【技术实现步骤摘要】
本申请涉及机器视觉和深度学习，具体为一种基于yolov5网络模型的图像优化方法及优化系统。
技术介绍
1、随着机器学习、机器视觉技术的迅速发展，人脸表情识别是当今的研究热点，通过对人脸表情进行识别，能够识别出人的多种特征。
2、目前较为成熟的表情识别方法有多种，例如局部二值模式(lbp)、方向梯度直方图(hog)、gabor小波变换等，先利用手工提取人脸特征，获取样本的渐层特征，实现对人脸表情的检测。
3、然而，在现有技术中，虽然通过各种方法均能实现对人脸表情的获取及识别，但是当被检测者处于复杂环境下时，传统的方法会产生检测准确率的问题，导致检测效果不好，并且大多数方法对于人脸识别都需要投入较多的算力资源，当硬件设备算力有限时，通常无法正常进行。
4、所以有必要提供一种基于yolov5网络模型的图像优化方法及优化系统来解决上述问题。
5、需要说明的是，本
技术介绍
部分中公开的以上信息仅用于理解本申请构思的
技术介绍
，并且因此，它可以包含不构成现有技术的信息。
技术实现思路
1、基于现有技术中存在的上述问题，本申请所要解决的问题是：提供一种基于yolov5网络模型的图像优化方法及优化系统，达到能够对模型进行轻量化改进，提高运行效率的效果。
2、本申请解决其技术问题所采用的技术方案是：一种基于yolov5网络模型的图像优化方法，该方法包括：
3、接收来自采集设备所采集的第一图像集，该第一图像集包括至少三种类型的驾驶员表
4、对第一图像集进行预处理，并将预处理后的图像制作为标准数据集，该标准数据集包括训练集、验证集和测试集；
5、采用原始yolov5网络模型对标准数据集进行训练，并在训练过程中调整训练参数以提高训练效果；
6、分析网络结构，对原始yolov5网络模型的主干网络部分进行轻量化改进。
7、在本申请的技术方案实施过程中，通过对模型进行轻量化设置，在减轻运行压力的同时保证模型性能损失较小，从而保持较高的识别准确率，适用于多种性能的硬件设备中。
8、进一步的，对原始yolov5网络模型的主干网络部分进行轻量化改进包括：
9、采用fasternet网络中的fasternet block替换c3模块中的影响整体模型计算量与参数量的bottleneck模块，形成c3-faster模块。
10、进一步的，所述fasternet block由一个部分卷积层(pconv)和两个1×1卷积层组成，其中部分卷积层(pconv)仅对部分输入通道进行常规卷积。
11、进一步的，该方法还包括：
12、引进gsconv模块，并对gsconv模块进行改进，生成gsconvns模块，将yolov5网络模型中部分卷积模块替换为gsconvns模块；
13、基于gsconvns模块构造vov-gscsp模块替换yolov5网络模型颈部网络中的c3模块；
14、对轻量化设计后的yolov5模型进行模型通道剪枝；
15、对剪枝后的模型进行微调操作，弥补剪枝操作对模型造成的性能损失。
16、进一步的，所述gsconvns模块的构成方法为：
17、将gsconv模块两次卷积的输出结果进行拼接后，使用一个卷积模块和激活函数替换gsconv模块中的混洗操作，构成gsconvns模块，同时添加卷积层和激活函数。
18、进一步的，对轻量化设计后的yolov5模型进行模型通道剪枝进一步包括：
19、首先对整体模型进行稀疏训练，对不同的通道进行区分以便识别出冗余通道；
20、对网络模型中卷积模块中的bn层引入缩放因子，每个通道的输出与通道因子呈正相关，通过缩放因子的大小进行通道识别筛选；
21、使bn层部分通道的缩放因子趋于零，并对趋于零的通道进行剪枝操作。
22、进一步的，所述bn层的迭代过程包括如下公式：
23、
24、
25、
26、
27、其中μb和σb为对输入求得的均值和标准差,m为当前的mini-batch大小，ε是防止标准差为零，加入的正则化参数，进行归一化处理得到对输入进行重构得到zout，β为偏置项，γ为bn层引入的缩放因子，每个通道的输出与缩放因子正相关，因此可以通过缩放因子的大小进行通道识别筛选。
28、一种基于yolov5网络模型的图像优化系统，该系统包括：
29、图像接收模块，用于接收来自采集设备所采集的第一图像集，该第一图像集包括至少三种类型的驾驶员表情图片；
30、预处理模块，用于对第一图像集进行预处理，并将预处理后的图像制作为标准数据集，该标准数据集包括训练集、验证集和测试集；
31、训练模块，用于采用原始yolov5网络模型对标准数据集进行训练，并在训练过程中调整训练参数以提高训练效果；
32、网络结构分析模块，用于分析网络结构，对原始yolov5网络模型的主干网络部分进行轻量化改进。
33、进一步的，该系统还包括：
34、模型改进模块，用于引进gsconv模块，并对gsconv模块进行改进，生成gsconvns模块，将yolov5网络模型中部分卷积模块替换为gsconvns模块；
35、替换模块，用于基于gsconvns模块构造vov-gscsp模块替换yolov5网络模型颈部网络中的c3模块；
36、通道剪枝模块，用于对轻量化设计后的yolov5模型进行模型通道剪枝；
37、微调模块，用于对剪枝后的模型进行微调操作，弥补剪枝操作对模型造成的性能损失。
38、本申请的有益效果是：本申请提供的一种基于yolov5网络模型的图像优化方法及优化系统，通过对模型进行轻量化设置，在减轻运行压力的同时保证模型性能损失较小，从而保持较高的识别准确率，适用于多种性能的硬件设备中，并且对整体模型进行了模型通道剪枝操作，模型计算量、参数量大幅下降的同时平均精度较小，实现低损剪枝。
39、除了上面所描述的目的、特征和优点之外，本申请还有其它的目的、特征和优点。下面将参照图，对本申请作进一步详细的说明。
本文档来自技高网...【技术保护点】
1.一种基于YOLOv5网络模型的图像优化方法，其特征在于：该方法包括：
2.根据权利要求1所述的一种基于YOLOv5网络模型的图像优化方法，其特征在于：对原始YOLOv5网络模型的主干网络部分进行轻量化改进包括：
3.根据权利要求2所述的一种基于YOLOv5网络模型的图像优化方法，其特征在于：所述FasterNet Block由一个部分卷积层(PConv)和两个1×1卷积层组成，其中部分卷积层(PConv)仅对部分输入通道进行常规卷积。
4.根据权利要求1所述的一种基于YOLOv5网络模型的图像优化方法，其特征在于：该方法还包括：
5.根据权利要求4所述的一种基于YOLOv5网络模型的图像优化方法，其特征在于：所述GSConvns模块的构成方法为：
6.根据权利要求4所述的一种基于YOLOv5网络模型的图像优化方法，其特征在于：对轻量化设计后的YOLOv5模型进行模型通道剪枝进一步包括：
7.根据权利要求6所述的一种基于YOLOv5网络模型的图像优化方法，其特征在于：所述BN层的迭代过程包括如下公式：>
8.一种基于YOLOv5网络模型的图像优化系统，其特征在于：该系统包括：
9.根据权利要求8所述的一种基于YOLOv5网络模型的图像优化系统，其特征在于：该系统还包括：
10.一种基于YOLOv5网络模型的图像优化系统，其特征在于：用于实施如权利要求1至7任一项所述的基于YOLOv5网络模型的图像优化方法。
...【技术特征摘要】
1.一种基于yolov5网络模型的图像优化方法，其特征在于：该方法包括：
2.根据权利要求1所述的一种基于yolov5网络模型的图像优化方法，其特征在于：对原始yolov5网络模型的主干网络部分进行轻量化改进包括：
3.根据权利要求2所述的一种基于yolov5网络模型的图像优化方法，其特征在于：所述fasternet block由一个部分卷积层(pconv)和两个1×1卷积层组成，其中部分卷积层(pconv)仅对部分输入通道进行常规卷积。
4.根据权利要求1所述的一种基于yolov5网络模型的图像优化方法，其特征在于：该方法还包括：
5.根据权利要求4所述的一种基于yolov5网络模型的图像优化方法，其特征在于：...
【专利技术属性】
技术研发人员：姚克明，王中洲，郭复澳，陈磊，王小兰，
申请(专利权)人：江苏理工学院，
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。