【技术实现步骤摘要】
本专利技术涉及图像目标检测，更具体的说是涉及一种基于sma-yolo模型的目标检测方法及系统。
技术介绍
1、随着现代社会经济迅速发展，车辆数量飞速增长，导致交通拥堵日益严重，交通安全事故频发。车辆检测技术作为智慧交通系统的核心和基础，在智能交通领域发挥着重要的作用，是实现道路智能化管理的重要技术之一，被广泛应用于无人驾驶、交通事故检测、违规驾驶检测、规划车辆行驶路径等领域，受到了研究人员的广泛关注与研究。但目前车辆检测技术仍然存在着检测精度和速度有限，无法满足实时准确的完成车辆检测任务的问题，并且车辆检测算法复杂，对设备的计算能力要求较高，难以在嵌入式设备上部署。
2、当前车辆检测技术分为传统的基于视觉检测、基于无线传感器和基于深度学习的目标检测算法。传统的车辆检测方法通过滑动窗口来选择候选区域、人工提取区域特征和对特征进行分类，但此方法的缺点是冗余窗口多、耗时长、检测效率低、漏检和误检率较高、对设备要求高，并且人工设置特征的鲁棒性和泛化性能较差，难以完成复杂环境下的检测任务。基于传感器的车辆检测方法是当前停车场车辆检测的主流方法，利用超声波、微波、地磁和电感线圈等技术来实现车辆检测，但此种方法的缺点是安装过程繁琐，对环境的要求较高，不适用于复杂的道路交通场景。随着深度学习技术的发展，基于深度学习的目标检测方法逐渐成为了研究热点，目前基于深度学习的目标检测算法分为两类：基于回归的单阶段算法和基于候选区域的两阶段算法。两阶段算法的代表算法有r-cnn、fast r-cnn、fasterr-cnn等，这种算法的优点是定
技术实现思路
1、有鉴于此，针对目前的目标检测算法在复杂的交通道路场景中效果仍不够理想和难以在嵌入式平台上部署等问题，为了提高车辆检测模型的灵活度和泛化性能，以满足不同环境的需求，对模型进行轻量化处理。
2、为了实现上述目的，本专利技术提供如下技术方案：
3、一种基于sma-yolo模型的目标检测方法，包括以下步骤：
4、获取带有目标检测物的图像数据集；
5、对yolov7模型进行改进，得到sma-yolo模型；
6、将所述图像数据集输入所述sma-yolo模型中进行训练，得到目标检测模型；
7、使用所述目标检测模型对待检测图像进行目标检测，输出目标检测结果。
8、可选的，所述目标检测物为道路车辆，则带有目标检测物的图像数据集为道路车辆图像数据集，所述道路车辆图像数据集中包含若干种不同类型车辆的道路车辆图像。
9、可选的，所述对yolov7模型进行改进，得到sma-yolo模型的具体方法为：
10、使用mobilenetv3作为主干网络，替代yolov7模型的原主干网络；
11、在主干网络中引入simam注意力机制；
12、使用acon激活函数替换yolov7模型中初始的silu激活函数；
13、使用siou回归损失函数替换yolov7模型中初始的ciou回归损失函数。
14、可选的，acon激活函数的表达式为
15、
16、其中：x为输入数据，e(x)为输入数据的均值，e(|x|)2为输入数据的方差，α为缩放因子，β为第一偏移因子，∈为正数，γ为第二偏移因子，p1和p2是元学习中学习到的参数。
17、可选的，siou回归损失函数的表达式为：
18、
19、其中：iiou代表预测框和真实框之间的交并比，δ表示距离成本，ω表示形状成本。
20、可选的，距离成本δ的计算公式为：
21、
22、其中：ε和ρt是用来调节距离成本函数的超参数，当t取值为x和y时，ρx，ρy和ε的计算公式分别为：
23、
24、
25、ε＝2-λ
26、其中：λ表示角度成本，表示预测框的中心坐标，表示真实框的中心坐标。
27、可选的，角度成本λ的计算公式为：
28、
29、
30、
31、
32、其中：表示预测框的中心坐标，表示真实框的中心坐标，α表示预测框和真实框之间的角度差异。
33、可选的，形状成本ω的计算公式为：
34、
35、其中：wt和θ为用来调节形状成本函数形状的超参数，θ的范围设置为2到6，当t取值为w和h时，ωw和ωh的计算公式分别为：
36、
37、
38、其中：w和h分别为预测框的宽和高，wgt和hgt分别表示真实框的宽和高。
39、一种使用上述任一项所述目标检测方法的目标检测系统，包括：
40、图像数据集获取模块，用于获取带有目标检测物的图像数据集；
41、模型改进模块，用于对yolov7模型进行改进，得到sma-yolo模型；
42、模型训练模块，用于将所述图像数据集输入所述sma-yolo模型中进行训练，得到目标检测模型；
43、目标检测模块，用于使用所述目标检测模型对待检测图像进行目标检测，输出目标检测结果。
44、经由上述的技术方案可知，本专利技术提供了一种基于sma-yolo模型的目标检测方法及系统，与现有技术相比，具有以下有益效果：
45、本专利技术为了将模型进行轻量化处理，因此使用mobilenetv3替代原主干网络，作为新的特征提取网络；为了弥补将主干网络轻量化而引起的精度损失，因此使用acon激活函数替换yolov7网络中初始的silu激活函数，提高模型的泛化能力和各特征层的信息传递效率；还在主干网络中加入simam注意力模块，提高了模型提取特征的能力；最后使用siou对损失函数进行优化，提升了模型的检测性能。本专利技术使用构建的sma-yolo模型进行数据集的训练和目标检测，不仅达到了在不降低模型的精度的前提下，将模型进一步轻量化，并且显著地提高了模型的检测速度。
本文档来自技高网...【技术保护点】
1.一种基于SMA-YOLO模型的目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于SMA-YOLO模型的目标检测方法，其特征在于，所述目标检测物为道路车辆，则带有目标检测物的图像数据集为道路车辆图像数据集，所述道路车辆图像数据集中包含若干种不同类型车辆的道路车辆图像。
3.根据权利要求1所述的一种基于SMA-YOLO模型的目标检测方法，其特征在于，所述对YOLOv7模型进行改进，得到SMA-YOLO模型的具体方法为：
4.根据权利要求3所述的一种基于SMA-YOLO模型的目标检测方法，其特征在于，ACON激活函数的表达式为
5.根据权利要求3所述的一种基于SMA-YOLO模型的目标检测方法，其特征在于，SIoU回归损失函数的表达式为：
6.根据权利要求5所述的一种基于SMA-YOLO模型的目标检测方法，其特征在于，距离成本Δ的计算公式为：
7.根据权利要求6所述的一种基于SMA-YOLO模型的目标检测方法，其特征在于，角度成本Λ的计算公式为：
8.根据权利要求5所述的一种
9.一种使用权利要求1-8任一项所述目标检测方法的目标检测系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于sma-yolo模型的目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于sma-yolo模型的目标检测方法，其特征在于，所述目标检测物为道路车辆，则带有目标检测物的图像数据集为道路车辆图像数据集，所述道路车辆图像数据集中包含若干种不同类型车辆的道路车辆图像。
3.根据权利要求1所述的一种基于sma-yolo模型的目标检测方法，其特征在于，所述对yolov7模型进行改进，得到sma-yolo模型的具体方法为：
4.根据权利要求3所述的一种基于sma-yolo模型的目标检测方法，其特征在于，acon激活函数的表...
【专利技术属性】
技术研发人员：铁治欣，宋滢锟，陶灵兵，陈燕兵，
申请(专利权)人：浙江理工大学，
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。