[发明专利]一种基于改进YOLOv4-tiny的轻量型目标检测方法及系统

权利要求书

1.一种基于改进YOLOv4-tiny的轻量型目标检测方法，其特征在于：包括，

获取口罩图像数据；

制作口罩数据集；

搭建改进的YOLOv4-tiny目标检测模型；

训练改进的YOLOv4-tiny目标检测模型；

对改进的YOLOv4-tiny目标检测模型进行评估；

进行测试；

所述改进的YOLOv4-tiny目标检测模型包括主干特征提取网络、颈部加强特征提取网络和预测网络；

所述主干特征提取网络包括依次设置的卷积1、卷积2、轻量模块、最大池化层1、增强模块1、最大池化层2、增强模块2、最大池化层3以及多尺度融合模块，

所述多尺度融合模块包括依次设置的卷积4、第一拼接Concat模块和卷积3，所述卷积4与所述最大池化层2连接，所述第一拼接Concat模块与最大池化层3连接；

所述颈部加强特征提取网络包括与最大池化层2连接的第一改进的双重注意力机制结构、与第一改进的双重注意力机制结构连接的第二拼接Concat模块，以及依次设置的改进的空间金字塔池化结构、卷积5、上采样卷积6和第二改进的双重注意力机制结构，所述第二改进的双重注意力机制结构与所述第二拼接Concat模块连接，所述卷积3与所述改进的空间金字塔池化结构连接；

所述预测网络包括依次设置的深度可分离卷积2和卷积8，以及依次设置的深度可分离卷积1和卷积7，所述深度可分离卷积2与所述第二拼接Concat模块连接，所述深度可分离卷积1与所述卷积5连接；

多尺度融合模块的设置包括如下步骤，

首先，将最大池化层2输出的分辨率为26×26的特征图，经过卷积4步长为2的3×3卷积层进行下采样，得到13×13分辨率的特征图；其次，将该特征图与最大池化层3输出的13×13的特征图拼接Concat，形成分辨率为13×13，通道数为640的特征图；最后，再经过卷积核大小为1×1，通道数为512的卷积3后输出主干特征提取网络的特征图；

所述轻量模块是将原CSPBlock结构的第一层卷积层3×3替换为1×1和3×3的卷积层，即由原3×3、输出通道为2c的卷积层替换为先经过1×1、将通道数压缩至c的点卷积层，再经过3×3、将通道由c扩张为2c的卷积层，然后将其分成第一部分和第二部分，其中第二部分依次经过两个卷积层3×3，并将经过第一个卷积层3×3后的结果与经过第二个卷积层3×3后的结果进行拼接Concat，然后再经一个卷积层1×1后与第一部分进行拼接Concat，形成轻量模块；

所述增强模块是在原CSPBlock结构的第一层卷积核大小为3×3、输出通道为2C的卷积层之后，添加一个卷积核大小为1×1、通道数为C的点卷积层，接着添加一个卷积核大小为3×3、输出通道为2C的卷积层，然后将其同样分成第一部分和第二部分，其中第二部分依次经过两个卷积层3×3，并将经过第一个卷积层3×3后的结果与经过第二个卷积层3×3后的结果进行拼接Concat，然后再经一个卷积1×1后与第一部分进行拼接Concat，形成增强模块。

2.如权利要求1所述的基于改进YOLOv4-tiny的轻量型目标检测方法，其特征在于：所述双重注意力机制结构包括通道注意力模块和空间注意力模块；

所述通道注意力模块采用如下公式计算：

式中，M_c(F)∈R^C×1×1表示通道注意力；表示均值池化的通道描述信息；表示最大值池化的通道描述信息；σ表示Sigmoid激活函数，表示卷积核大小为k的一维卷积操作，k为卷积核大小，可自适应计算，公式如下：

式中，C是通道数，γ,b为超参数，表示与最邻近的奇数；

所述空间注意力模块采用如下公式计算：

式中，M_S(F′)∈R^1×H×W表示空间注意力；表示均值池化的通道描述信息；表示最大值池化的通道描述信息；σ表示Sigmoid激活函数，表示采用卷积核大小为7的空洞卷积，空洞率为2。

3.如权利要求2所述的基于改进YOLOv4-tiny的轻量型目标检测方法，其特征在于：口罩图像数据包括佩戴口罩图像、未佩戴口罩图像和未正确佩戴口罩图像。