CN115019243A - 基于改进YOLOv3的监控漂浮物轻量化目标检测方法及系统 - Google Patents
基于改进YOLOv3的监控漂浮物轻量化目标检测方法及系统 Download PDFInfo
- Publication number
- CN115019243A CN115019243A CN202210420992.8A CN202210420992A CN115019243A CN 115019243 A CN115019243 A CN 115019243A CN 202210420992 A CN202210420992 A CN 202210420992A CN 115019243 A CN115019243 A CN 115019243A
- Authority
- CN
- China
- Prior art keywords
- target detection
- lightweight
- floater
- monitoring
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 125
- 238000012544 monitoring process Methods 0.000 title claims abstract description 45
- 208000034699 Vitreous floaters Diseases 0.000 claims abstract description 54
- 238000000605 extraction Methods 0.000 claims abstract description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000008014 freezing Effects 0.000 claims description 4
- 238000007710 freezing Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000013526 transfer learning Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开属于机器视觉技术领域,具体涉及一种基于改进YOLOv3的监控漂浮物轻量化目标检测方法及系统,包括以下步骤:获取监控画面下的水面漂浮物图像;根据所获取的水面漂浮物图像和预设的轻量化目标检测模型,进行监控画面漂浮物的检测与识别;其中,所述轻量化目标检测模型采用改进的YOLOv3算法,基于MobilenetV3特征提取网络进行图像特征提取,通过轻量化双向金字塔结构实现目标检测过程中的特征融合。本公开在降低算法参数量的同时提高算法检测精度和推理速度,进而实现在理想检测效率下模型的轻量化。
Description
技术领域
本公开属于机器视觉技术领域,具体涉及一种基于改进YOLOv3的监控漂浮物轻量化目标检测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
随着水利工程中深度学习的广泛深入以及视频监控的迅速普及,作为漂浮物治理的重要环节,关于漂浮物的目标检测研究正朝着智能化方向发展。目标检测包含了目标分类及定位两个子任务,即返回目标类别和确定目标边界框的顶点坐标。
据发明人了解,基于深度卷积神经网络的目标检测算法可分为两类,基于候选框区域的双阶段目标检测算法(如Faster-RCNN、SSP等)和基于逻辑回归的单阶段目标检测算法(如YOLO、SSD等,其中经典的双阶段检测算法(如Faster-RCNN)首先在图像中生成一系列的候选区域,再对每一个候选区域依次进行分类和回归,大大提升了检测精度,但是检测速度缓慢,很难满足实时检测的任务需求。经典的单阶段检测算法(如YOLO、SSD)将分类任务和定位任务进行合并,图片经过一次特征提取之后就可以获取目标的位置和类别,对于需要进行快速目标检测的场景,目前通常使用单阶段目标检测算法。
随着机器视觉技术的深入应用,越来越多的学者针对不同场景下的漂浮物目标检测任务进行了各种算法改进方面的研究,来进一步提高检测精度和速度。然而,这些算法所涉及的卷积神经网络模型都具有庞大的参数量和计算量,这对搭载并运行模型的硬件提出了很高的要求;现有的目标检测方法在实时性和储存复杂度都需要进一步改进。
发明内容
为了解决上述问题,本公开提出了一种基于改进YOLOv3的监控漂浮物轻量化目标检测方法及系统,本公开在降低算法参数量的同时提高算法检测精度和推理速度,进而实现在理想检测效率下模型的轻量化。
根据一些实施例,本公开的第一方案提供了一种基于改进YOLOv3的监控漂浮物轻量化目标检测方法,采用如下技术方案:
一种基于改进YOLOv3的监控漂浮物轻量化目标检测方法,包括以下步骤:
获取监控画面下的水面漂浮物图像;
根据所获取的水面漂浮物图像和预设的轻量化目标检测模型,进行监控画面漂浮物的检测与识别;
其中,所述轻量化目标检测模型采用改进的YOLOv3算法,基于MobilenetV3特征提取网络进行图像特征提取,通过轻量化双向金字塔结构实现目标检测过程中的特征融合。
作为进一步的技术限定,在获取监控画面下的水面漂浮物图像之后,对所获取的水面漂浮物图像进行预处理;所述预处理包括采用空间变换和色域变换进行图像的数据增广,以及采用标注软件进行图像的数据标注。
作为进一步的技术限定,所述轻量化目标检测模型采用Focal Loss损失函数。
作为进一步的技术限定,通过所述MobilenetV3特征提取网络替换传统的YOLOv3算法中的Darknet53网络,改变卷积方式;将标准卷积替换为深度可分离卷积,构建轻量化YOLOv3网络模型。
进一步的,基于所述MobilenetV3特征提取网络进行不同尺度特征图的特征提取,通过构建轻量化加权双向金字塔对所提起到的不同尺度特征图的特征融合。
作为进一步的技术限定,基于所述轻量化目标检测模型对所获取的水面漂浮物图像进行迭代训练,挑选目标检测优化模型,具体为:基于迁移学习策略对所述MobilenetV3特征提取网络进行预训练得到初始权重,构建预训练模型;基于所构建的预训练模型进行参数优化,得到微调后的轻量化YOLOV3目标检测模型;结合随机梯度下降法,利用水面漂浮物图像对微调后的轻量化YOLOV3目标检测模型进行冻结迭代训练和解冻迭代训练,得到训练后的轻量化目标检测模型,实现目标检测优化。
作为进一步的技术限定,所述监控画面漂浮物的识别指标包括准确率、召回率、准确率与召回率的调和平均值、精度均值和每秒传输帧数。
根据一些实施例,本公开的第二方案提供了一种基于改进YOLOv3的监控漂浮物轻量化目标检测系统,采用如下技术方案:
一种基于改进YOLOv3的监控漂浮物轻量化目标检测系统,包括:
获取模块,被配置为获取监控画面下的水面漂浮物图像;
检测模块,被配置为根据所获取的水面漂浮物图像和预设的轻量化目标检测模型,进行监控画面漂浮物的检测与识别;
其中,所述轻量化目标检测模型采用改进的YOLOv3算法,基于MobilenetV3特征提取网络进行图像特征提取,通过轻量化双向金字塔结构实现目标检测过程中的特征融合。
根据一些实施例,本公开的第三方案提供了一种计算机可读存储介质,采用如下技术方案:
一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开第一方面所述的基于改进YOLOv3的监控漂浮物轻量化目标检测方法中的步骤。
根据一些实施例,本公开的第四方案提供了一种电子设备,采用如下技术方案:
一种电子设备,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程序,所述处理器执行所述程序时实现如本公开第一方面所述的基于改进YOLOv3的监控漂浮物轻量化目标检测方法中的步骤。
与现有技术相比,本公开的有益效果为:
本公开将原始的Darknet53结构替换为MobileNetv3-Large骨架网络,引入深度可分离卷积,大大降低了算法的参数量和计算量;构建轻量化双向金字塔结构进行特征融合,提升多尺度尤其是小尺度漂浮物目标检测性能;引入损失函数Focal Loss加强算法对于困难样本挖掘,极大程度上改善了难易样本带来的样本不均衡问题。改进后的算法在极大缩小参数量的前提,检测精度和检测速度上都得到了大幅度的提升,实现了理想检测效率下的模型轻量化。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开实施例一中的基于改进YOLOv3的监控漂浮物轻量化目标检测方法的流程图;
图2是本公开实施例一中的基于改进YOLOv3的监控漂浮物轻量化目标检测方法的具体流程图;
图3是本公开实施例一中的轻量化特征提取网络Mobilenetv3结构示意图;
图4是本公开实施例一中的标准卷积和深度可分离卷积两种卷积方式的比较示意图;
图5是本公开实施例一中的轻量化加权双向金字塔Bi-FPN结构示意图;
图6(a)是本公开实施例一中的监控画面下漂浮物样本图像;
图6(b)是本公开实施例一中的原始YOLOV3的检测效果图;
图6(c)是本公开实施例一中的针对多尺度漂浮物目标的检测结果图;
图6(d)是本公开实施例一中的针对漂浮物样本数据集中困难样本的检测效果;
图7是本公开实施例二中的基于改进YOLOv3的监控漂浮物轻量化目标检测系统的结构框图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本公开实施例一介绍了一种基于改进YOLOv3的监控漂浮物轻量化目标检测方法。
如图1所示的一种基于改进YOLOv3的监控漂浮物轻量化目标检测方法,包括以下步骤:
获取监控画面下的水面漂浮物图像;
根据所获取的水面漂浮物图像和预设的轻量化目标检测模型,进行监控画面漂浮物的检测与识别;
其中,所述轻量化目标检测模型采用改进的YOLOv3算法,基于MobilenetV3特征提取网络进行图像特征提取,通过轻量化双向金字塔结构实现目标检测过程中的特征融合。
结合图2,本实施例所提出的基于改进YOLOv3的监控漂浮物轻量化目标检测方法具体流程为:
步骤S01:对采集样本筛选后进行人工标注,标注后待检测目标样本图像进行数据增广预处理,得到训练图像,并将训练图像收集在训练集;
步骤S02:构建YOLOV3轻量化目标检测模型;
步骤S03:利用已构建的轻量化目标检测模型对上述漂浮物训练集进行迭代训练,从训练得到的一系列目标检测模型中挑选出精度最高的模型作为最优目标检测模型;
步骤S04:将测试集中待检图像输入到所述最优目标检测模型,得到该图像的目标检测结果。
作为一种或多种实施方式,在步骤S01中,对采集样本筛选后进行人工标注,具体包括:
采用开源标注工具Labelimg对样本图片进行人工标注,数据集格式为PASCALVOC,标注文件保存格式为XML,XML文件内包含对应图像的路径、标注名称以及边框坐标等信息;
对标注过后样本图片按照8:1:1的比例随机划分为训练集、验证集和测试集。
所述的对标注待检测目标样本图像进行数据增广预处理,具体包括:图像平移、图像翻转、图像裁剪拼接、Mix和Mosaic数据增强等空间变换,调整色相、对比度、饱和度和亮度等色域变换。
作为一种或多种实施方式,在步骤S02中,所构建YOLOV3轻量化目标检测模型,具体包括:
将YOLOv3算法原有的特征提取网络Darknet53网络替换为MobilenetV3网络结构,改变卷积方式:将标准卷积替换为深度可分离卷积,构建轻量化YOLOv3网络模型;
构建简化版加权双向金字塔对三种不同尺度(52×52、26×26、13×13)的特征图进行特征融合;
引入Focal Loss损失函数替换原始YOLOV3算法中的交叉熵损失函数,加强对于困难样本的挖掘,指导轻量化目标检测模型训练。
所构建的轻量化特征提取模型主要包括骨架网络(backbone)、颈部结构(stem)、预测端(head)三部分,其中:骨架网络(backbone)为Mobilenetv3结构,颈部结构(stem)为Bi-FPN结构,预测端(head)为YOLO-Head。
如图3所示的所构建的轻量化特征提取网络Mobilenetv3结构,Mobilenetv3结构集成了深度可分离卷积、逆残差结构、轻量级注意力模型以及h-swish激活函数。
引入Focal Loss替换原始算法中的交叉熵损失函数,其中Focal Loss损失函数公式如下:
FL(pt)=-αt(1-pt)γlog(pt)
如图4所示的标准卷积和深度可分离卷积两种卷积方式的比较图,这是构建轻量化网络的关键思想,通过改变卷积方式大大缩小模型的参数量,假设使用DK×DK表示卷积核尺寸,DF×DF表示输入的特征图尺寸,M、N分别表示输入和输出的通道数,则当步长为1且存在padding时,具体而言:
标准卷积参数计算量:F1=DK×DK×M×N×DF×DF;深度可分离卷积参数计算量为:F2=DK×DK×M×DF×DF+M×N×DF×DF;
如图5所示的轻量化加权双向金字塔Bi-FPN结构示意图,对特征提取网络提取的三种不同尺度(52×52、26×26、13×13)的特征图进行特征融合,对第二种尺度即分辨率为26×26的特征图(Feat2)融合过程做出具体解释:
作为一种或多种实施方式,在步骤S03中,利用已构建的轻量化目标检测模型对上述漂浮物训练集进行迭代训练,从训练得到的一系列目标检测模型中挑选出精度最高的模型作为最优目标检测模型,具体包括:
基于迁移学习策略对所述中轻量化主干网络Mobilenetv3进行预训练,导入大型数据集(如ImageNet数据集、COCO数据集)下训练过的Mobilenetv3权重作为初始权重;
采用构建的漂浮物训练集对预训练模型进行训练,通过微调对轻量化模型进行参数优化,得到微调后的轻量化YOLOV3目标检测模型;
基于随机梯度下降法,利用漂浮物训练集对微调后的模型进行冻结迭代训练和解冻迭代训练,得到训练过后的轻量化目标检测模型,从上述训练得到的一系列目标检测模型中选择精度最高的检测模型作为最优目标检测模型。
具体的,在冻结训练时,特征提取网络被冻结,占用内存较小,此时参数设置:Init_Epoch为0,Freeze_Epoch为50,Freeze_batch_size为8,Freeze_lr为1e-3。解冻训练时对整体网络进行调整,此时占用内存较大,参数设置如下:UnFreeze_Epoch为250,Unfreeze_batch_size为4,Unfreeze_lr为1e-4;可采用CUDA和多线程读取提高训练速度。
作为一种或多种实施方式,在步骤S04中,将测试集中待检图像输入到所述最优目标检测模型,训练好的轻量化网络模型对划分的漂浮物测试集进行性能检测,得到该图像的目标检测结果,还包括:利用深度学习框架对所述最优轻量化目标检测模型进行初始化。
在本实施例中,引入平均精度均值(mAP)以及每秒传输帧数(FPS)对改进算法性能进行评价,其中通常采用准确率P(precision)、召回率R(recall)、F1-Score(准确率与召回率的调和平均)、平均精度均值MAP(mean average precision)作为模型精度评价指标,通常情况下MAP数值越高目标识别越好。
为验证方法的有效性,本实施例验证了改进后的算法在监控画面下真实场景中的检测效果,将训练好的模型应用于测试集,对不同成像环境下的水面漂浮物样本进行检测,结果如表Ⅰ所示。
表Ⅰ不同成像环境下漂浮物检测效果
结果分析可知,相较于原始的Yolov3算法,本实施例所提出的改进算法在检测精度和检测速度都有着大幅度的涨幅,其中原始的Yolov3平均准确率均值(mAP)为83.7%,改进后mAP值提升至92.8%,涨幅为6.1%。
本实施例对所提出的轻量化目标检测方法和原始YOLOV3进行了实验结果对比,其中图6(a)为监控画面下漂浮物样本图像,包括不同尺度的样本、不同成像环境下的难易样本;图6(b)为原始YOLOV3的检测结果图,可以看出原始算法对于难分样本和小尺度目标的检测结果并不理想,且存在大量漏检情况;图6(c)为本实施例提出的目标检测方法针对多尺度漂浮物目标的检测结果,可以看出,改进后的算法对于小尺度的样本识别效果明显提升;图6(d)为本实施例提出的目标检测方法针对漂浮物样本数据集中困难样本的检测结果,可以看出,引入Focal Loss损失函数后,轻量化模型对难分样本的挖掘能力提升,难分样本检测效果得到明显改善。
本实施例中改进后的算法针对不同尺度尤其是小目标漂浮物和恶劣成像环境系的漂浮物样本检测效果得到极大的改善,检测效果如图6(c)和图6(d)所示。针对相同漂浮物图像样本,改进后的算法帧率为86f·s-1,为原始算法帧率的2.2倍。
除此之外,本实施例还对改进算法的复杂度进行了分析,与原始算法对比结果如表2所示。
表2算法复杂度分析
改进后的轻量化检测算法参数量为2.4M仅为初始算法计算量的8.3%,更小的参数量意味着更快的推理速度。算法的训练时间缩减至初始算法的40%,大大节省了训练资源和时间成本。同时训练完成的权重文件仅为初始算法权重文件的21.7%,更小的权重文件意味着更加精巧的网络架构和更加广阔的应用空间,对模型的搭载平台性能的门槛大大降低,在性能较差的搭载环境下依旧能够有着良好的检测表现。
实施例二
本公开实施例二介绍了一种基于改进YOLOv3的监控漂浮物轻量化目标检测系统。
如图7所示的一种基于改进YOLOv3的监控漂浮物轻量化目标检测系统,包括:
获取模块,被配置为获取监控画面下的水面漂浮物图像;
检测模块,被配置为根据所获取的水面漂浮物图像和预设的轻量化目标检测模型,进行监控画面漂浮物的检测与识别;
其中,所述轻量化目标检测模型采用改进的YOLOv3算法,基于MobilenetV3特征提取网络进行图像特征提取,通过轻量化双向金字塔结构实现目标检测过程中的特征融合。
详细步骤与实施例一提供的基于改进YOLOv3的监控漂浮物轻量化目标检测方法相同,在此不再赘述。
实施例三
本公开实施例三提供了一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开实施例一所述的基于改进YOLOv3的监控漂浮物轻量化目标检测方法中的步骤。
详细步骤与实施例一提供的基于改进YOLOv3的监控漂浮物轻量化目标检测方法相同,在此不再赘述。
实施例四
本公开实施例四提供了一种电子设备。
一种电子设备,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程序,所述处理器执行所述程序时实现如本公开实施例一所述的基于改进YOLOv3的监控漂浮物轻量化目标检测方法中的步骤。
详细步骤与实施例一提供的基于改进YOLOv3的监控漂浮物轻量化目标检测方法相同,在此不再赘述。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于改进YOLOv3的监控漂浮物轻量化目标检测方法,其特征在于,包括以下步骤:
获取监控画面下的水面漂浮物图像;
根据所获取的水面漂浮物图像和预设的轻量化目标检测模型,进行监控画面漂浮物的检测与识别;
其中,所述轻量化目标检测模型采用改进的YOLOv3算法,基于MobilenetV3特征提取网络进行图像特征提取,通过轻量化双向金字塔结构实现目标检测过程中的特征融合。
2.如权利要求1中所述的一种基于改进YOLOv3的监控漂浮物轻量化目标检测方法,其特征在于,在获取监控画面下的水面漂浮物图像之后,对所获取的水面漂浮物图像进行预处理;所述预处理包括采用空间变换和色域变换进行图像的数据增广,以及采用标注软件进行图像的数据标注。
3.如权利要求1中所述的一种基于改进YOLOv3的监控漂浮物轻量化目标检测方法,其特征在于,所述轻量化目标检测模型采用Focal Loss损失函数。
4.如权利要求1中所述的一种基于改进YOLOv3的监控漂浮物轻量化目标检测方法,其特征在于,通过所述MobilenetV3特征提取网络替换传统的YOLOv3算法中的Darknet53网络,改变卷积方式;将标准卷积替换为深度可分离卷积,构建轻量化YOLOv3网络模型。
5.如权利要求4中所述的一种基于改进YOLOv3的监控漂浮物轻量化目标检测方法,其特征在于,基于所述MobilenetV3特征提取网络进行不同尺度特征图的特征提取,通过构建轻量化加权双向金字塔对所提起到的不同尺度特征图的特征融合。
6.如权利要求1中所述的一种基于改进YOLOv3的监控漂浮物轻量化目标检测方法,其特征在于,基于所述轻量化目标检测模型对所获取的水面漂浮物图像进行迭代训练,挑选目标检测优化模型,具体为:基于迁移学习策略对所述MobilenetV3特征提取网络进行预训练得到初始权重,构建预训练模型;基于所构建的预训练模型进行参数优化,得到微调后的轻量化YOLOV3目标检测模型;结合随机梯度下降法,利用水面漂浮物图像对微调后的轻量化YOLOV3目标检测模型进行冻结迭代训练和解冻迭代训练,得到训练后的轻量化目标检测模型,实现目标检测优化。
7.如权利要求1中所述的一种基于改进YOLOv3的监控漂浮物轻量化目标检测方法,其特征在于,所述监控画面漂浮物的识别指标包括准确率、召回率、准确率与召回率的调和平均值、精度均值和每秒传输帧数。
8.一种基于改进YOLOv3的监控漂浮物轻量化目标检测系统,其特征在于,包括:
获取模块,被配置为获取监控画面下的水面漂浮物图像;
检测模块,被配置为根据所获取的水面漂浮物图像和预设的轻量化目标检测模型,进行监控画面漂浮物的检测与识别;
其中,所述轻量化目标检测模型采用改进的YOLOv3算法,基于MobilenetV3特征提取网络进行图像特征提取,通过轻量化双向金字塔结构实现目标检测过程中的特征融合。
9.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的基于改进YOLOv3的监控漂浮物轻量化目标检测方法中的步骤。
10.一种电子设备,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程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于改进YOLOv3的监控漂浮物轻量化目标检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210420992.8A CN115019243A (zh) | 2022-04-21 | 2022-04-21 | 基于改进YOLOv3的监控漂浮物轻量化目标检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210420992.8A CN115019243A (zh) | 2022-04-21 | 2022-04-21 | 基于改进YOLOv3的监控漂浮物轻量化目标检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115019243A true CN115019243A (zh) | 2022-09-06 |
Family
ID=83067121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210420992.8A Pending CN115019243A (zh) | 2022-04-21 | 2022-04-21 | 基于改进YOLOv3的监控漂浮物轻量化目标检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115019243A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115909225A (zh) * | 2022-10-21 | 2023-04-04 | 武汉科技大学 | 一种基于在线学习的OL-YoloV5船舶检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462050A (zh) * | 2020-03-12 | 2020-07-28 | 上海理工大学 | 改进YOLOv3的极小遥感图像目标检测方法、装置及存储介质 |
CN112699900A (zh) * | 2021-01-05 | 2021-04-23 | 东北林业大学 | 一种改进YOLOv4的交通标志识别方法 |
CN112784748A (zh) * | 2021-01-22 | 2021-05-11 | 大连海事大学 | 一种基于改进的YOLOv3的微藻识别方法 |
CN113435269A (zh) * | 2021-06-10 | 2021-09-24 | 华东师范大学 | 一种基于YOLOv3改进的水面漂浮物检测与识别方法及系统 |
CN113537244A (zh) * | 2021-07-23 | 2021-10-22 | 深圳职业技术学院 | 一种基于轻量化YOLOv4的家畜图像目标检测方法及装置 |
CN113569667A (zh) * | 2021-07-09 | 2021-10-29 | 武汉理工大学 | 基于轻量级神经网络模型的内河船舶目标识别方法及系统 |
CN113989613A (zh) * | 2021-10-13 | 2022-01-28 | 上海海事大学 | 一种应对复杂环境的轻量级高精度船舶目标检测方法 |
-
2022
- 2022-04-21 CN CN202210420992.8A patent/CN115019243A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462050A (zh) * | 2020-03-12 | 2020-07-28 | 上海理工大学 | 改进YOLOv3的极小遥感图像目标检测方法、装置及存储介质 |
CN112699900A (zh) * | 2021-01-05 | 2021-04-23 | 东北林业大学 | 一种改进YOLOv4的交通标志识别方法 |
CN112784748A (zh) * | 2021-01-22 | 2021-05-11 | 大连海事大学 | 一种基于改进的YOLOv3的微藻识别方法 |
CN113435269A (zh) * | 2021-06-10 | 2021-09-24 | 华东师范大学 | 一种基于YOLOv3改进的水面漂浮物检测与识别方法及系统 |
CN113569667A (zh) * | 2021-07-09 | 2021-10-29 | 武汉理工大学 | 基于轻量级神经网络模型的内河船舶目标识别方法及系统 |
CN113537244A (zh) * | 2021-07-23 | 2021-10-22 | 深圳职业技术学院 | 一种基于轻量化YOLOv4的家畜图像目标检测方法及装置 |
CN113989613A (zh) * | 2021-10-13 | 2022-01-28 | 上海海事大学 | 一种应对复杂环境的轻量级高精度船舶目标检测方法 |
Non-Patent Citations (1)
Title |
---|
叶浩, 李建祯, 杨晓飞;: "基于深度学习的水面目标检测模型压缩方法", 《扬州大学学报(自然科学版)》, vol. 24, no. 3, 30 June 2021 (2021-06-30), pages 43 - 47 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115909225A (zh) * | 2022-10-21 | 2023-04-04 | 武汉科技大学 | 一种基于在线学习的OL-YoloV5船舶检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112183788B (zh) | 一种域自适应设备运检系统和方法 | |
CN113780296A (zh) | 基于多尺度信息融合的遥感图像语义分割方法及系统 | |
CN111950453A (zh) | 一种基于选择性注意力机制的任意形状文本识别方法 | |
Li et al. | Automatic bridge crack identification from concrete surface using ResNeXt with postprocessing | |
CN114842019B (zh) | 一种电池板表面缺陷检测方法、系统、存储介质及设备 | |
CN110705412A (zh) | 一种基于运动历史图像的视频目标检测方法 | |
CN109948696A (zh) | 一种多语言场景字符识别方法及系统 | |
CN114781514A (zh) | 一种融合注意力机制的漂浮物目标检测方法及系统 | |
CN117765373B (zh) | 一种自适应裂缝尺寸的轻量化道路裂缝检测方法及系统 | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN114612872A (zh) | 目标检测方法、装置、电子设备及计算机可读存储介质 | |
CN114782967B (zh) | 一种基于代码可视化学习的软件缺陷预测方法 | |
CN115937736A (zh) | 基于注意力和上下文感知的小目标检测方法 | |
CN117152484A (zh) | 改进YOLOv5s的小目标布匹瑕疵检测方法 | |
CN113962980A (zh) | 基于改进yolov5x的玻璃容器瑕疵检测方法及系统 | |
CN117495836A (zh) | 一种素色织物疵点检测方法 | |
CN117173547A (zh) | 一种基于改进的YOLOv6算法的水下目标检测方法 | |
CN114913523B (zh) | 基于yolox的植物气孔多功能实时智能识别系统 | |
CN116452965A (zh) | 一种基于声光融合的水下目标检测识别方法 | |
CN115019243A (zh) | 基于改进YOLOv3的监控漂浮物轻量化目标检测方法及系统 | |
CN115424243A (zh) | 基于yolov5-shufflenetv2的车位号码识别方法、设备和介质 | |
CN115761667A (zh) | 一种基于改进fcos算法的无人车辆搭载摄像头目标检测方法 | |
CN115035429A (zh) | 一种基于复合主干网络和多预测头的航拍目标检测方法 | |
Gooda et al. | Automatic detection of road cracks using EfficientNet with residual U-net-based segmentation and YOLOv5-based detection | |
Yang et al. | A real-time object detection method for underwater complex environments based on FasterNet-YOLOv7 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |