基于改进型SSD的小目标物体高精度检测方法、系统及装置制造方法及图纸

本发明专利技术为基于改进型SSD的小目标物体高精度检测方法、系统及装置，获取包含有小目标对象的训练数据集；构建初始小目标物体检测网络，以SSD快速目标检测方法的模型结构为基础，改造SSD中的特征提取方法，将原始VGG16卷积网络中的普通卷积替换为深度可分离卷积；加入特征融合的卷积神经网络，并初始化随机参数得到初始小目标物体检测网络；使用步骤1中的训练数据集，采用随机梯度下降方法进行网络训练；对初始小目标物体检测网络进行训练；使总损失函数收敛到最优，得到训练后的小目标物体检测网络；将待检测的图片输入到小目标物体检测网络中，进行特征提取得到模型输出结果；提高小目标物体的检测准确度，并且保证较高的检测速度。度。度。

【技术实现步骤摘要】
基于改进型SSD的小目标物体高精度检测方法、系统及装置


[0001]本专利技术涉及目标检测
，更为具体地是特别涉及一种基于SSD的特 征融合与可分离卷积相结合的小目标高精度检测方法、系统及装置。

技术介绍

[0002]在一些特定的场合，可能会发生各种安全事故，目前，开源和应用的目标检 测算法和物种分类算法都属于深度学习领域。通过设计目标检测，并进行物种分 类，从而达到检测目的。
[0003]对于目标检测，卷积神经网络的算法有多种，例如YOLO系列，该方法将 图像分为若干单元格，如果有一个物体的中心是在某一个单元格中，那么这个单 元格就负责检测这个物体，然后进行目标检测识别，该方法有着速度快的特性， 但是精确度较低，不能很好的识别较小物体并且当一个格子内包含多个物体时， 只能检测出来一个，会导致漏检问题。又如Faster
‑
RCNN系列，该算法引进RegionProposal Networks(RPNs)替代Selective Search提取候选框，同时引入anchor box。 简要流程：1.将整张图片作为CNN的输入，提取image的特征图，该特征图被 共享用于后续RPN层和全连接层卷积。2.特征图作为RPN网络的输入，生成 候选区域。3.以RPN提取的候选区域和卷积网络生成的特征图作为RoI池化层 的输入，送到后续全连接层中进行判定目标。这种算法由于提取图像中目标的特 征较多，所以该网络准确度相对较高，但是由于产生了过多的候选网络，因此参 数量以及计算量过于巨大，导致检测速度较慢而且并不是很适合移植在一些小型 的系统中。
[0004]而SSD网络是当下最主要的单步目标检测方法之一，由Wei Liu于2016年 提出。它是由VGG(Visual Geometry Group)特征提取网络和辅助检测网络组成； SSD网络检测方法对设置的默认框进行定位和分类，省略了双阶段方法中提取候 选区域的操作，检测速度得到了提升，但是检测精度较双阶段方法略有下降，尤 其是对小尺寸目标的检测。作为一阶段检测中最为热点的算法之一。该类算法的 核心思想是将目标检测任务转化为一个回归问题进行求解，输入原始图像直接输 出其位置及类型的判别结果，这使得单阶段算法在检测速度方面具有优势，但对 于小目标和相互靠的很近的物体检测效果不佳；导致小目标的检测效果仍然不尽 如人意，导致常有未识别出小目标或识别错误的现象发生；所以，SSD针对小目 标物体的检测速度和精度也有待提高。

技术实现思路

[0005]为了解决现有问题，本专利技术提供一种基于改进型SSD的小目标物体高精度 检测方法，采用SSD算法进行目标检测，SSD算法的核心是在特征图上使用小 卷积核来预测固定尺寸default bounding boxes的类别分数和偏移量；为了提高准 确率，SSD在不同大小的特征图上进行预测，通过纵横比分开预测。这些改进设 计，实现了end
‑
to
‑
end训练并且保证较高的准确率，即是在低分辨率的图片上也 能够保持高精度，因此，运行速度要比YOLO要快，同时准确率却能和Faster RCNN相媲美。
[0006]本专利技术为一种基于改进型SSD的小目标物体高精度检测方法，包括以下步 骤：
[0007]步骤1：获取包含有小目标对象的训练数据集；
[0008]步骤2：构建初始小目标物体检测网络，具体方式如下：
[0009]步骤201：以SSD快速目标检测方法的模型结构为基础，改造SSD中的特 征提取方法，将原始VGG16卷积网络中的普通卷积替换为深度可分离卷积；
[0010]步骤202：加入特征融合的卷积神经网络，并初始化随机参数得到所述初始 小目标物体检测网络；
[0011]步骤3：使用步骤1中所述的训练数据集，采用随机梯度下降方法进行网络 训练；对所述初始小目标物体检测网络进行训练；训练时设定超参数、学习速率； 使总损失函数收敛到最优，得到训练完成的小目标物体检测网络；
[0012]步骤4：将待检测的图片依次输入到所述小目标物体检测网络中，进行特征 提取得到模型输出结果。
[0013]作为优选，在步骤201中，将原始VGG16卷积网络中的3
×
3普通卷积层、 BN函数和ReLU函数排布顺序对应修改为3
×
3逐通道卷积层、BN函数、ReLU 函数；1
×
1逐点卷积层、BN函数、ReLU函数。
[0014]作为优选，同时将原始VGG16卷积网络中的最大池化层Maxpooling2D采 用过滤器大小为2
×
2、步长stride为2的逐通道卷积替代。
[0015]作为优选，在步骤202中，在SSD检测网络中将第四层和第五层的特征通 过自上而下进行模块融合，产生排列顺序在第四特征层检测层、第七特征检测层 之间的中间特征层。
[0016]作为优选，在生成了中间特征层之后，同时删除第十一层。
[0017]作为优选，在步骤3中，先除此设定各个超参数；并设定所需训练的epoch 次数，同时在训练过程中，设定损失函数loss为一个或多个batch个输入图像进 行卷积网络提取特征并分类所得结果与数据集本身预测结果差值的平方；并用该 损失函数loss对各个权重和偏差量进行梯度下降更新。
[0018]作为优选，更进一步的，在在经过多次epoch训练后，查看所得损失函数loss 是否有下降和收敛趋势，如果没有收敛和下降趋势，则重新设定超参数，如果逐 渐收敛则接近收敛时候停止训练。
[0019]作为优选，在步骤4中，进行特征提取后，通过softmax分类器完成目标的 分类识别；得到模型输出结果。
[0020]还公开一种基于改进型SSD的小目标物体高精度检测系统，应用上述的方 法，包括，
[0021]存储模块，用于存储包含有小目标对象的训练数据集；
[0022]训练模块，用于利用所述训练数据集对初始小目标物体检测网络训练，以得 到小目标物体检测网络
[0023]特征提取模块，用于运行小目标物体检测网络，通过小目标物体检测网络得 到特征数据集；
[0024]分类模块，用于对特征数据集进行分类，并根据分类结果作出响应；当分类 结果包含有危险品目标时，发送报警指令；当分类结果正常时，读取下一帧图像。
[0025]还公开一种基于改进型SSD的小目标物体高精度检测装置，包括有中央处 理器，所述中央处理器运行上述的方法。
[0026]本专利技术的有益效果是：本专利技术提供一种基于改进型SSD的小目标物体高精 度检测方法、系统及装置，通过以下步骤实现：步骤1：获取包含有小目标对象 的训练数据集；步骤2：构建初始小目标物体检测网络，具体方式如下：步骤201： 以SSD快速目标检测方法的模型结构为基础，改造SSD中的特征提取方法，将 原始VGG16卷积网络中的普通卷积替换为深度可分离卷积；步骤202：加入特 征融合的卷积神经网络，并本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进型SSD的小目标物体高精度检测方法，其特征在于，包括以下步骤：步骤1：获取包含有小目标对象的训练数据集；步骤2：构建初始小目标物体检测网络，具体方式如下：步骤201：以SSD快速目标检测方法的模型结构为基础，改造SSD中的特征提取方法，将原始VGG16卷积网络中的普通卷积替换为深度可分离卷积；步骤202：加入特征融合的卷积神经网络，并初始化随机参数得到所述初始小目标物体检测网络；步骤3：使用步骤1中所述的训练数据集，采用随机梯度下降方法进行网络训练；对所述初始小目标物体检测网络进行训练；训练时设定超参数、学习速率；使总损失函数收敛到最优，得到训练完成的小目标物体检测网络；步骤4：将待检测的图片依次输入到所述小目标物体检测网络中，进行特征提取得到模型输出结果。2.根据权利要求1所述的基于改进型SSD的小目标物体高精度检测方法，其特征在于，在步骤201中，将原始VGG16卷积网络中的3
×
3普通卷积层、BN函数和ReLU函数排布顺序对应修改为3
×
3逐通道卷积层、BN函数、ReLU函数；1
×
1逐点卷积层、BN函数、ReLU函数。3.根据权利要求2所述的基于改进型SSD的小目标物体高精度检测方法，其特征在于，同时将原始VGG16卷积网络中的最大池化层Maxpooling2D采用过滤器大小为2
×
2、步长stride为2的逐通道卷积替代。4.根据权利要求1所述的基于改进型SSD的小目标物体高精度检测方法，其特征在于，在步骤202中，在SSD检测网络中将第四层和第五层的特征通过自上而下进行模块融合，产生排列顺序在第四特征层检测层、第七特征检测层之间的中间特征层。5.根据权利要求4所述的基于...

【专利技术属性】
技术研发人员：成鑫才，吴新春，孙彪，朱书霖，杨柯，李德鑫，
申请(专利权)人：宁波汉达信息科技有限公司，
类型：发明
国别省市：