[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

说明书

本发明公开了一种基于改进YOLOv4‑tiny的轻量型目标检测方法和系统，一种基于改进YOLOv4‑tiny的轻量型目标检测方法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，一种基于改进YOLOv4‑tiny的轻量型目标检测系统包括监控设备、计算设备、控制设备、报警设备、语音设备、限流设备和显示设备。本发明所述方法及系统能够对公共场所中行人的口罩佩戴情况进行快速、实时、准确的监测，对未佩戴口罩和未正确佩戴口罩的行人目标进行跟踪提醒，大大提高了公共场合下口罩佩戴的检测效率。

技术领域

本发明涉及目标检测技术领域，特别是一种基于改进YOLOv4-tiny的轻量型目标检测方法及系统。

背景技术

口罩，是一种卫生用品，一般指戴在口鼻处用于过滤进入口鼻的空气，以达到阻挡空气中有害的气体、飞沫、病毒等物质的作用，在呼吸道传染病流行时，特别地，在疫情期间，佩戴口罩是一种极为有效且经济的防控手段，也是防止病毒传播的有效途径之一。

公共场合(如社区、校园、超市、医院、工厂、车站等)的口罩佩戴检测已经成为一项日常检查的核心工作。但在这些大部分地方，目前基本都是人工检查佩戴口罩情况。人工方式一方面会造成人力资源的浪费和效率低下，另一方面存在近距离接触的安全隐患，更重要的是，还存在漏检和误检等问题。同时，对于不正确佩戴口罩的问题，除了会造成人工检测工作量额外增加，还会威胁周围环境的安全。

机器视觉技术的发展使得能够利用监控、计算机等软硬件设备集成的方式来实现人脸口罩佩戴情况检测，从而达到非接触自动检测的目的。由于口罩的不同形态、颜色、光照影响、遮挡干扰等让检测任务变得更加艰难，更具有挑战性，如何在现阶段特定情形下，对佩戴口罩的人群实现准确、快速的口罩自动检测成为了当下一个重要的研究问题。

目前大多数研究都是采用基于机器学习与深度学习实现口罩佩戴检测，存在如下问题：

(1)传统的机器学习检测方法，比较倾向于使用不同尺寸的滑动窗口选中图中的部分区域，分析选中区域的特征，但需要人工提取特征，建模难度大，比较繁琐，对使用者要求较高。

(2)现有的深度卷积神经网络，比如VGGNet、GoogLeNet、ResNet和DenseNet等在完成分类时，由于自身网络结构复杂，使得模型参数繁多，模型权重文件较大，训练时间较长。

(3)现有的基于深度学习的目标检测算法，比如R-CNN、Fast-RCNN、Faster-RCNN等两阶段算法，虽然能得到较高的检测精度，但由于阶段复杂，使得测试速度通常较慢，不太适合用于需要实时检测，快速响应的应用场合。而像SSD、YOLO等一系列单阶段算法，虽然具有很快的检测速度，能满足实时检测需求，但某些应用上的检测精度仍有待提高。这些深度学习算法对计算机等设备的性能通常要求较高。然而，公共场合下用于自动检测的计算机硬件配置通常不会太高，这对算法的性能会有较大的影响。

(4)近几年兴起的一些轻量型卷积神经网络，比如：MobileNet系列、YOLO v3-tiny、YOLO v4-tiny等，虽然它们大大缩短了模型参数量和训练时间，但是在牺牲了一部分准确率的前提下，使得配置不高的硬件设备可以实现检测，但在具体应用过程中，仍然存在一定的局限性。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述和/或现有的基于改进YOLOv4-tiny的轻量型目标检测方法中存在的问题，提出了本发明。

因此，本发明所要解决的问题在于如何提供一种基于改进YOLOv4-tiny的轻量型目标检测方法。