【技术实现步骤摘要】
本专利技术涉及目标检测，具体来说涉及一种基于改进的特征金字塔网络和全局特征模块的yolox小烟梗检测方法。
技术介绍
1、传统上烟丝中的小烟梗是卷烟生产过程中的一个常见问题，会对卷烟产品的品质产生严重影响，严重时甚至会影响吸烟者的健康。传统的小烟梗检测方法主要依靠人工进行定期抽检，但人工抽检存在耗时耗力、效率低下且存在误判、漏检的风险，难以满足现代卷烟生产的高效、精准和可靠要求。
2、为了提高烟丝中小烟梗检测的精度，目前基于深度学习的缺陷检测方法是研究的热点，如faster rcnn、yolo系列目标检测算法等。其中yolo系列中的yolox是一个热门的检测模型，在目标检测方面具有良好的表现。它将无锚机制、新的标签分配策略和解耦头部与先前的yolo系列框架结构相结合，显著提高了目标检测性能和速度。在输入端使用混合和马赛克两种数据增强方法，并使用cspdarknet作为特征提取网络。特征提取网络输出的三个有效特征层进入特征金字塔网络panet，通过自底向上和自顶向下的方法丰富特征层的特征信息。在网络的预测头部中，与之前的yolo系列同时执行回归和分类检测任务不同，预测头部分为两个分支分别执行回归和分类任务，既加快了网络检测速度，又提高了目标定位和分类的准确性。
3、然而，由于小烟梗的像素特征所占比例较小,可能只有几十个甚至几个像素大小，传统yolox模型中特征金字塔网络panet的多次卷积，可能会导致小烟梗的特征信息丢失，导致无法检测到小烟梗；传统yolox模型中进行的多次上采样和下采样后的特征堆叠操作造成
技术实现思路
1、为了克服
技术介绍
中存在的：
2、(1)人工抽检存在耗时耗力、效率低下且存在误判、漏检的风险；
3、(2)传统yolox模型在检测小烟梗时会出现的小烟梗的特征信息丢失导致无法检测到小烟梗的情况和受到周围烟丝等杂质干扰导致检测的准确度下降问题。
4、本专利技术提出了一种基于改进的特征金字塔网络和全局特征模块的yolox小烟梗检测方法，包括收集烟丝烟梗图片数据，分为训练集和测试集，还包括：
5、使用训练集训练所述改进的yolox小烟梗检测模型；
6、使用测试集测试所述改进的yolox小烟梗检测模型；
7、所述改进的yolox小烟梗检测模型包括输入模块、骨干特征提取网络模块、改进的特征金字塔网络模块、新增的全局特征模块和检测头模块。
8、优选的，所述改进的特征金字塔网络模块包括传统的特征金字塔网络部分、新增的3次通道注意力机制和新增的3次跨层融合步骤；
9、所述新增的3次通道注意力机制位置在所述改进的特征金字塔网络模块的输入端，所述改进的特征金字塔网络模块的输入端分别接收骨干特征提取网络模块的最深层的输出特征、次深层的输出特征和更次深层的输出特征；
10、所述新增的3次跨层融合步骤为改进的特征金字塔网络模块将经过新增的3次通道注意力机制处理的输入特征与所述输入特征再经过传统的特征金字塔网络部分处理后的新输入特征在所述改进的特征金字塔网络模块的输出端进行融合。
11、优选的，所述通道注意力机制包括对输入特征分别进行全局平均池化和全局最大池化操作；
12、使用共享全连接层对所述全局平均池化和全局最大池化操作的结果进行处理，然后使用sigmoid函数对所述共享全连接层的处理结果进行求和激活，激活后得到通道注意权值图；
13、将所述通道注意权值图与最开始的输入特征相乘，得到所述通道注意力机制的输出；
14、公式描述为:
15、
16、优选的，所述新增的全局特征模块在改进的特征金字塔网络模块与检测头模块之间，所述新增的全局特征模块的输入为改进的特征金字塔网络模块的输出，所述新增的全局特征模块的输出为检测头模块的输入，所述新增的全局特征模块包括3次空间自注意机制。
17、优选的，所述空间自注意机制包括将任意维度为c*h*w的输入特征x，首先进行卷积运算，分别生成查询矩阵q、键矩阵k和值矩阵v；
18、对所述查询矩阵q进行维度转换操作和转置操作，对所述键矩阵k进行维度转换操作，对所述值矩阵v进行维度转换操作，所述维度转换操作为将c*h*w的维度转换为c'*h*w维度，所述c'＝1/8；
19、将所述查询矩阵q进行维度转换操作和转置操作的结果与所述键矩阵k进行维度转换操作的结果进行矩阵乘法运算，使用softmax函数激活所述矩阵乘法运算的结果，得到自注意机制权值图，所述自注意机制权值图包含输入特征x中每个特征点的全局依赖关系，即所述每个特征点对自身和对其他特征点的关注程度，公式描述为：
20、a＝softmax(qtk),a∈rn*n (2)
21、将所述自注意机制权值图与所述值矩阵v进行维度转换操作后的结果进行矩阵乘法运算，将所述矩阵乘法运算的结果进行维度转换操作，将所述维度转换操作后的结果与最开始的输入特征x进行特征融合操作，得到所述空间自注意机制的结果，公式描述为:
22、x′＝αva+x，x′∈rc*n (3)
23、其中a为可学习权值，x为残差连接，所述x'的维数与最开始的输入特征的维数相同，即c*h*w。
24、本专利技术的有益技术效果是：
25、(1)通过采取深度学习算法检测烟丝中的小烟梗的方式，将检测工作交给了计算机，克服了传统的人工操作带来的耗时耗力、效率低下且存在误判、漏检的风险的问题。
26、(2)通过改进的特征金字塔网络模块和新增的全局特征模块改进了传统的yolox模型。其中：改进的特征金字塔网络模块中的通道注意力机制和3次跨层融合可以使得本专利技术的模型给表征小烟梗特征好的通道赋予更大的权重，来增强网络对小烟梗目标的关注，同时有效解决了小烟梗信息丢失的问题；新增的全局特征模块中的空间自注意机制用来增强本专利技术的模型对小烟梗的全局特征的关注，允许本专利技术的模型在预测物体之前捕获小物体的全局依赖性，以减少周围烟丝等杂质特征的干扰，有效解决了传统yolox模型检测小烟梗时出现的小烟梗特征信息丢失导致无法检测到小烟梗的情况和受到周围烟丝等杂质干扰导致检测的准确度下降的问题。在实践中，本专利技术的模型提高了对烟丝中小烟梗的检测效果，在几个像素到几十个像素范围内达到了良好的检测率，满足现代卷烟生产的高效、精准和高质量要求。
本文档来自技高网...【技术保护点】
1.一种基于改进的特征金字塔网络和全局特征模块的YOLOX小烟梗检测方法，包括收集烟丝烟梗图片数据，分为训练集和测试集，其特征在于：还包括：
2.根据权利要求1所述的基于改进的特征金字塔网络和全局特征模块的YOLOX小烟梗检测方法，其特征在于：所述改进的特征金字塔网络模块包括传统的特征金字塔网络部分、新增的3次通道注意力机制和新增的3次跨层融合步骤；
3.根据权利要求2所述的基于改进的特征金字塔网络和全局特征模块的YOLOX小烟梗检测方法，其特征在于：所述通道注意力机制包括对输入特征分别进行全局平均池化和全局最大池化操作；
4.根据权利要求1所述的基于改进的特征金字塔网络模块和全局特征模块的YOLOX小烟梗检测方法，其特征在于：所述新增的全局特征模块在改进的特征金字塔网络模块与检测头模块之间，所述新增的全局特征模块的输入为改进的特征金字塔网络模块的输出，所述新增的全局特征模块的输出为检测头模块的输入，所述新增的全局特征模块包括3次空间自注意机制。
5.根据权利要求4所述的新增的全局特征模块包括3次空间自注意机制，其特征在于：所述的空
...【技术特征摘要】
1.一种基于改进的特征金字塔网络和全局特征模块的yolox小烟梗检测方法，包括收集烟丝烟梗图片数据，分为训练集和测试集，其特征在于：还包括：
2.根据权利要求1所述的基于改进的特征金字塔网络和全局特征模块的yolox小烟梗检测方法，其特征在于：所述改进的特征金字塔网络模块包括传统的特征金字塔网络部分、新增的3次通道注意力机制和新增的3次跨层融合步骤；
3.根据权利要求2所述的基于改进的特征金字塔网络和全局特征模块的yolox小烟梗检测方法，其特征在于：所述通道注意力机制包括对输入特征分别进行全局平均池化和全局最大池化操作；...
【专利技术属性】
技术研发人员：李嘉康，林志平，罗靖，苏子淇，洪伟龄，王道铨，吴国忠，罗旻晖，徐大勇，堵劲松，
申请(专利权)人：中国烟草总公司郑州烟草研究院，
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。