一种基于改进YOLOv4-tiny的轻量型目标检测方法及系统技术方案

本发明专利技术公开了一种基于改进YOLOv4

【技术实现步骤摘要】
一种基于改进YOLOv4
‑
tiny的轻量型目标检测方法及系统


[0001]本专利技术涉及目标检测
，特别是一种基于改进YOLOv4
‑
tiny的轻量 型目标检测方法及系统。

技术介绍

[0002]口罩，是一种卫生用品，一般指戴在口鼻处用于过滤进入口鼻的空气，以 达到阻挡空气中有害的气体、飞沫、病毒等物质的作用，在呼吸道传染病流行 时，特别地，在疫情期间，佩戴口罩是一种极为有效且经济的防控手段，也是 防止病毒传播的有效途径之一。
[0003]公共场合(如社区、校园、超市、医院、工厂、车站等)的口罩佩戴检测 已经成为一项日常检查的核心工作。但在这些大部分地方，目前基本都是人工 检查佩戴口罩情况。人工方式一方面会造成人力资源的浪费和效率低下，另一 方面存在近距离接触的安全隐患，更重要的是，还存在漏检和误检等问题。同 时，对于不正确佩戴口罩的问题，除了会造成人工检测工作量额外增加，还会 威胁周围环境的安全。
[0004]机器视觉技术的发展使得能够利用监控、计算机等软硬件设备集成的方式 来实现人脸口罩佩戴情况检测，从而达到非接触自动检测的目的。由于口罩的 不同形态、颜色、光照影响、遮挡干扰等让检测任务变得更加艰难，更具有挑 战性，如何在现阶段特定情形下，对佩戴口罩的人群实现准确、快速的口罩自 动检测成为了当下一个重要的研究问题。
[0005]目前大多数研究都是采用基于机器学习与深度学习实现口罩佩戴检测，存 在如下问题：
[0006](1)传统的机器学习检测方法，比较倾向于使用不同尺寸的滑动窗口选中 图中的部分区域，分析选中区域的特征，但需要人工提取特征，建模难度大， 比较繁琐，对使用者要求较高。
[0007](2)现有的深度卷积神经网络，比如VGGNet、GoogLeNet、ResNet和 DenseNet等在完成分类时，由于自身网络结构复杂，使得模型参数繁多，模型 权重文件较大，训练时间较长。
[0008](3)现有的基于深度学习的目标检测算法，比如R
‑
CNN、Fast
‑
RCNN、 Faster
‑
RCNN等两阶段算法，虽然能得到较高的检测精度，但由于阶段复杂， 使得测试速度通常较慢，不太适合用于需要实时检测，快速响应的应用场合。 而像SSD、YOLO等一系列单阶段算法，虽然具有很快的检测速度，能满足实 时检测需求，但某些应用上的检测精度仍有待提高。这些深度学习算法对计算 机等设备的性能通常要求较高。然而，公共场合下用于自动检测的计算机硬件 配置通常不会太高，这对算法的性能会有较大的影响。
[0009](4)近几年兴起的一些轻量型卷积神经网络，比如：MobileNet系列、YOLOv3
‑
tiny、YOLO v4
‑
tiny等，虽然它们大大缩短了模型参数量和训练时间，但是 在牺牲了一部分准确率的前提下，使得配置不高的硬件设备可以实现检测，但 在具体应用过程中，仍然存在一定的局限性。

技术实现思路

[0010]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳 实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省 略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不 能用于限制本专利技术的范围。
[0011]鉴于上述和/或现有的基于改进YOLOv4
‑
tiny的轻量型目标检测方法中存 在的问题，提出了本专利技术。
[0012]因此，本专利技术所要解决的问题在于如何提供一种基于改进YOLOv4
‑
tiny的 轻量型目标检测方法。
[0013]为解决上述技术问题，本专利技术提供如下技术方案：一种基于改进 YOLOv4
‑
tiny的轻量型目标检测方法，其包括，获取口罩图像数据；制作口罩 数据集；搭建改进的YOLOv4
‑
tiny目标检测模型；训练改进的YOLOv4
‑
tiny目 标检测模型；对改进的YOLOv4
‑
tiny目标检测模型进行评估；进行测试。
[0014]作为本专利技术所述基于改进YOLOv4
‑
tiny的轻量型目标检测方法的一种优选 方案，其中：所述改进的YOLOv4
‑
tiny目标检测模型包括主干特征提取网络、 颈部加强特征提取网络和预测网络；在主干特征提取网络中，将原YOLOv4
‑
tiny 网络的3个CSPBlock结构分别替换为1个轻量模块和2个增强模块，将原 YOLOv4
‑
tiny网络通道数为512的卷积层替换为1个多尺度融合模块；在颈部 加强特征提取网络中，在原YOLOv4
‑
tiny网络基础上增加1个改进的空间金字 塔池化结构和2个改进的双重注意力机制结构；在预测网络中，将原 YOLOv4
‑
tiny网络通道数为256和512的卷积层分别替换为1个深度可分离卷 积结构。
[0015]作为本专利技术所述基于改进YOLOv4
‑
tiny的轻量型目标检测方法的一种优选 方案，其中：所述双重注意力机制结构包括通道注意力模块和空间注意力模块；
[0016]所述通道注意力模块采用如下公式计算：
[0017][0018]式中，M
c
(F)∈R
C
×1×1表示通道注意力；表示均值池化的通道描述信息；表示最大值池化的通道描述信息；σ表示Sigmoid激活函数，表示卷积核大 小为k的一维卷积操作，k为卷积核大小，可自适应计算，公式如下：
[0019][0020]式中，C是通道数，γ,b为超参数，|*|
odd
表示与*最邻近的奇数；
[0021]所述空间注意力模块采用如下公式计算：
[0022][0023]式中，M
S
(F
′
)∈R1×
H
×
W
表示空间注意力；表示均值池化的通道描述信息； 表示最大值池化的通道描述信息；σ表示Sigmoid激活函数，表示表示 采用卷积核大
小为7的空洞卷积，空洞率为2。
[0024]作为本专利技术所述基于改进YOLOv4
‑
tiny的轻量型目标检测方法的一种优选 方案，其中：口罩图像数据包括佩戴口罩图像、未佩戴口罩图像和未正确佩戴 口罩图像。
[0025]作为本专利技术所述基于改进YOLOv4
‑
tiny的轻量型目标检测方法的一种优选 方案，其中：在制作口罩数据集时，将口罩图像数据进行目标类别名称标注和 定位位置标注，并将其分为训练集、验证集和测试集。
[0026]作为本专利技术所述基于改进YOLOv4
‑
tiny的轻量型目标检测方法的一种优选 方案，其中：在训练所述改进的YOLOv4
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv4
‑
tiny的轻量型目标检测方法，其特征在于：包括，获取口罩图像数据；制作口罩数据集；搭建改进的YOLOv4
‑
tiny目标检测模型；训练改进的YOLOv4
‑
tiny目标检测模型；对改进的YOLOv4
‑
tiny目标检测模型进行评估；进行测试。2.如权利要求1所述的基于改进YOLOv4
‑
tiny的轻量型目标检测方法，其特征在于：所述改进的YOLOv4
‑
tiny目标检测模型包括主干特征提取网络、颈部加强特征提取网络和预测网络；在主干特征提取网络中，将原YOLOv4
‑
tiny网络的3个CSPBlock结构分别替换为1个轻量模块和2个增强模块，将原YOLOv4
‑
tiny网络通道数为512的卷积层替换为1个多尺度融合模块；在颈部加强特征提取网络中，在原YOLOv4
‑
tiny网络基础上增加1个改进的空间金字塔池化结构和2个改进的双重注意力机制结构；在预测网络中，将原YOLOv4
‑
tiny网络通道数为256和512的卷积层分别替换为1个深度可分离卷积结构。3.如权利要求2所述的基于改进YOLOv4
‑
tiny的轻量型目标检测方法，其特征在于：所述双重注意力机制结构包括通道注意力模块和空间注意力模块；所述通道注意力模块采用如下公式计算：式中，M
c
(F)∈R
C
×1×1表示通道注意力；表示均值池化的通道描述信息；表示最大值池化的通道描述信息；σ表示Sigmoid激活函数，表示卷积核大小为k的一维卷积操作，k为卷积核大小，可自适应计算，公式如下：式中，C是通道数，γ,b为超参数，|*|
odd
表示与*最邻近的奇数；所述空间注意力模块采用如下公式计算：式中，M
S
(F
′
)∈R1×
H
×
W
表示空间注意力；表示均值池化的通道描述信息；表示最大值池化的通道描述信息；σ表示Sigmoid激活函数，表示表示采用卷积核大小为7的空洞卷积，空洞率为2。4.如权利要求3所述的基于改进YOLOv4
‑
tiny的轻量型...

【专利技术属性】
技术研发人员：韩正功，黄海松，范青松，陈星燃，马驰，李玢，
申请(专利权)人：贵州大学，
类型：发明
国别省市：