【技术实现步骤摘要】
本专利技术涉及机器人技术，特别是涉及一种多尺度陪护机器人目标检测方法、系统及电子设备。
技术介绍
1、近些年，人口老龄化问题严重，急需设计一款更加智能的陪护机器人，而陪护机器人离不开目标检测算法。目前，应用在家居方面的传统目标检测算法还不够健全，在检测的过程中，由于家庭环境比较复杂,容易出现错检、漏检的情况，检测的精度不够高、实时性不强，难以满足陪护机器人工作时的速度和精度要求。目前，可以用于家居检测方面的数据集还不够多，基于深度学习的目标检测算法由于其网络结构还不够完善，在检测过程中容易产生特征提取不完全、产生过拟合的情况，从而导致检测精度、速度达不到要求。
技术实现思路
1、专利技术目的：本专利技术的目的是提供一种多尺度陪护机器人家居目标检测方法。提高陪护机器人目标检测的准确度和实现实时性检测，从而提高陪护机器人的服务过程中的工作效率。
2、技术方案：本专利技术的一种多尺度陪护机器人目标检测方法，包括以下步骤：
3、构建改进的yolov5s网络模型，并利用机器人目标检测数据集进行训练；将训练好的模型在测试集上进行验证，利用验证后模型对采集的图像数据进行目标检测；
4、其中，改进的yolov5s网络模型在yolov5s网络模型基础上进行改进，包括：在特征提取模块backbone采用c2fse模块替换c3模块，在c2f模块的输出端加入se注意力机制模块构成c2fse模块，利用se注意力机制完成对特征图的加权提取；同时，在特征提取模块backbon
5、进一步的，改进的yolov5s网络模型的输入端采用gridmask数据增强方式。
6、进一步的，改进的yolov5s网络模型的输出端增加一个小的检测头，用于对小目标进行检测。
7、进一步的，改进的yolov5s网络模型总的损失函数中增加骰子系数损失，总的损失函数公式为：
8、loss＝βlossbox+γlssscls+θlossobj+ηlossdc
9、其中，loss为总的损失函数，lossbox为边界框损失函数，losscls为类别损失函数，lossobj为置信度损失，lossdc为骰子系数损失，β、γ、θ、η分别为边界框损失、类别损失、置信度损失和骰子系数损失的权重系数。
10、进一步的，机器人目标检测数据集为voc数据集，其生成方法为：首先采集图像数据，其次基于改进的wgan对抗生成网络生成图像数据，用于对采集的图像数据进行数量扩充，然后将采集的图像数据和生成的图像数据打包成一个文件夹，并对所有图片分别进行标注，生成对应的xml文件，最后将xml文件转换成txt文件，生成voc数据集。
11、进一步的，改进的wgan对抗生成网络在wgan对抗生成网络基础上增加校正器，并将网络中的激活函数替换成frelu激活函数，以减少网络的参数量，增强网络生成图像数据的真实性。
12、进一步的，采用python中的labelimg将采集的图像数据和生成的图像数据制作生成voc数据集。
13、进一步的，在利用机器人目标检测数据集对改进的yolov5s网络模型进行训练之前，还需要对机器人目标检测数据集进行尺度扩充，具体为：
14、利用高斯金字塔对机器人目标检测数据集进行预处理，将图像数据生成尺寸大小不一的图像，并提取原图像和生成的尺寸大小不一的图像的显著度，进行显著区域的特征学习，得到显著区域。
15、基于相同的专利技术构思，本专利技术的一种多尺度陪护机器人目标检测系统，包括：
16、模型构建与训练单元，用于构建改进的yolov5s网络模型，并利用机器人目标检测数据集进行训练；
17、以及测试及目标检测单元，用于利用训练好的模型在测试集上进行验证，利用验证后模型对采集的图像数据进行目标检测；
18、其中，改进的yolov5s网络模型在yolov5s网络模型基础上进行改进，包括：在特征提取模块backbone采用c2fse模块替换c3模块，在c2f模块的输出端加入se注意力机制模块构成c2fse模块，利用se注意力机制完成对特征图的加权提取；同时，在特征提取模块backbone还引入lstm网络，特征提取层提取特征后，将提取到的特征图作为lstm网络的输入，lstm网络在每个时间步骤上接收到特征图，并根据之前的特征图和当前时间步骤的特征图来学习特征之间的时序关系；特征融合模块neck采用了特征金字塔fpn和个人区域网络pan结合的机构，增强了网络的特征融合能力。
19、基于相同的专利技术构思，本专利技术的一种电子设备，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，所述计算机程序被加载至处理器时实现上述的多尺度陪护机器人目标检测方法的步骤。
20、有益效果：与现有技术相比，本专利技术的技术效果为：本专利技术将wgan对抗生成网络与yolov5s网络相结合，提升了陪护机器人目标检测的速度和精度；(1)该方法在wgan对抗生成网络中加入了校正器模块并将网络的激活函数替换成frelu函数，减少了网络的参数量，同时提升了网络生成图片的能力，构建了数据集，丰富了数据集的种类，为后续yolov5s的训练奠定基础；(2)该方法利用图像金字塔多尺度显著区域的特征学习，得到需要关注的显著区域，提升了检测的精度；(3)该方法将yolov5s网络输入端的数据增强方式改为gridmask数据增强方式，丰富了数据集的种类，提升了对小目标的检测能力，也增强了算法的鲁棒性；(4)该方法在yolov5s网络中backbone部分的c3模块改为c2f模块并在其中加入se注意力机制，提升了网络对关键信息的关注度，从而提升了网络检测的精确度；(5)该方法将lstm网络与yolov5s网络相结合，yolov5s网络经过特征提取层提取特征后，将提取到的特征图作为lstm网络的输入，因此，lstm可以在每个时间步骤上接收到特征图，并根据之前的特征和当前时间步骤的特征来学习特征之间的时序关系；通过在lstm中引入历史序列数据，例如前几帧的特征图，可以提供更多的上下文信息，从而提高目标检测的准确性；(6)该方法在yolov5s输出端添加了一个更小的检测头，增强网络对小目标的检测能力；(7)该方法提升了陪护机器人在家庭服务过程中目标检测的精度和效率，大大提升了陪护机器人的工作效率；(8)该方法通过将骰子系数损失放入yolov5s的损失函数中，可以促使模型在训练过程中优化分割结果，提高目标分割的准确性和精确性。
本文档来自技高网...【技术保护点】
1.一种多尺度陪护机器人目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种多尺度陪护机器人目标检测方法，其特征在于，改进的YOLOv5s网络模型的输入端采用Gridmask数据增强方式。
3.根据权利要求1所述的一种多尺度陪护机器人目标检测方法，其特征在于，改进的YOLOv5s网络模型的输出端增加一个小的检测头，用于对小目标进行检测。
4.根据权利要求1所述的一种多尺度陪护机器人目标检测方法，其特征在于，改进的YOLOv5s网络模型总的损失函数中增加骰子系数损失，总的损失函数公式为：
5.根据权利要求1所述的一种多尺度陪护机器人目标检测方法，其特征在于，机器人目标检测数据集为VOC数据集，其生成方法为：首先采集图像数据，其次基于改进的WGAN对抗生成网络生成图像数据，用于对采集的图像数据进行数量扩充，然后将采集的图像数据和生成的图像数据打包成一个文件夹，并对所有图片分别进行标注，生成对应的xml文件，最后将xml文件转换成txt文件，生成VOC数据集。
6.根据权利要求5所述的一种多尺度陪护机器人目标
7.根据权利要求5所述的一种多尺度陪护机器人目标检测方法，其特征在于，采用Python中的labelimg将采集的图像数据和生成的图像数据制作生成VOC数据集。
8.根据权利要求1所述的一种多尺度陪护机器人目标检测方法，其特征在于，在利用机器人目标检测数据集对改进的YOLOv5s网络模型进行训练之前，还需要对机器人目标检测数据集进行尺度扩充，具体为：
9.一种多尺度陪护机器人目标检测系统，其特征在于，包括：
10.一种电子设备，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，其特征在于，所述计算机程序被加载至处理器时实现权利要求1-8任一项所述的多尺度陪护机器人目标检测方法的步骤。
...【技术特征摘要】
1.一种多尺度陪护机器人目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种多尺度陪护机器人目标检测方法，其特征在于，改进的yolov5s网络模型的输入端采用gridmask数据增强方式。
3.根据权利要求1所述的一种多尺度陪护机器人目标检测方法，其特征在于，改进的yolov5s网络模型的输出端增加一个小的检测头，用于对小目标进行检测。
4.根据权利要求1所述的一种多尺度陪护机器人目标检测方法，其特征在于，改进的yolov5s网络模型总的损失函数中增加骰子系数损失，总的损失函数公式为：
5.根据权利要求1所述的一种多尺度陪护机器人目标检测方法，其特征在于，机器人目标检测数据集为voc数据集，其生成方法为：首先采集图像数据，其次基于改进的wgan对抗生成网络生成图像数据，用于对采集的图像数据进行数量扩充，然后将采集的图像数据和生成的图像数据打包成一个文件夹，并对所有图片分别进行标注，生成对应的xml文件，最后将xml文件转换成txt文件，生成...
【专利技术属性】
技术研发人员：张礼华，汪振耀，郑俭，王浩南，吴斌斌，
申请(专利权)人：江苏科技大学，
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。