【技术实现步骤摘要】
本专利技术涉及目标检测，特别是一种基于gcn-yolov5口罩佩戴检测的方法。
技术介绍
1、口罩是人们日常生活中经常使用的防护用品，然而在公共场所，总有些人不喜欢或者忘记佩戴口罩，这就增加了病毒传播的风险。因此，开发一种能够实时、准确地检测人们是否佩戴口罩的技术就变得至关重要。
2、yolov5作为一种高性能的目标检测技术，被广泛应用于各种场景中，包括口罩检测。通过使用yolov5进行口罩检测，可以实时地识别出哪些人佩戴了口罩，哪些人没有，从而进行及时的提醒或者阻止其进入公共场所，这对于防止呼吸道传染病的传播具有重要的意义。同时，随着深度学习技术的不断发展，yolov5等模型的性能也在不断提升，使得口罩检测的准确率得到了显著的提高。
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基于gcn-yolov5口罩佩戴检测的方法，从而在复杂背景与密集人群中提高小目标检测精度。
2、技术方案：本专利技术所述的一种基于gcn-yolov5口罩佩戴检测的方法，包括以下步骤：
3、步骤1、线上收集戴口罩人员的图像作为待检测图像；
4、步骤2、将2000张图像中是否佩戴口罩用labelimg软件进行标注，并按照的比例进行划分为训练集、验证集、测试集；所述标注指的是将戴口罩的人员标注为mask，未戴口罩的人标注为face，并将标注转化为txt格式。
5、步骤3、把口罩数据集引入yolov5-v6.2版本模型中进行数据处理，然后训
6、所述步骤3具体为：cpu采用geforce rtx 4090，通过配置yolov5所需的环境使其运行成功，将步骤2中标注与划分好的口罩数据集添加到yolov5模型中，将输入图片的尺寸、batchsize以及对epoch进行调整之后对train文件训练，寻找一个baseline。
7、步骤4、对口罩检测模型进行改进与训练；先利用收集-分发机制(gatherand-distribute)进行改进特征融合模块，进一步提高多尺度的特征融合能力；再利用cbam注意力机制替换yolov5主干模块的c3模块，提高模型的鲁棒性和计算效率；最后采用度量概率相似性方法(normalized-wasserstein-distance)，即nwd-loss与原有的损失函数iou相结合，提高小目标模型的精确度；
8、步骤4.1、利用收集-分发机制(gatherand-distribute)改进yolov5模型head部分的特征融合模块，通过设计新型的特征融合方案，使得在全局上融合不同层次的特征信息，提高模型对小目标口罩的检测能力；构建两个gd分支对特征信息进行融合，gd分支为低层级信息聚集-分发分支(low-gd)与高层级信息聚集-分发分支(high-gd)，上述两个gd分支分别基于卷积和transformer提取和融合特征信息；gd机制的收发流程分别由信息对齐模块(fam)、信息融合模块(ifm)与信息注入模块(inject)所实现；
9、步骤4.1所述的gd机制的收发流程分别由信息对齐模块fam、信息融合模块ifm与信息注入模块inject所实现具体为：
10、信息对齐模块负责收集并对齐backbone中不同层次大小的口罩特征图；
11、信息融合模块使用transformer算子或者卷积对对齐之后的口罩特征图与yolov5的模块进行融合得到全局的信息，通过split切片为两部分，然后针对性地对其他尺度进行分发；
12、信息注入模块使用简单的注意力操作将全局信息注入到各个层级中。
13、步骤4.2、利用cbam注意力机制替换yolov5主干模块的c3模块，即在backbone网络c3模块的每个残差网络都引入一个cbam模块，cbam在原通道注意力模块的基础上连结了一个空间注意力模块；
14、步骤4.2所述的利用cbam注意力机制替换yolov5主干模块的c3模块具体为：
15、通道注意力模块中，输入的口罩特征图先分别经过一个最大池化层与平均池化层，得出两个包含1个通道的特征图；然后把输出的口罩特征图在共享感知机做加和操作，最后用sigmoid函数激活，得出最终输出的口罩图像通道注意力特征，此时将该特征与原始输入特征图相乘，从而得到最终空间注意力模块需要的口罩图像输入特征；
16、空间注意力模块中，输入的口罩特征图先后经过一个最大池化层与平均池化层，得出两个包含1个通道的特征图；然后将得出的特征图通道拼接，经过卷积层降维成一个通道；最后采用sigmoid函数激活从而生成最终的口罩图像空间注意力特征；
17、将口罩图像的空间注意力特征与空间注意力模块的口罩图像输入特征相乘得到最后的口罩图像输出特征。
18、步骤4.3、在yolov5模型中，基于交并比(iou)相似度度量对小目标的定位偏差十分敏感，严重影响对小目标的检测能力，利用度量概率相似性方法(normalizedwassersteindistance)即nwd-loss与原有的损失函数iou相结合，使用二维高斯分布对目标的边界框建模，对于检测的目标无论重不重叠，都通过分布相似度衡量，归一化wasserstein距离的计算公式如下：
19、
20、其中，nm和nn是由真实框a＝(cxm,cym,wm,hm)和预测框b＝(cxn,cyn,wn,hn)建模的分布，w22(nm,nn)为一个距离测度，c是与数据集密切相关的常数，距离测度w22(nm,nn)的计算公式如下：
21、
22、在回归损失函数中添加nwd损失函数可以弥补原损失函数对小目标口罩检测的不足，iou与nwd损失函数的比例为8：2，计算公式如下：
23、lossloc＝iouloss*0.8+nwdloss*0.2
24、式中，lossloc为iou与nwd损失函数的比例，iouloss为iou的损失函数，nwdloss为nwd的损失函数。
25、步骤5、将改进后的模型进行验证，检验此时训练的效果。
26、一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的一种基于gcn-yolov5口罩佩戴检测的方法。
27、一种计算机设备，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，所述处理器执行所述计算机程序时实现上述的一种基于gcn-yolov5口罩佩戴检测的方法。
28、有益效果：与现有技术相比，本专利技术具有如下优点：本专利技术通过在yolov5网络中的head模块中利用了gd机制，改进了特征融合模块，提高了计算速度与计算精度，接着在backbone模块中利用cbam注意力机制替换了c3模块，对远距离戴口罩的人群识别效果更好，最后在损失函数中添加nwd损失函数，大大提高了整体检测的精度，能够在复杂场景与密集人群的应用本文档来自技高网...
【技术保护点】
1.一种基于GCN-yolov5口罩佩戴检测的方法，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GCN-yolov5口罩佩戴检测的方法，其特征在于，所述步骤2中的标注指的是将戴口罩的人员标注为mask，未戴口罩的人标注为face，并将标注转化为txt格式。
3.根据权利要求1所述的一种基于GCN-yolov5口罩佩戴检测的方法，其特征在于，所述步骤3具体为：CPU采用GeForce RTX 4090，通过配置yolov5所需的环境使其运行成功将步骤2中标注与划分好的口罩数据集添加到yolov5模型中，将输入图片的尺寸、batchsize以及epoch进行调整，然后对train文件进行训练，寻找一个baseline。
4.根据权利要求1所述的一种基于GCN-yolov5口罩佩戴检测的方法，其特征在于，所述步骤4具体为：
5.根据权利要求4所述的一种基于GCN-yolov5口罩佩戴检测的方法，其特征在于，步骤4.1所述的GD机制的收发流程分别由信息对齐模块FAM、信息融合模块IFM与信息注入模块Inject所实现具体为：
6.根据权利要求4所述的一种基于GCN-yolov5口罩佩戴检测的方法，其特征在于，步骤4.2所述的利用CBAM注意力机制替换yolov5主干模块的C3模块具体为：
7.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的一种基于GCN-yolov5口罩佩戴检测的方法。
8.一种计算机设备，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，所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的一种基于GCN-yolov5口罩佩戴检测的方法。
...【技术特征摘要】
1.一种基于gcn-yolov5口罩佩戴检测的方法，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gcn-yolov5口罩佩戴检测的方法，其特征在于，所述步骤2中的标注指的是将戴口罩的人员标注为mask，未戴口罩的人标注为face，并将标注转化为txt格式。
3.根据权利要求1所述的一种基于gcn-yolov5口罩佩戴检测的方法，其特征在于，所述步骤3具体为：cpu采用geforce rtx 4090，通过配置yolov5所需的环境使其运行成功将步骤2中标注与划分好的口罩数据集添加到yolov5模型中，将输入图片的尺寸、batchsize以及epoch进行调整，然后对train文件进行训练，寻找一个baseline。
4.根据权利要求1所述的一种基于gcn-yolov5口罩佩戴检测的方法，其特征在于，所述步骤4具体为：
<...【专利技术属性】
技术研发人员：徐寅，沈骞，张宇翔，李易，张磊，刘艨霆，吴金花，臧建东，胡婷，杨晟尧，
申请(专利权)人：淮阴工学院，
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。