【技术实现步骤摘要】
本申请属于一种目标识别方法，具体涉及一种基于yolo-i模型的小目标识别方法及相关装置。
技术介绍
1、世界电力建设行业，包括发电厂、能源基础设施及相关设施的建设，一直在迅速扩张，以满足全球日益增长的电力和能源需求。随着世界电力建设项目的不断发展，安全隐患层出不穷。因此，必须实施安全的施工标准，对电力施工场景违章行为进行监控以尽量减少事故风险。传统的人工监管虽然在电力建设项目中很常见，但存在耗时、低效、主观性强等局限性。因此，使用人工智能的方法来识别电力施工场景人员的行为，例如安全帽佩戴、绝缘手套佩戴等，作为预防和减少安全事故发生的一种手段是非常实用的。但是，电力建设工地室外环境宽阔，室内空间狭窄，要素复杂，小目标物体缺乏突出的特征和纹理，会使人工智能方法中的模型难以将小目标物体与外观相似的其他物体，或杂乱的背景区分开来。
技术实现思路
1、本申请的目的在于解决目前采用人工智能方法识别电力施工场景中人员行为时，小目标物体难以识别的技术问题，提出一种基于yolo-i模型的小目标识别方法及相关装置。
2、为了实现上述目的，本申请采用以下技术方案予以实现：
3、第一方面，本申请提出一种基于yolo-i模型的小目标识别方法，包括：
4、获取待识别图像；
5、将所述待识别图像输入至训练后的yolo-i模型，得到待识别图像中的小目标边框和对应类别；
6、所述yolo-i模型包括主干网络、颈部网络和检测网络；
7、所述主干网
8、所述颈部网络，用于通过特征金字塔网络和路径聚合网络对所述多维特征图进行高分辨率重构，得到聚合后的特征图；
9、所述检测网络，用于对聚合后的特征图进行小目标识别预测，得到待识别图像中的小目标边框和对应类别。
10、进一步地，所述四卷积并行模块包括四个深度可分离卷积层，分别记作x1、x2、x3、x4；
11、所述x1的卷积核为3×3，x2的卷积核为1×9，x3的卷积核为9×1，x4的卷积核为1×1；
12、所述x1、x2、x3、x4的深度均为超参数。
13、进一步地，所述按照四个卷积层的排列方向进行拼接，得到特征矩阵zconcat，包括：
14、通过下式得到特征矩阵zconcat：
15、
16、其中，表示通过卷积层xi生成的特征图，ki表示特征图统一大小参数，*表示卷积。
17、进一步地，所述通过特征金字塔网络和路径聚合网络对所述多维特征图进行高分辨率重构，得到聚合后的特征图，包括：
18、将所述多维特征图输入特征金字塔网络，特征金字塔网络自顶向下利用双线性插值法进行上采样操作，将高层次的强语义特征传递到低层次，得到多尺度特征；
19、将所述多尺度特征输入到路径聚合网络，进行高层次、中层次和低层次特征图聚合，得到聚合后的特征图。
20、进一步地，所述对聚合后的特征图进行小目标识别预测，得到待识别图像中的小目标边框和对应类别，包括：
21、检测网络对聚合后的特征图进行框定，根据框定的特征信息进行结果分类并标记，输出含有锚定框和类别信息的图像，得到待识别图像中的小目标边框和对应类别。
22、进一步地，所述训练后的yolo-i模型的训练方法，包括：
23、选择包含小目标的图像作为数据集样本；
24、对数据集样本进行图像扩充，得到扩充后的数据集样本；
25、对扩充后的数据集样本中的低光图像进行可见性提升，得到提升后的数据集样本；
26、对提升后的数据集样本中的图像进行重放，统一图像的分辨率和尺寸，得到统一后的数据集样本；
27、对统一后的数据集样本中的图像进行标注，并分配相应的标签，得到标注后的数据集样本；
28、采用标注后的数据集样本对yolo-i模型进行训练，得到训练后的yolo-i模型。
29、第二方面，本申请提出一种基于yolo-i模型的小目标识别系统，包括：
30、获取模块，用于获取待识别图像；
31、识别模块，用于将所述待识别图像输入至训练后的yolo-i模型，得到待识别图像中的小目标边框和对应类别；
32、所述yolo-i模型包括主干网络、颈部网络和检测网络；
33、所述主干网络，用于采用inceptionconv网络对待识别图像进行处理，生成多维特征图；
34、所述颈部网络，用于通过特征金字塔网络和路径聚合网络对所述多维特征图进行高分辨率重构，得到聚合后的特征图；
35、所述检测网络，用于对聚合后的特征图进行小目标识别预测，得到待识别图像中的小目标边框和对应类别。
36、第三方面，本申请提出一种电子设备，包括：
37、存储器，用于存储计算机程序；
38、处理器，用于执行所述计算机程序时实现上述基于yolo-i模型的小目标识别方法的步骤。
39、第四方面，本申请提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述基于yolo-i模型的小目标识别方法的步骤。
40、与现有技术相比，本申请具有以下有益效果：
41、本申请提出一种基于yolo-i模型的小目标识别方法，通过优化改进的yolo-i模型对待识别图像进行识别，获取待识别图像中的小目标边框和对应类别，yolo-i模型中的主干网络采用inceptionconv网络，检测的准确性更高且计算量更少，提高了实用性。相较于现有的人工智能方法，经实际验证，本申请在电力施工场景下，能够准确识别如头盔、香烟等小目标，平均精度、召回率、分类性能和精确率均能够达到较高水平。另外，相较于标准的yolo模型，针对相同的测试集进行对比，达到更高识别准确性的同时，识别效率更高。因此，本申请的识别方法能够在电力施工场景完成准确识别，尤其是是针对小目标的识别，优势更加明显，能够排除背景中外观相似的其他物体，或杂乱的背景。
42、本申请还提出了一种基于yolo-i模型的小目标识别系统、电子设备和计算机可读存储介质，能够通过不同的硬件形式实现上述识别方法，具备上述识别方法的全部优势。本文档来自技高网...
【技术保护点】
1.一种基于Yolo-I模型的小目标识别方法，其特征在于，包括：
2.根据权利要求1所述一种基于Yolo-I模型的小目标识别方法，其特征在于，所述四卷积并行模块包括四个深度可分离卷积层，分别记作X1、X2、X3、X4；
3.根据权利要求2所述一种基于Yolo-I模型的小目标识别方法，其特征在于，所述按照四个卷积层的排列方向进行拼接，得到特征矩阵Zconcat，包括：
4.根据权利要求1至3任一所述一种基于Yolo-I模型的小目标识别方法，其特征在于，所述通过特征金字塔网络和路径聚合网络对所述多维特征图进行高分辨率重构，得到聚合后的特征图，包括：
5.根据权利要求4所述一种基于Yolo-I模型的小目标识别方法，其特征在于，所述对聚合后的特征图进行小目标识别预测，得到待识别图像中的小目标边框和对应类别，包括：
6.根据权利要求5所述一种基于Yolo-I模型的小目标识别方法，其特征在于，所述训练后的Yolo-I模型的训练方法，包括：
7.一种基于Yolo-I模型的小目标识别系统，其特征在于，包括：
8.
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于Yolo-I模型的小目标识别方法的步骤。
...【技术特征摘要】
1.一种基于yolo-i模型的小目标识别方法，其特征在于，包括：
2.根据权利要求1所述一种基于yolo-i模型的小目标识别方法，其特征在于，所述四卷积并行模块包括四个深度可分离卷积层，分别记作x1、x2、x3、x4；
3.根据权利要求2所述一种基于yolo-i模型的小目标识别方法，其特征在于，所述按照四个卷积层的排列方向进行拼接，得到特征矩阵zconcat，包括：
4.根据权利要求1至3任一所述一种基于yolo-i模型的小目标识别方法，其特征在于，所述通过特征金字塔网络和路径聚合网络对所述多维特征图进行高分辨率重构，得到聚合后的特征图，包括：
5.根据权利...
【专利技术属性】
技术研发人员：郭海龙，吉龙军，史博，吴俭民，郭秋池，安泰康，窦衍华，秦若钦，梁鑫浩，胡飞虎，
申请(专利权)人：国网甘肃省电力公司兰州供电公司，
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。