System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于车辆检测,特别涉及基于yolov7-tiny目标检测模型的危化品车辆检测方法。
技术介绍
1、当今社会,化工原料作为工业生产的基础,支撑着制造业的蓬勃发展,然而,绝大部分化工原料常常具有危险性,危化品的本质决定了它们在运输过程中可能引发爆炸、火灾、有毒气体泄漏等严重事故,这些事故可能导致人员伤亡、生态破坏、财产损失和环境污染等严重后果,监管机构需要确保危化品车辆在运输过程中遵循严格的安全标准,降低事故发生的概率,减少其危害程度,因此,危化品车辆在运输过程中的实时监测具有重要的研究意义。
2、近年来,基于深度学习的车辆检测方法逐渐兴起,这类方法能够自动从数据中学习特征,从而在各种场景下取得了出色的检测性能,基于深度学习的车辆检测方法可分为双阶段检测方法和单阶段检测方法两类,在双阶段检测方法中,r-cnn系列模型是极为优秀的代表,tang等人提出了一种基于fasterr-cnn的改进车辆检测方法,该方法通过采用高阶区域建议网络(hrpn)提高召回率,并使用级联的提升分类器来验证候选区域,以减少误报,解决了现有方法在航空图像中应用时存在的局限性,beery等人提出了contextr-cnn,该方法基于注意力机制,利用相机中未标记帧的时间上下文特征来提高目标检测性能,同时,该方法可以索引长期记忆库并聚合其他帧的上下文特征,以提升当前帧上的目标检测性能。
3、单阶段检测方法相比于双阶段检测方法具有更快的检测速度且能够提供更精确的边界框,单阶段方法直接从输入图像中预测目标的位置和类别,无需先进行候选区域
4、但现有模型中普遍存在特征崩塌现象,模型中存在着冗余的特征信息,颈部特征聚合能力也不佳,这些问题直接影响了模型的检测精度和检测效果,导致危化品车辆检测平均精度不高。
技术实现思路
1、专利技术目的:本专利技术提出了一种用于危化品车辆检测的改进yolov7-tiny方法,使模型能够学习到更加丰富的危化品车辆特征信息,提高模型泛化能力,且使得深层网络中大目标的特征信息更加丰富,三方面相结合,显著的提高了危化品车辆检测平均精度。
2、技术方案:本专利技术提出了一种用于危化品车辆检测的改进yolov7-tiny方法,包括如下步骤:
3、s1、搜集包含危化品车辆目标的图片数据集,对数据集中的每一个图片进行标注,得到标签文件,将制作好的数据集划分为训练集、测试集、验证集;
4、s2、对yolov7-tiny模型进行更改,得到改进后的yolov7-tiny模型,所述改进后的yolov7-tiny模型包括在将全局响应归一化融入卷积模块以提高神经元活跃度、将压缩激励模块融入快速空间金字塔池化模块以抑制无用特征信息、将主干网络中丰富的语义信息送入模型颈部以帮助模型聚合浅层网络中丰富的特征;
5、s3、将训练集和测试集输入改进后的yolov7-tiny模型进行训练,得到权重文件;
6、s4、使用所述权重文件检测测试集中的图片,检测结果包含危化品运输车、货车、大巴车和小汽车。
7、进一步地,所述步骤s1具体为:
8、1)获取交通道路场景中包含危化品运输车、货车、大巴车和小汽车的图片,将这些图片转换为jpg格式的文件并以车辆类别名称命名;
9、2)使用标注软件对所有的图片进行标注,标注由左上角点、左下角点、右上角点、右下角点四部分组成,其中左上角点与左下角点在x轴上的坐标相同,右上角点与右下角点在x轴上的坐标相同;
10、3)标注的左上角点具体为车辆目标在x轴最左边的点和y轴最上面的点,左下角点具体为车辆目标在x轴最左边的点和y轴最下面的点,右上角点具体为车辆目标在x轴最右边的点和y轴最上面的点,右下角点具体为车辆目标在x轴最右边的点和y轴最下面的点,这四个点共同组成一个矩形标注框;
11、4)将所有的图片文件名称与对应标签文件名称修改一致。
12、5)将制作好的数据集按照8:2:2的比例划分训练集、测试集和验证集;
13、6)数据集中图片总数量为4363张,划分后训练集2617张,测试集873张,验证集873张。
14、进一步地,所述步骤s2中卷积模块的改进具体步骤为:
15、1)将卷积模块组成分为4部分,分别是二维卷积、批量归一化、silu激活函数和全局响应归一化;
16、2)改进后卷积模块的具体结构为,特征图首先经过二维卷积处理,其次经过批量归一化处理,再经过silu激活函数进行非线性激活,最后经过全局响应归一化处理增加通道的对比度和选择性;
17、3)全局响应归一化分为全局特征聚合、特征归一化、特征校准三个步骤;
18、4)全局特征聚合具体为,对于输入特征x∈rh×w×c,通过全局函数g(·)将空间特征图xi聚合到矢量gx中,得到一组聚合值g(x)=gx={||x1||,||x2||,...||xc||}∈rc,g(x)i=||xi||是聚合第i个通道统计信息的标量;
19、5)经过全局特征聚合后,使用响应归一化函数n(·)处理聚合值,计算公式为:
20、
21、其中,||xi||是第i个通道的l2范数;
22、6)经过响应归一化函数后,使用计算出的特征归一化分数来校准原始输入响应,校准原始输入响应的函数中包含了γ和β两个可学习参数,计算公式为:
23、xi=γ*xi*n(g(x)i)+β+xi
24、其中,xi是第i个通道的特征信息;
25、改进后卷积模块中的神经元更加活跃,能够有效抑制特征崩塌现象,使模型学习到更加丰富的危化品车辆特征信息。
26、进一步地,所述步骤s2中空间金字塔池化模块的改进具体步骤为:
27、1)将空间金字塔池化模块的三个池化操作的池化核全部调整为5×5大小,并行处理改为串行处理,再将这三个池化操作的结果拼接在一起,以提高模块特征提取效率和运行速度;
28、2)以残差连接的方式将压缩激励模块融入到快速空间金字塔池化模块中,组成通道特征增强的快速空间金字塔池化模块;
29、改进后的空间金字塔池化模块有着更高的运行效率,能够抑制相对无用的特征并且更加关注重本文档来自技高网...
【技术保护点】
1.一种用于危化品车辆检测的改进YOLOv7-tiny方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种用于危化品车辆检测的改进YOLOv7-tiny方法,其特征在于,所述步骤S1具体为:
3.根据权利要求1所述的一种用于危化品车辆检测的改进YOLOv7-tiny方法,其特征在于,步骤S2中卷积模块的改进具体为:
4.根据权利要求1所述的一种用于危化品车辆检测的改进YOLOv7-tiny方法,其特征在于,步骤S2中空间金字塔池化模块的改进具体为:
5.根据权利要求1所述的一种用于危化品车辆检测的改进YOLOv7-tiny方法,其特征在于,步骤S2中路径聚合网络的改进具体为:
6.根据权利要求1所述的一种用于危化品车辆检测的改进YOLOv7-tiny方法,其特征在于,所述步骤S3具体为:
7.根据权利要求1所述的一种用于危化品车辆检测的改进YOLOv7-tiny方法,其特征在于,步骤S4具体操作为:
【技术特征摘要】
1.一种用于危化品车辆检测的改进yolov7-tiny方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种用于危化品车辆检测的改进yolov7-tiny方法,其特征在于,所述步骤s1具体为:
3.根据权利要求1所述的一种用于危化品车辆检测的改进yolov7-tiny方法,其特征在于,步骤s2中卷积模块的改进具体为:
4.根据权利要求1所述的一种用于危化品车辆检测的改进yolov7-tiny方法,其...
【专利技术属性】
技术研发人员:陈伯伦,王凌,刘步实,王珊珊,赵月,于翠莹,朱文婕,常恺露,孟宪淳,
申请(专利权)人:淮阴工学院,
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。