System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及计算机视觉目标检测领域,尤其涉及一种基于改进yolov7-tiny的特种车辆检测方法。
技术介绍
1、近些年,随着城市化的迅速发展,大量土地逐渐开发,诸如挖掘机、装载机、重型卡车等特种工程车辆在施工现场随处可见。但是由于特种车辆用途的特殊性,其体型一般较大,破坏能力非常之强,稍有差池便可能对周围的人与事物带来损害,造成极大的损失。使用智能视频监控技术对工程车辆进行精准监测,能够及时高效地阻止危害的产生。
2、现有智能视频监控技术的检测算法在特种车辆等目标中存在漏检错检且精度偏低等系列问题,因此本专利技术提出一种新型的特种车辆检测系统,从而实时检测与标记施工路段的工程车辆,进一步实现对施工场景下作业或停放的车辆的监控需求,准确预警,从而降低了成本并且预防了险境的发生,可以为工人的生命财产安全提供进一步的保障。
技术实现思路
1、针对现有技术的不足,本专利技术的目的在于提供一种基于改进yolov7-tiny的特种车辆检测方法,改善实际场景下特种车辆在施工场地的检测精度,通过引入注意力模块、更换颈部网络、采用先进的损失函数等措施,更好地拟合目标间的相关特征信息及强化模型在复杂场景下的特征提取能力,从而提升模型的检测性能。使其更好地满足特种车辆检测的任务。
2、为了实现上述目的,改善现有特种车辆检测方法存在的不足,本专利技术提供了这样一种基于改进yolov7-tiny的特种车辆检测方法,即原网络模型的基础上进行一定的改进,在主干网络及颈部网络中加入ec
3、s1、数据集增强,通过网络爬虫以及视频帧截图的方式收集关于特种车的图像,然后使用标注工具labelimg对图像中的目标进行标记位置及类别,并按照一定的比例对以上图像进行分配,且将数据集按照目标类别进行分类,获得待检测特种车辆数据集,并在此基础上进行数据增强,即通过裁剪、旋转、增添遮挡、添加噪声等系列方式对图像进行几何变换,依此扩展丰富数据集样本,赋予数据样本多样性以提升模型泛化,获得增强特种车辆数据集。
4、s2、改进yolov7-tiny网络模型,基于yolov7-tiny网络模型,在此模型的主干网络和颈部网络上引入eca-net注意力模块,然后添加convnext block替换颈部网络中的elan模块,最后采用更为强大的focal eiou loss作为模型的定位损失,从而完成改造,构建出新的特种车辆检测模型。
5、s3、模型训练,将经过数据增强的增强特种车辆数据集送入新的特种车辆检测模型中,准备好实验配置并进行网络参数的设置之后开始迭代训练,直至模型最终收敛,保存最优模型权重,最终获得改进yolov7-tiny的特种车辆检测模型。
6、s4、特种车辆检测,使用改进yolov7-tiny的特种车辆检测模型对施工场景下作业或停放的车辆进行检测,最终获得特种车辆的位置及类别,并输出检测结果,进行准确预警,预防损害的发生。
7、作为本专利技术的一些实施例,步骤s1中,整体数据集包含光照强弱目标、遮挡环境目标、密集小目标等多元化场景;并将数据集按照8:1:1的比例划分为训练集、验证集、测试集,同时将数据集中的图像尺寸进行统一;目标类别则为七类,其中bull_dozer为推土机,dumb_truck为翻斗卡车,excavator为挖掘机,grader为平地机,loader为装载机,mobile_crane为起重机,roller为滚轮机。
8、作为本专利技术的一些实施例,步骤s1中,在图像标注完成之后,每张图像即对应一个txt文件,该文件中的数字从左至右共有五列,依次代表所标注目标的类别、归一化后的中心点x坐标、归一化后的中心点y坐标、归一化后的目标框宽度w、归一化后的目标框高度h。
9、作为本专利技术的一些实施例,步骤s2中,按照顺序连接主干网络输入端、引入的eca-net模块、主干网络的输出端、模型的颈部网络输入端、eca-net模块、convnext block、颈部网络输出端和预测头部分,构成以特种车辆图像为输入、特种车辆图像所对应的标签为输出的新的特种车辆检测模型。
10、作为本专利技术的一些实施例,步骤s2中,在yolov7-tiny网络模型的主干网络和颈部网络中分别引入不同数量的eca-net注意力模块,在yolov7-tiny网络模型主干的不同elan层之后均添加一个相应模块优化网络结构,之后在颈部网络再加入两个eca-net模块。
11、作为本专利技术的一些实施例,在yolov7-tiny的颈部网络中,使用convnext block将其中elan层进行替换;扩充感受野范围,提供空间信息的交互,进一步提升yolov7-tiny网络模型计算的效率。
12、作为本专利技术一些实施例的优选,convnext block采用卷积核尺度为7的dw卷积对输入图像进行逐次通道卷积。
13、作为本专利技术一些实施例的优选,convnext block使用1×1卷积以及gelu激活函数,以此扩充通道数,然后再利用1×1卷积层与缩放层进行归一化操作,对各通道进行缩放,接着使用正则化的方式随机丢弃部分连接;提升yolov7-tiny网络模型的泛化能力。
14、作为本专利技术的一些实施例,步骤s2中,yolov7-tiny网络模型的损失函数包括定位损失、类别损失、置信度预测损失三部分,类别损失和置信度预测损失不做改变,引入focaleiou loss取代ciou loss,该过程包含如下步骤:
15、s21、按如下公式:
16、
17、计算特种车辆图像真实框与预测框的重叠度,
18、
19、
20、其中,为式中的惩罚项,b与bgt分别代表预测框b和真实框bgt的中心点,另一方面,ρ2(·)为欧式距离,c为预测框b与真实框bgt的最小外界矩形的对角线距离,α是一个正平衡参数,v是用来描述预测框和gt(ground truth,即人工标注的框)的长宽比的比例一致性的参数;w与wgt代表预测框b跟回归框g的宽度,h与hgt代表预测框b和回归框g的高度;
21、s22、按如下公式:
22、
23、lfocal-eiou=iouγleiou
24、cw、ch分别为覆盖真实框和预测框的最小外接框的宽度和高度,γ为控制异常值抑制程度的参数。
25、作为本专利技术的一些实施例,步骤s3中,在训练最优权重的进程中,设置160个epoch来重复训练过程,在这个过程中不断更正迭代特种车辆检测的参数,直到新的特种车辆检测模型能够准确检测出图像中特种车辆位置及是否判断出所属车辆类别,最终保存训练得到的最优权重参数,最后在测试集中使用该权重进行测试。
26、作为本专利技术的一些实施例,步骤s3中,在本文档来自技高网...
【技术保护点】
1.一种基于改进YOLOv7-tiny的特种车辆检测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于改进YOLOv7-tiny的特种车辆检测方法,其特征在于,步骤S1中,整体数据集包含光照强弱目标、遮挡环境目标、密集小目标等多元化场景;并将数据集按照8:1:1的比例划分为训练集、验证集、测试集,同时将数据集中的图像尺寸进行统一;目标类别则为七类,其中Bull_dozer为推土机,Dumb_truck为翻斗卡车,Excavator为挖掘机,Grader为平地机,Loader为装载机,Mobile_crane为起重机,Roller为滚轮机。
3.根据权利要求1所述的一种基于改进YOLOv7-tiny的特种车辆检测方法,其特征在于,步骤S1中,在图像标注完成之后,每张图像即对应一个txt文件,该文件中的数字从左至右共有五列,依次代表所标注目标的类别、归一化后的中心点x坐标、归一化后的中心点y坐标、归一化后的目标框宽度w、归一化后的目标框高度h。
4.根据权利要求1所述的一种基于改进YOLOv7-tiny的特种车辆检测方法,其特征在于
5.根据权利要求1所述的一种基于改进YOLOv7-tiny的特种车辆检测方法,其特征在于,步骤S2中,在YOLOv7-tiny网络模型的主干网络和颈部网络中分别引入不同数量的ECA-Net注意力模块,在YOLOv7-tiny网络模型主干的不同ELAN层之后均添加一个相应模块优化网络结构,之后在颈部网络再加入两个ECA-Net模块。
6.根据权利要求5所述的一种基于改进YOLOv7-tiny的特种车辆检测方法,其特征在于,在YOLOv7-tiny的颈部网络中,使用ConvNext Block将其中ELAN层进行替换。
7.根据权利要求6所述的一种基于改进YOLOv7-tiny的特种车辆检测方法,其特征在于,ConvNext Block采用卷积核尺度为7的DW卷积对输入图像进行逐次通道卷积,并使用1×1卷积以及GELU激活函数,以此扩充通道数,然后再利用1×1卷积层与缩放层进行归一化操作,对各通道进行缩放,接着使用正则化的方式随机丢弃部分连接。
8.根据权利要求1所述的一种基于改进YOLOv7-tiny的特种车辆检测方法,其特征在于,步骤S2中,YOLOv7-tiny网络模型的损失函数包括定位损失、类别损失、置信度预测损失三部分,类别损失和置信度预测损失不做改变,引入Focal EIoU Loss取代CIoU Loss,该过程包含如下步骤:
9.根据权利要求1所述的一种基于改进YOLOv7-tiny的特种车辆检测方法,其特征在于,步骤S3中,在训练最优权重的进程中,设置160个Epoch来重复训练过程,在这个过程中不断更正迭代特种车辆检测的参数,直到新的特种车辆检测模型能够准确检测出图像中特种车辆位置及是否判断出所属车辆类别,最终保存训练得到的最优权重参数,最后在测试集中使用该权重进行测试。
10.根据权利要求8所述的一种基于改进YOLOv7-tiny的特种车辆检测方法,其特征在于,步骤S3中,在模型训练过程中,还包括对于改进YOLOv7-tiny的特种车辆检测模型进行性能上的测试,获取数据集样本的平均精度均值mAP@0.5(通常以IOU=0.5时取值),平均精度AP,精确率P,召回率R,具体根据如下公式进行计算:
...【技术特征摘要】
1.一种基于改进yolov7-tiny的特种车辆检测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于改进yolov7-tiny的特种车辆检测方法,其特征在于,步骤s1中,整体数据集包含光照强弱目标、遮挡环境目标、密集小目标等多元化场景;并将数据集按照8:1:1的比例划分为训练集、验证集、测试集,同时将数据集中的图像尺寸进行统一;目标类别则为七类,其中bull_dozer为推土机,dumb_truck为翻斗卡车,excavator为挖掘机,grader为平地机,loader为装载机,mobile_crane为起重机,roller为滚轮机。
3.根据权利要求1所述的一种基于改进yolov7-tiny的特种车辆检测方法,其特征在于,步骤s1中,在图像标注完成之后,每张图像即对应一个txt文件,该文件中的数字从左至右共有五列,依次代表所标注目标的类别、归一化后的中心点x坐标、归一化后的中心点y坐标、归一化后的目标框宽度w、归一化后的目标框高度h。
4.根据权利要求1所述的一种基于改进yolov7-tiny的特种车辆检测方法,其特征在于,步骤s2中,按照顺序连接主干网络输入端、引入的eca-net模块、主干网络的输出端、模型的颈部网络输入端、eca-net模块、convnext block、颈部网络输出端和预测头部分,构成以特种车辆图像为输入、特种车辆图像所对应的标签为输出的新的特种车辆检测模型。
5.根据权利要求1所述的一种基于改进yolov7-tiny的特种车辆检测方法,其特征在于,步骤s2中,在yolov7-tiny网络模型的主干网络和颈部网络中分别引入不同数量的eca-net注意力模块,在yolov7-tiny网络模型主干的不同elan层之后均添加一个相应模块优化网络结构,之后在颈部网络再加入两个e...
【专利技术属性】
技术研发人员:徐林楠,赵敏,方磊,王磊,何国前,
申请(专利权)人:江西憶源多媒体科技有限公司,
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。