[发明专利]一种面向低算力运算装置的轻量化物体检测方法与系统

说明书

本发明公开了一种面向低算力运算装置的轻量化物体检测方法和系统，方法包括：利用低算力运算装置中的相机采集真实场景下待检测物体的图像；低算力运算装置读取图像；对读取图像进行预处理获得训练集；将训练集输入到轻量化主干网络中进行训练并基于下采样机制提取特征，其中下采样机制为根据下采样倍数的不同采用不同的下采样策略进行运算；特征提取采用轻量化的特征提取方法；将提取的特征通过深浅层特征融合模块，基于多尺度融合的双注意力算法进行多尺度特征融合；输出三个不同检测尺度的深浅层检测分支，通过检测分支模块对输出的三个不同检测尺度的深浅层检测分支分别进行预测并获得检测结果；将物体的检测结果通过低算力运算装置实时显示。

技术领域

本发明涉及计算机视觉和图像处理领域，具体涉及一种面向低算力运算装置的轻量化物体检测方法、系统、电子设备及存储介质。

背景技术

近年来，计算机技术在各个领域中的需求都日益增加。轻量化目标检测作为一项效率高成本低的技术，在人工智能发展中有着很广泛的应用前景，比如智慧农业、智慧建筑等领域。近年来随着计算机视觉领域的飞速发展以及人工智能概念的普及，如何降低深度学习目标检测算法的计算量，同时又保证检测精度足够高成为了人工智能项目真正投入生产实践的关键。

目前，在实际场景下使用深度学习的目标检测方法有很多，例如Koirala等人基于YOLOv3网络提出了一种针对芒果的检测算法MangoYOLO，对每棵果树的前后双视图进行芒果检测，最终在HPC高性能计算机群中每张图的检测速度可以达到70ms，14.3FPS。Wan等人提出了一种改进的faster R-CNN网络，用于多类别的果实检测。在GTX 1060显卡上每张图的检测速度能达到58ms，17.2FPS。Longsheng等人建立了一个苹果检测算法，采用两种快速的神经网络结构ZFNet和VGG16来检测原始RGB和前景RGB图像，并通过这种方法提高了苹果检测精度，在NVidia TITAN XP显卡中每幅图片的平均检测时间为0.181秒，5.5FPS。上述算法计算量很大且网络模型十分复杂，在大型GPU中都很难达到实时检测的目的。

此外，一篇名称为一种采用改进的YOLO-V4模型对樱桃果实进行检测的方法专利文献(申请号：202011465294.7)提供了一种改进的YOLO-V4目标检测算法，有助于帮助智慧农业的建设。该方法将标签文件由矩形改为更适合樱桃生长形态的圆形，然后送入主干网络中。该主干网络由DenseNet网络结构构成，其中包括DenseBlock和Transition层两个组成部分；DenseBlock为结构中特有模块，同一个DenseBlock中，特征层的宽、高不会发生改变，但是通道数会随着改变，主要用于通过卷积的方式提取图像中目标的特征；所述Transition层是将不同DenseBlock之间进行连接的模块，结合当前DenseBlock获得的特征，缩小上一个DenseBlock的宽高；该方法将YOLO-V4模型主干网络替换为DenseNet模型，提高层间的稠密性，实现高精度检测。但是该专利是基于计算量非常大的YOLO-V4模型进行的改进，并且将主干网络改为计算量更为庞大的DenseNet，运算速度极低。此外，该专利将简单的矩形框检测替换为更为复杂的多边形进行训练，会导致参数量和计算量会进一步增加，运算速度也进一步降低。以上两点会导致其无法真正投入到实际的生产应用中达到实时检测的目的；上述专利提供的检测方法仅限用于大型的GPU进行目标检测，而由于该检测算法模型过于复杂，很难部署在算力较差的低算力运算装置上面进行大范围移动式的目标检测。

总之，现有算法存在如下技术缺陷：

1、通常用于部署在大型的GPU中，将其应用在人工智能系统中将会导致系统便捷性大大降低；

2、现有算法网络模型过于复杂，计算量过于庞大导致检测速度十分缓慢；如果将其部署在移动端的低算力运算装置中或者CPU进行处理将会导致速度进一步下降，无法达到实时检测的效果，甚至无法实现检测目的；

3、现在常用的轻量化网络牺牲了特征提取能力，导致检测精度很低，在检测密集的小目标时效果并不理想。