一种融合注意力机制的漂浮物目标检测方法及系统技术方案

本发明专利技术属于机器视觉技术领域，提供了一种融合注意力机制的漂浮物目标检测方法及系统，本发明专利技术在YOLOv4

A floating object detection method and system integrating attention mechanism

【技术实现步骤摘要】
一种融合注意力机制的漂浮物目标检测方法及系统


[0001]本专利技术属于机器视觉
，尤其涉及一种融合注意力机制的漂浮物目标检测方法及系统。

技术介绍

[0002]水利工程普遍存在漂浮物问题，漂浮物的聚集妨碍水利工程的正常运营；漂浮物的腐烂造成覆盖水体氮磷水平和污染物浓度明显提高，严重影响水质。目前普遍应用的清漂手段依旧是依赖于人工识别，这种识别方式不仅耗费大量的人力物力，而且存在识别范围小、识别滞后等诸多局限。因此，能够快速准确的识别出水利工程中的漂浮物，及时提供漂浮物的位置信息成为了提高治漂能力的必要条件。
[0003]专利技术人发现，随着深度学习在目标检测领域的深入应用，以YOLO、SSD为代表的单阶段目标检测算法在实时目标检测任务中应用广泛，但由于单阶段目标检测算法将目标检测问题转化为回归问题，略去候选区域生成，不能够很好的将目标区域和背景区域分开，容易造成漏检和误检问题；复杂度更高的网络结构在各种应用中可以带来明显的精度提升，但同时也带来了极大的参数和计算开销，不能适用于水流较快环境中漂浮物的检测。

技术实现思路

[0004]本专利技术为了解决上述问题，实现复杂背景下水面漂浮物的高精度实时检测，提出了一种融合注意力机制的漂浮物目标检测方法及系统，本专利技术中提出了一种融合注意力机制的漂浮物目标检测算法CBAM
‑
YOLOv4
‑
tiny，能够在满足实时性的基础上，提供更高的检测精度，可为实现水利工程中快速清漂排漂，提高治漂能力提供参考。
>[0005]为了实现上述目的，本专利技术是通过如下的技术方案来实现：
[0006]第一方面，本专利技术提供了一种融合注意力机制的漂浮物目标检测方法，包括：
[0007]获取水流环境的图像信息；
[0008]依据所述图像信息，以及预设的漂浮物目标检测模型，得到漂浮物检测结果；
[0009]其中，所述漂浮物目标检测模型由YOLOv4
‑
tiny模型训练得到，所述YOLOv4
‑
tiny模型中，以CSPDarknet53
‑
tiny作为特征提取网络，在特征金字塔结构中嵌入卷积注意力模块；同时，使用K均值聚类算法聚类分析漂浮物尺寸信息，所述K均值聚类算法中，以面积交并比作为准则函数。
[0010]进一步的，训练所述漂浮物目标检测模型时，获取训练用样本图像信息后，对样本图像信息进行标注，通过空间变换和色域变换对标注后的样本图像进行数据增广。
[0011]进一步的，所述YOLOv4
‑
tiny模型包括骨架网络、颈部结构和预测端。
[0012]进一步的，所述卷积注意力模块包括通道注意力模块和空间注意力模块，所述卷积注意力模块沿着通道和空间两个独立的维度依次推断注意力图，将注意力图和输入特征图相乘实现自适应地特征优化。
[0013]进一步的，所述通道注意力模块通过探索输入特征的通道关系突出关键通道，抑
制其余通道；对于输入特征，所述通道注意力模块分别进行全局最大池化和全局平均池化，池化结果输入共享权值的多层感知机进行处理，处理结果相加后取归一化获得每个通道的通道注意力权重。
[0014]进一步的，所述空间注意力模块利用特征的空间关系生成空间注意图，突出包含重要信息的像素点；对于经过所述通道注意力处理过的输入特征，在每个特征点的通道上取最大值和平均值后进行堆叠，然后利用卷积操作调整通道数，最后取归一化获得每个特征点的空间注意力权重。
[0015]进一步的，K均值聚类算法中，采用聚类中心的边界框与周围目标边界框面积的交并比作为准则函数。
[0016]第二方面，本专利技术还提供了一种融合注意力机制的漂浮物目标检测系统，包括：
[0017]数据采集模块，被配置为：获取水流环境的图像信息；
[0018]检测模块，被配置为：依据所述图像信息，以及预设的漂浮物目标检测模型，得到漂浮物检测结果；
[0019]其中，所述漂浮物目标检测模型由YOLOv4
‑
tiny模型训练得到，所述YOLOv4
‑
tiny模型中，以CSPDarknet53
‑
tiny作为特征提取网络，在特征金字塔结构中嵌入卷积注意力模块；同时，使用K均值聚类算法聚类分析漂浮物尺寸信息，所述K均值聚类算法中，以面积交并比作为准则函数。
[0020]第三方面，本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了第一方面所述的融合注意力机制的漂浮物目标检测方法的步骤。
[0021]第四方面，本专利技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了第一方面所述的融合注意力机制的漂浮物目标检测方法的步骤。
[0022]与现有技术相比，本专利技术的有益效果为：
[0023]1、本专利技术在YOLOv4
‑
tiny模型中，以CSPDarknet53
‑
tiny作为特征提取网络，在特征金字塔(FPN)结构中嵌入卷积注意力模块(Convolutional Block Attention Module，CBAM)，提高了网络对通道域和空间域的关注，增强了待检目标特征，抑制了背景特征，实现了漂浮物目标检测模型实时性和检测精度的要求；同时，在K均值聚类算法中，采用聚类中心的边界框与周围目标边界框面积的交并比作为准则函数，基于改进的K
‑
means算法聚类分析漂浮物尺寸信息，重新生成更为精准的先验框对目标进行定位，提升了检测精度；
[0024]2、本专利技术改进后的目标检测网络所占内存仅为24.3MB，便于部署在边缘设备为水利工程中清漂工作提供技术支持。
附图说明
[0025]构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。
[0026]图1为本专利技术实施例1的融合注意力机制的轻量级目标检测算法CBAM
‑
YOLOv4
‑
tiny的流程图；
[0027]图2为本专利技术实施例1的卷积注意力模块示意图；
[0028]图3为本专利技术实施例1的通道注意力模块；
[0029]图4为本专利技术实施例1的空间注意力示意图；
[0030]图5为本专利技术实施例1的改进的k
‑
means聚类算法聚类结果示意图。
具体实施方式：
[0031]下面结合附图与实施例对本专利技术作进一步说明。
[0032]应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。
[0033]实施例1：
[0034]本实施例提供了一种融合注意力机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.融合注意力机制的漂浮物目标检测方法，其特征在于，包括：获取水流环境的图像信息；依据所述图像信息，以及预设的漂浮物目标检测模型，得到漂浮物检测结果；其中，所述漂浮物目标检测模型由YOLOv4
‑
tiny模型训练得到，所述YOLOv4
‑
tiny模型中，以CSPDarknet53
‑
tiny作为特征提取网络，在特征金字塔结构中嵌入卷积注意力模块；同时，使用K均值聚类算法聚类分析漂浮物尺寸信息，所述K均值聚类算法中，以面积交并比作为准则函数。2.如权利要求1所述的融合注意力机制的漂浮物目标检测方法，其特征在于，训练所述漂浮物目标检测模型时，获取训练用样本图像信息后，对样本图像信息进行标注，通过空间变换和色域变换对标注后的样本图像进行数据增广。3.如权利要求1所述的融合注意力机制的漂浮物目标检测方法，其特征在于，所述YOLOv4
‑
tiny模型包括骨架网络、颈部结构和预测端。4.如权利要求1所述的融合注意力机制的漂浮物目标检测方法，其特征在于，所述卷积注意力模块包括通道注意力模块和空间注意力模块，所述卷积注意力模块沿着通道和空间两个独立的维度依次推断注意力图，将注意力图和输入特征图相乘实现自适应地特征优化。5.如权利要求4所述的融合注意力机制的漂浮物目标检测方法，其特征在于，所述通道注意力模块通过探索输入特征的通道关系突出关键通道，抑制其余通道；对于输入特征，所述通道注意力模块分别进行全局最大池化和全局平均池化，池化结果输入共享权值的多层感知机进行处理，处理结果相加后取归一化获得每个通道的通道注意力权重。6.如权利要...

【专利技术属性】
技术研发人员：李传奇，任英杰，纪超，王倩雯，王薇，葛召华，
申请(专利权)人：山东大学，
类型：发明
国别省市：