[发明专利]一种基于EVP_YOLO的室内物品检测方法

权利要求书

1.一种基于EVP_YOLO的室内物品检测方法，其特征在于包括以下步骤：

S1、构建EVP_YOLO的主体网络，主体网络拥有五个特征层和一个池化层，每个特征层都采用回流残差结构；

S2、对完成卷积的结果标准化处理后送入激活函数中；

S3、对激活函数输出值进行标签平滑处理：

S4、训练网络模型；

S5、对训练好的网络模型输入测试数据，进行自动目标检测。

2.根据权利要求1所述的一种基于EVP_YOLO的室内物品检测方法，其特征在于步骤1所述的主体网络，具体结构如下：

前两个特征层为公共特征层，后三个特征层位于主干网络的不同位置，后三个特征层经过多次卷积所提取的特征数据被分为两部分，一部分用于该特征层的结果预测，另一部分采用回流结构，进行卷积后再重新输入到前一个特征层；池化层负责将卷积后的数据进行池化处理，池化处理后的数据也分为两部分，一部分用于直接输出，另一部分同样采用回流结构，回传至前一个特征层用以增加边界框视野，从而分离出更加显著的上下文特征；并且每次卷积都使用了特有的正则化卷积结构，每一次卷积的时都会进行正则化处理。

3.根据权利要求2所述的一种基于EVP_YOLO的室内物品检测方法，其特征在于步骤2具体实现如下：

Mish函数则更加的平滑，具有更好的泛化能力，并且Mish函数并不是一个单调函数此性质对于整体数据中的小的负值更加友好，从而使网络模型中的梯度流也更加的稳定，数学的方式表示为：

式中，Mish(*)为激活函数，x为输入数据，该数据是完成卷积后标准化数据。

4.根据权利要求3所述的一种基于EVP_YOLO的室内物品检测方法，其特征在于步骤3具体实现如下：

标签平滑处理时，每一个边界框都使用多标签分类器来预测所包含物体的可能类别，采用softmax分类器对物体类别进行分类；在进行类别预测时EVP_YOLO使用交叉熵来作为系统的损失值；在进行交叉熵优化的时候EVP_YOLO会尽量使结果接近标签值0和标签值1以减少损失值，但这样做又会很大概率的造成结果过拟合；针对过拟合问题对EVP_YOLO标签值做调整，使两端的极值往中间靠拢以增加系统的泛化能力，标签平滑公式如下：

q(k|x)＝(1-ε)δ_k,y+εu(k) (3

式中，q为预测x所处类别的概率，ε是概率函数u(k)的随机变量)，而u(k)则是模型中所定义的类别函数，表示x是否处于此类别，δ_k,y为一个冲击函数只有0和1两种取值；此时模型的损失函数共分为四个部分：分别对预测的中心坐标做损失，对预测边界框的宽高做损失，对预测的类别做损失和对预测的置信度做损失；损失(Loss)函数如下所示：

式中，第一项为预测物体中心坐标损失，S²代表所划分的网格单元个数，B表示网格单元所预测的边界框个数，代表预测的x坐标，代表预测的y坐标，代表真实的x坐标，代表真实的y坐标；第二项为对预测边界框的宽高做损失，为预测的宽，为预测的高，为实际的宽，为实际的高，通过预测边界框宽度和高度的平方根来代替直接预测宽度和高度，从而取得更好的效果，这部分主要优化置信度和w，h的回归值；第三项和第四项对预测的置信度进行损失计算,则表示如果在i，j处的网格单元有目标，其值为1，否则为0，则表示在i，j处的网格单元没有目标，其值为1，否则为0；λ_noobj用于增强边框坐标损失，减少用于不包含目标物体边界框置信度损失的权重参数；为预测置信度，为实际置信度，主要用于优化置信度，同时缩减了检测的目标量级；最后一项对预测的类别做损失，为平滑处理后预测的所属类别概率，为平滑处理后真实所属类别概率，值得注意的是当单元格内没有目标时是不会对分类误差做出惩罚的，这部分主要优化置信度损失和类别损失。