【技术实现步骤摘要】
本专利技术涉及计算机视觉，特别是一种基于改进ca注意力机制的yolov7路面垃圾检测方法。
技术介绍
1、在当今社会，城市化进程不断加速，城市街道和道路成为人们日常生活的重要组成部分，监控摄像头已然覆盖各类公共场所。然而，随着城市人口的增加，路面垃圾问题日益凸显，给城市环境的整洁和居民的生活质量带来了严重挑战。传统的路面垃圾清理方大多采取定时清洁的方法，一方面传统的定时清洁方法往往是按照固定的时间表进行，不论路面垃圾的实际积聚情况，这可能导致清洁人员频繁出动，浪费人力资源和时间，同时也可能错过某些需要紧急清理的情况。另一方面，垃圾的积聚情况难以预测，可能会受到气候、人流量等因素的影响。传统方法很难及时得知何时和何地需要进行清理，可能导致资源的浪费或紧缺。而通过实时监控可以提供实时性，能够连续采集道路的图像和视频流，实时传输至中央服务器，使城市管理者可以即时了解不同区域的垃圾状况。这种实时性使得城市管理部门能够快速响应，及时采取措施进行垃圾清理，有效减少垃圾积聚问题，一定程度上解决了路面垃圾。因此，开发一种高效准确的路面垃圾检测方法对于城市环境的维护至关重要。
2、关于现有的路面垃圾检测技术中存在以下技术缺陷：
3、1、现有的技术手段主要采用人工排查，但此种方法通常需要大量清洁人员进行巡逻和清理。这种人工操作不仅费时费力，还可能存在人员调度不足或过剩的问题，导致资源浪费。
4、2、现有的基于yolov7的路面垃圾检测方法存在许多问题，如检测速度不够快、检测精度较低、泛化能力有限；
5
6、基于以上三点，目前尚无基于改进ca注意力机制的yolov7路面垃圾检测方法。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于改进ca注意力机制的yolov7路面垃圾检测方法，能够准确有效地进行路面垃圾目标检测。
2、为实现上述目的，本专利技术采用如下技术方案：一种基于改进ca注意力机制的yolov7路面垃圾检测方法，包括以下步骤：
3、步骤s1：在城市道路不同场景下的监控视角下采集大量路面垃圾图像数据，并进行图像大小的统一化和标注信息的整理，以构建适用于模型训练的路面垃圾数据集；
4、步骤s2：对路面垃圾数据集进行数据增强，采用gan-based与sma融合的数据增强技术，扩展原始数据集的规模，增加训练数据的多样性，提高模型的泛化能力，使其能够更好地处理各种情况和变化；
5、步骤s3：设计基于yolov7算法的路面垃圾检测网络，该网络包括特征提取主干网络、可变卷积网络和改进的ca注意力机制；可变卷积网络根据输入图像的不同特征，自适应地调整卷积核的形状和大小，从而提取不同大小的特征，更好地检测不同尺寸的垃圾目标；改进的ca注意力机制用于增强网络对重要特征的关注度，提升垃圾目标的检测精度；
6、步骤s4：将经过数据增强的路面垃圾数据集输入到网络中进行模型训练；利用siou作为边框损失函数，优化边界框回归任务中的样本不平衡问题，加速网络的收敛，自动调整参数以提高检测结果的准确性，以此得到高效准确的路面垃圾检测模型；
7、步骤s5：将待检测的路面垃圾图像输入已训练好的垃圾检测模型，实现对路面垃圾的准确检测与定位，输出包含垃圾位置信息的检测图像。
8、在一较佳的实施例中，步骤s1具体包括以下步骤：
9、步骤s11：通过摄像头采集与爬虫等方式，采集大量监控视角下的路面垃圾图像数据；
10、步骤s12：将收集到的路面垃圾图像利用labelimg标注为yolo格式，构建初始数据集。
11、在一较佳的实施例中：步骤s2具体包括以下步骤：
12、步骤s21：采用gan-based dataaugmentation算法对初始的路面垃圾图像进行数据增强，利用生成对抗网络生成新的样本，从而扩充数据集；
13、步骤s22：将生成对抗网络所产生的新的数据集利用sma进行进一步的数据增强，sma在实现跨样本融合的同时能够增强数据信息表达能力；gan-based与sma融合的数据增强技术结合了生成对抗网络gan和样式化混合增强sma的优点，进一步提高数据多样性与解决数据不平衡问题，并且通过引入sma技术，gan可以从多个增强策略中选择，并在每次训练迭代中随机应用这些策略，以此生成更多样化的样本。
14、在一较佳的实施例中：步骤s3具体包括以下步骤：
15、步骤s31：将yolov7检测网络的卷积层改为可变卷积，通过在每个卷积核位置引入一个偏移量和一个形变量，来控制卷积核的形状和位置；在卷积操作中，通过对输入特征图进行插值和采样，根据偏移量和形变量来计算卷积核在不同位置的权重；
16、步骤s32：在yolov7检测模型中添加改进的ca注意力机制，将ca注意力机制传统的初始化策略改为使用自适应的初始化策略，使用小随机数初始化注意力权重，鼓励模型在训练早期探索不同通道的信息，帮助模型更好地探索通道注意力的潜在空间；ca注意力模块计算过程如下：
17、将3×3卷积层下采样得到的特征图分别沿着宽度和高度两个维度进行全局平均池化，保留特征图的空间结构信息，其计算公式如下：
18、
19、
20、其中ct为通道数，ht为通道的高，wt为通道的宽，表示高度为hg的第c通道沿水平方向上局部特征的集合，表示宽度为wh的第c通道沿垂直方向上局部特征的集合，x_gc(hg,i_e)表示输入特征图x_gc在(hg,i_e)处的值，x_gc(j_e,wh)表示输入特征图x_gc在(j_e,wh)处的值；
21、经过特征集合后，通过对宽度和高度方向生成的特征图进行卷积和联结操作获得具有空间信息的中间特征图f_ga，其公式表示为：
22、f_ga＝δ(f1(concat(zh,zw)))
23、其中是在两个维度上输出的中间特征图，rat为控制块大小的缩减比，δ为激活函数，f1为共享的1×1卷积变换函数，concat为联结操作，zh为高度方向的特征图，zw为宽度方向的特征图；
24、将特征图沿着空间维数分割为两个独立的张量f_gah和f_gaw；利用另外两个1×1卷积fh和fw分别对f_gah和f_gaw进行变换，之后经过sigmoid激活函数，分别得到两个维度上的注意力权重；计算公式如下：
25、gh＝σ(fh(f_gah))
26、gw＝σ(fw(f_gaw))
27、其中σ为sigmoid激活函数，gh为高度方向上的注意力权重，gw为宽度方向上的注意力权重；
28、经过上述运算，得到输入特征图在高和宽两个方向上的权重gh和gw；最后一步是进行乘法加权运算，用原始的特征图与注意力权重进行乘法运算，本文档来自技高网...
【技术保护点】
1.一种基于改进CA注意力机制的YOLOv7路面垃圾检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于改进CA注意力机制的YOLOv7路面垃圾检测方法，其特征在于，步骤S1具体包括以下步骤：
3.根据权利要求1所述的一种基于改进CA注意力机制的YOLOv7路面垃圾检测方法，其特征在于，步骤S2具体包括以下步骤：
4.根据权利要求1所述的一种基于改进CA注意力机制的YOLOv7路面垃圾检测方法，其特征在于：步骤S3具体包括以下步骤：
5.根据权利要求书1所述的一种基于改进CA注意力机制的YOLOv7路面垃圾检测方法，其特征在于：步骤S4具体包括以下步骤：
6.根据权利要求书1所述的一种基于改进CA注意力机制的YOLOv7路面垃圾检测方法，其特征在于：步骤S5具体包括以下步骤：
【技术特征摘要】
1.一种基于改进ca注意力机制的yolov7路面垃圾检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于改进ca注意力机制的yolov7路面垃圾检测方法，其特征在于，步骤s1具体包括以下步骤：
3.根据权利要求1所述的一种基于改进ca注意力机制的yolov7路面垃圾检测方法，其特征在于，步骤s2具体包括以下步骤：
4.根据权利...
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。