[发明专利]一种基于三阶级联架构的YOLOv3的远景目标检测方法

权利要求书

1.一种基于三阶级联架构的YOLOv3的远景目标检测方法，其特征在于，该方法具体包括以下步骤：

S1：构建目标检测模型：将准备好的远景农作物图片作为样本图片，再使用视觉相干混合技术和几何手段进行数据增强，形成远景数据集后再使用图像标注软件进行标注，最后通过三阶级联架构的YOLOv3算法进行训练，生成目标检测模型；构建目标检测模型的具体步骤包括：

S101：准备远景农作物样本图像作为数据集；

S102：采用视觉相干混合技术处理数据集，找到和数据集总数量相同且大小一样的其它农作物的图片，按0.1：0.9的比例将两个数据集在像素层面上进行混合，得到混合后的远景数据集；

S103：对混合后的远景数据集采用几何手段进行数据增强，对一半的图片采用随机水平翻转，对另一半的图片采用随机颜色抖动，包括调整亮度、色调、饱和度以及对比度，将所有图片放在一起，形成最终用来训练的远景数据集；

S104：通过图像标注软件LabelImg对图像进行数据标注，生成与所标注图片文件名相同的xml文件；

S105：使用K_Means算法计算样本数据集的聚类中心，对于远景数据集，将传统YOLOv3设置的九个聚类中心增加到十二个聚类中心；

S106：将样本数据集按照4：2：4的比例划分为训练集、验证集和测试集；

S107：将训练集图片调整成不同尺寸构建图像金字塔输入网络中，经过三阶级联架构与Darknet53提取图片的特征，将特征进行按照随机权重进行融合并把融合后的特征送到三个YOLO检测层中，将特征图划分为三个不同数量的单元格，输出带有YOLO层所画预测框的图；

S108：对比YOLO层所画预测框和anchor的坐标，采用logistic方式回归坐标偏移量；

S109：同时使用logistic回归对每个检测框中存在物体的可能性进行评分，记为置信度，选出置信度最高的检测框保留，其余框删除；

S110：置信度评分后，网络会对检测框中的物体进行分类；

S111：将预测结果同训练集的标注进行比较，判断是否训练完，如果未训练完成，则根据比较结果和损失函数继续训练；如果训练完成，则结束训练，生成权重；

S112：将形成的权重通过剪枝算法，设置剪枝系数，缩小权重的大小及参数量，形成最终的目标检测模型；

S2：采集检测目标的视频图像，输入目标检测模型中进行目标检测，得到含有置信得分的目标图；进行目标检测的具体步骤包括：

S201：输入一张任意大小的图片，保持图片的长宽比不变并将图片尺寸随机缩放到16的倍数，形成归一化图像输入网络；

S202：通过三阶的级联卷积神经网络对任务进行从粗到细进行处理；

三阶级联的每个阶段的网络都是一个多任务网络；处理任务有三个：物体/非物体判定、物体检测框回归和特征点定位；其中，物体/非物体判定采用cross-entropy损失函数，物体检测回归采用欧式距离损失函数，特征点定位采用欧式距离损失函数；

S203：将经过级联架构处理后的图像，通过YOLOv3的主干网络，采用残差结构和小卷积核提取图片特征，并将其每层特征层按随机权重分配后进行特征融合；按浅层特征与深层特征对检测功能的贡献度不同，将浅层特征层赋予权重在0～0.5之间的随机数w1，后面的深层特征则赋予0.5-1之间的随机数w2；

p(y_i|x)＝soft max(g(v_x)+w₁*f_i(v_x)+w₂f_j(v_x))

其中，v_x表示某一张被预测为x的图片，g为网络层最后层的卷积函数，f_i表示浅层的卷积函数，f_j表示第二层卷积函数；

S204：使用特征金字塔结构，设置三个不同尺寸的检测层分别针对大目标和小目标进行检测，并以此输出一个13*13×25的张量，一个26*26*25和一个52*52*25的张量；其中，在每个预测向量中，第1～5维为对应网格的第一个预测边框及其置信度，第6～10维为对应网格的第二个预测边框及其置信度，第11～15维为对应网格的第三个预测边框及其置信度，第16～20维为对应网格的第四个预测边框及其置信度，第21～25维对应网格中检测到的目标所属对应类别的概率；

S205：通过设置置信度阈值，将低于置信度阈值的预测边框删除；

S3：通过非极大值抑制算法比较置信度得分，得到目标的位置信息和置信度信息；

S4：根据得到的位置信息，对目标个数进行计算总数，得到最终的目标位置信息和数量信息。