图像分为训练图像集和测试图像集；获取网络模型的先验边界框尺寸；所述获取网络模型的先验边界框尺寸：将训练图像集中训练图像的目标边界框与聚类中心目标边界框的重合度作为聚类距离指标，即采用k
‑
means聚类方法将所有训练图像中的目标边界框分为9类，取各类中心的目标边界框尺寸作为网络模型预测目标边界框的先验边界框尺寸；步骤二：构建目标检测网络模型：该目标检测网络模型以YOLOv4为基础，引入MobileNetv3网络重构特征提取网络，在PANet中以深度可分离卷积代替标准卷积，减少模型参数量和运算量；在同样大小通道数的特征层进行卷积操作后，融入改进的CBAM注意力机制，进一步提升网络检测性能；其中所述改进的CBAM注意力机制：采用自适应的一维卷积代替通道注意力模块中的全连接层，采用具有膨胀卷积的残差结构扩大空间注意力模块中感受野；所述目标检测网络模型的具体结构为：包括Input、Backbone、Neck、Head部分，其中Input进行图像输入；Backbone以MobileNetv3为主干网络，包括5个Bottleneck模块处理和SE注意力模块；Neck以SPP为附加模块，PANet为特征融合模块；Head为预测输出模块；所述Input进行图像输入：将输入训练图像进行自适应尺寸处理，调整为416
×
416像素尺寸的RGB图像后，经过16层的卷积模块降低训练图像尺寸为208
×
208像素，通过批量归一化处理和Relu6函数激活后送入Bottleneck模块中进行进一步处理；所述Bottleneck模块处理：每一个Bottleneck模块中的数据首先经过1
×
1和3
×
3的卷积后进行降维处理，然后送入SE注意力模块中，在经过SE模块处理后与原输入Bottleneck模块的数据进行叠加，得到104
×
104
×
24的通道信息，在经过5个Bottleneck模块处理后，选择52
×
52
×
40，26
×
26
×
112，13
×
13
×
160三个模块的输出作为PANet中的三个特征层；所述Neck模块处理：将所述13
×
13
×
160的特征层送入空间金字塔SPP层中，利用不同尺寸的池化层进行特征融合，提高感受野，分离出有效特征；空间金字塔池化模块共有3层，池化层大小分别设置为5
×
5、7
×
7和13
×
13，采用最大池化方式；其中所述特征提取PANet中引入深度可分离的3
×
3卷积代替普通卷积和改进的CBAM注意力机制；采...

【专利技术属性】
技术研发人员：袁庆霓，王晨，白欢，杜晓英，齐建友，杨观赐，吴杨东，蓝伟文，
申请(专利权)人：贵州大学，
类型：发明
国别省市：