CN115019302B 一种改进型yolox目标检测模型构建方法及其应用 （江苏大学）

一种改进型YOLOX目标检测模型构建方法及本发明公开了一种改进型YOLOX目标检测模型构建方法及其应用，本申请针对YOLOX基本目标检测模型并进行网络改进，主要分为三个模特征通道之间的相互依赖关系来提高网络生成YOLOX目标检测模型结合RealSense相机获取到2络结构、SPP网络结构、CSPnet网络结构和SE-3网络结构依次连接而成；输入为图像输入加强特征提取网络采用PAN+FPN特征金字塔和ASFF自适应空间特征融合结构，将不同预测特征网络接收加强特征提取网络的输出，通过预测特征网2.根据权利要求1所述的一种改进型YOLOX3.根据权利要求2所述的一种改进型YOLOX目标检测模型构建方法，其特征在于，4.根据权利要求3所述的一种改进型YOLOX目标检测模5.根据权利要求1所述的一种改进型YOLO37.根据权利要求1所述的一种改进型YOLOX目标检测8.一种基于改进YOLOX结合RealSense的果实识别与步骤2、将RealSense相机获取到的彩色图输入采用如权利要目标检测模型构建方法训练好的改进型YOLOX目标检测模型中，进行目标果实的识别并生步骤4、利用相机标定获取相机内参参数对目标果实中心点的三维9.根据权利要求8所述的一种基于改进YOLOX结合RealSense的果实识别与定位方法，xy)分别代表相机感光芯片的中心点在x和y方向上存在的偏移量。4一种改进型YOLOX目标检测模型构建方[0001]本发明属于机器视觉技术领域，具体涉及一种改进型YOLOX目标检测模型构建方[0004]本发明针对现有技术的不足，本发明提出一种改进型YOLOX目标检测模型构建方[0008]所述主干特征提取网络主要由Focus网络结构、CBL网络结构、CSPnet网络结构、[0009]加强特征提取网络采用PAN+FPN特征金字塔和ASFF自适应空间特征融合结构，将5[0014]进一步，所述CBL+CSPnet网络结构是按顺序连接的CBL网络结构和CSPnet网络结整到l级的特征图上位置(i，j)处的特征向量，表示从2级调整到l级的特征图上位置(i，j)处的特征向量，表示从3级调整到l级的特征图上位置(i，j)处的特征向量，是指由网络自适应学习的三个不同级别到l级别的特征图的空间重要性权重，上标l表示为第l级的特征图。[0028]步骤2、将RealSense相机获取到的彩色图输入训练好的改进型YOLOX目标检测模67[0050]进一步，如图3所示，CSPnet网络结构是由3个CBL网络结构、Residual残差块和[0051]进一步，上文中的CBL+CSPnet网络结构是按顺序连接的CBL网络结构和CSPnet网先的RGB三通道模式变成了十二个通道。在保证信息不丢失的情况下，更有利于后期的计[0055]本申请所设计的改进型YOLOX目标检测模型结构是在原有YOLOX主干特征提取网络的基础上增添了SE注意力机制模块，分别增加在第二CBL+CSPnet网络结构、第三CBL+[0056]结合附图4，SE注意力机制主要包括Squeeze(压缩)和Excitation(激励)两部[0058]2、加强特征提取网络采用PAN+FPN特征金字塔和ASFF自采样和3个ASFF网络结构构成。将主干特征提取网络输出的三个有效特征层作为加强特征与第二有效特征层输入第二Concat+CSPnet，进行拼接和特征提取后获得特征层U2＝(40,第一有效特征层输入第四Concat+CSPnet，进行拼接和特征提取后获得特征层为F1＝(80,8整到l级的特征图上位置(i，j)处的特征向量，表示从2级调整到l级的特征图上位置(i，j)处的特征向量，表示从3级调整到l级的特征图上位置(i，j)处的特征向量，是指由网络自适应学习的三个不同级别到l级别的特征图的空间重要性权重，上标l表示为第l级的特征图。[0072]步骤2，在完成改进型YOLOX目标检测模型结构搭建后，需要对搭建好的改进型9[0074]首先，利用深度相机获取800张自然场景下待识别果实的彩色图(RGB图)，并用Labelimg进行单类别“apple”的标注形成苹果数据集；在本实施例中，标注格式采用[0077]利用数据集的训练集和验证集对上述改进型YOLOX目标检测模型进行训练。训练[0078]结合图7，本申请提出了一种基于改进YOLOX结合Rea