CN114898200B 一种基于轻量化YOLOV4-tiny的传送带工件图像目标检测方法及系统 （西安建筑科技大学）

一种基于轻量化YOLOV4-tiny的传送带工件本发明公开了一种基于轻量化YOLOV4-tiny的训练图像集；构建轻量化YOLOV4-tiny传送带CSPDarknet53-tiny、融入有高效通道注意力机制ECA的加强特征提取网络FPN和预测特征层YOLOV4-tiny传送带工件图像目标检测网络模型；将待检测的传送带工件图像输入轻量化YOLOV4-tiny传送带工件图像目标检测网络模明的检测方法结合工业场景节约计算机资源和2S2构建轻量化YOLOV4-tiny传送带工件图像目标检测网络，包括主干特征提取网络S3利用传送带工件的训练图像集训练轻量化YOLOV4-tiny传送带工件图像目标检测网S4将待检测的传送带工件图像输入轻量化YOLOV4-tiny传送带工件图像目标检测网络步骤S2中，采用矩阵非极大抑制MatrixNMS通过线性衰减的方式对预测特征层YOLOS2.4计算出边框列表中剩余所有边框与置信度it表示设定的交并比阈值；2.根据权利要求1所述的一种基于轻量化YOLOV4-tiny的传送带工件图像目标检测方所述主干特征提取网络CSPDarknet53-tiny的两个有效特征层后均连接有一高效通道注意3.根据权利要求2所述的一种基于轻量化YOLOV4-tiny的传送带工件图像目标检测方图像进行特征提取并输出13×13和26×26两个尺度的特征图feat1和feat2，特征图feat1征提取网络FPN对特征图f2进行一次上采样后经过高效通道注意力机制ECA得到特征图34.根据权利要求3所述的一种基于轻量化YOLOV4-tiny的传送带工件图像目标检测方sigmoid激活函数得到特征提取输出图的相应通道概率值，所述相应通道概率值与原始特5.根据权利要求4所述的一种基于轻量化YOLOV4-tiny的传送带工件图像目标检测方6.根据权利要求1所述的一种基于轻量化YOLOV4-tiny的传送带工件图像目标检测方7.根据权利要求1所述的一种基于轻量化YOLOV4-tiny的传送带工件图像目标检测方述加强特征提取网络FPN中融入有高效通道注意力机制网络训练模块，用于利用传送带工件的训练图像集训练轻量化YOLOV4-tiny传送带工件图像目标检测网络，得到从而得到的所有训练后的轻量化YOLOV4-tiny传送带工件图像检索模块，用于将待检测的传送带工件图像输入轻量化YOLOV4-tiny传送带工件图像网络构建模块中，采用矩阵非极大抑制MatS4计算出边框列表中剩余所有边框与置信度i4t表示设定的交并比阈值；5[0001]本发明属于计算机视觉技术领域，具体属于一种基于轻量化YOLOV4-tiny的传送[0002]随着人工智能的快速发展,作为计算机视觉领域的一个分支,目标检测技术取得[0003]现有的目标检测方法主要分为One-Stage和Two-Stage型算法，相比较而言One-Stage型算法拥有较好的准确精度和实时检测速度，YOLO系列检测算法为一种典型的One-强大的GPU(图形处理器)计算能力来实现实时目标检测，特别是在现实应用中需要对一些[0004]为了解决现有技术中存在的问题，本发明提供一种基于轻量化YOLOV4-tiny的传[0007]S2构建轻量化YOLOV4-tiny传送带工件图像目标检测网络，包括主干特征提取网提取网络FPN中融入有高效通道注意力机制E[0008]S3利用传送带工件的训练图像集训练轻量化YOLOV4-tiny传送带工件图像目标检[0009]S4将待检测的传送带工件图像输入轻量化YOLOV4-tiny传送带工件图像目标检测[0010]进一步的，步骤S2中，所述特征增强网络FPN中包括含三个高效通道注意力机制6件图像进行特征提取并输出13×13和26×26两个尺度的特征图feat1和feat2，特征图feat1和feat2分别输入高效通道注意力机制ECA进行特征图通道加权得到特征图f1和f2，加强特征提取网络FPN对特征图f2进行一次上采样后经过高效通道注意力机制ECA得到特用sigmoid激活函数得到特征提取输出图的相应通道概率值，所述相应通道概率值与原始[0016]进一步的，采用矩阵非极大抑制MatrixNMS通过线性衰减的方式对预测特征层t表示设定的交并比阈值；[0031]本发明还提供一种基于轻量化YOLOV4-tiny的传送带工件图像目标检测系统，包7中所述加强特征提取网络FPN中融入有高效通道注意[0034]网络训练模块，用于利用传送带工件的训练图像集训练轻量化YOLOV4-tiny传送带工件图像目标检测网络，得到从而得到的所有训练后的轻量化YOLOV4-tiny传送带工件[0035]检索模块，用于将待检测的传送带工件图像输入轻量化YOLOV4-tiny传送带工件[0037]本发明提供一种基于轻量化YOLOV4-tiny的传送带工件图像目标检测方法，通过方法不需要强大的GPU(图形处理器)计算能力来实现实时目标检测，较好的适应计算能力目标检测网络的主干特征提取网络，在加强特征提取网络FPN中融入高效通道注意力机制[0039]进一步的，采用矩阵非极大抑制MatrixNMS通过线性衰减的方式对预测特征层YOLOHead的预测框进行并行化筛选，改善传统非极大抑制算法可能对置信度较高预测框[0041]图1为图1为本发明一种基于YOLOV4-tiny的轻量级传送带工件检测方法的流程示8[0046]图6为本发明第二实施例的一种基于YOLOV4-tiny的轻量级传送带工件检测方法量化YOLOV4-tiny的目标检测模型，在加强特征提取网络FPN中融入高效通道注意力(ECA)对预测特征层YOLOHead的预测框进行模型中选择检测精度最高的模型作为最优目标比如对采集视频每间隔25帧进行切割处理得到分辨率960×600像素大小的传送带工件图征提取网络FPN和预测特征层YOLOHead，其中主干特征提取网络CSPDarknet53-tiny用于过乘法逐通道加权输出特征图f1和f2；加强特征提取网络FPN对主干网络CSPDarknet53-一方面对主干特征提取网络输出的13×13和26×26两个有效特征层后分别添加一个高效9中上采样后的结果添加一个注意力机制高效通道注意力机制ECA，以挖掘通道图之间的相[0059]高效通道注意力机制ECA通过一维卷积有效避免了维度缩减会给通道注意力预测[0060]步骤1：利用全局平均池化层(GAP)对上一卷积模块提取的特征图χ的每一个通道[0061]步骤2：将降维后的特征图经过可以减少特征映射深度的一维卷积，进行特征提[0071]步骤4：计算出边框列表中的剩余所有边框与置信度得分第一的边框之间的交并t表示设定的交并比阈值。[0082]本发明还提供一种基于轻量化YOLOV4-tiny的传送带工件图像目标检测系统，其中所述加强特征提取网络FPN中融入有高效通道注意[0085]网络训练模块，用于利用传送带工件的训练图像集训练轻量化YOLOV4-tiny传送带工件图像目标检测网络，得到从而得到的所有训练后的轻量化YOLOV4-tiny