[发明专利]一种适用小目标检测的改进型YOLOv4网络结构及其应用

说明书

本发明提供了一种适用小目标检测的改进型YOLOv4网络结构：包括两部分改进，一部分为在YOLOv4网络结构中增加一层特征检测层，具体为将原PANet网络中输出的特征图N2上采样后，与CSPDarknet53网络中提取的特征图P2进行融合并卷积，以此作为第四层特征检测层；另一部分为将原YOLOv4网络结构中的SPP模块替换为ASPP模块。本发明一方面通过新增第四层特征检测层，提取更浅层特征信息，另一方面通过融合ASPP模块，聚合多尺度上下文信息；最终提升YOLOv4神经网络对小尺寸目标的识别能力。

技术领域

本发明属于人工智能图像识别技术领域，具体涉及一种适用于小目标检测的改进型YOLOv4网络结构及其应用。

背景技术

近年来，多媒体技术迅猛发展，图像识别技术作为计算机视觉领域中的重要分支，被广泛应用到航天航空领域、军事领域、公共安全领域以及工农业等相关领域。当前对于图像中大尺寸目标物的检测识别，现有卷积神经网络模型已能够做到较为准确地完成。

然而对于图像中的小尺寸目标，例如针对施工场所工作人员安全帽佩戴的检测识别，因施工场所环境复杂，各场景中监控设备的安装位置不定，获取的监控画面视觉效果不同，检测范围较远，人体头部图像在监控画面中所占像素点较少。这些情况将会导致很多现有神经网络模型的识别准确率大大下降，检测效果不佳；特别是对于某些监控范围广，工作人员视觉效果较小的场景，现有神经网络容易会出现较多的误检、漏检问题。

发明内容

针对现有技术中存在的不足，本发明提供了一种适用小目标检测的改进型YOLOv4网络结构及其应用，用以解决现有神经网络对小尺寸目标识别不佳的问题，尤其是改善对施工现场人员安全帽佩戴情况的识别能力。

本发明通过以下技术手段实现上述技术目的。

一种适用小目标检测的改进型YOLOv4网络结构：在YOLOv4网络结构中增加一层特征检测层：将原PANet网络中输出的特征图N2上采样后，与CSPDarknet53网络中提取的特征图P2进行融合并卷积，以此作为第四层特征检测层。

进一步地，PANet网络中，将每次特征融合后的卷积次数降低。

进一步地，PANet网络中，在每次特征融合后进行3次卷积。

进一步地，网络结构的输入图片大小设为416*416，相应特征图N2的特征尺度为52*52，特征图P2的特征尺度为104*104，PANet输出特征图的特征尺度由浅至深依次为104*104、52*52、26*26和13*13。

进一步地，将原YOLOv4网络结构中的SPP模块替换为ASPP模块。

进一步地，所述ASPP模块中采用不同扩张率的混合空洞卷积。

进一步地，所述混合空洞卷积包括3个卷积核为3*3的空洞卷积，3个空洞卷积的扩张率分别为1、2、3。

一种上述改进型YOLOv4网络结构的应用：应用所述改进型YOLOv4网络结构对施工场所中的安全帽佩戴情况进行检测识别。

本发明的有益效果为：

(1)本发明提供了一种改进型YOLOv4网络结构，一方面通过在原YOLOv4网络结构中增加第四层特征检测层，以此提取更浅层特征信息，另一方面将原网络结构中的SPP模块替换为ASPP模块，以此聚合多尺度上下文信息；最终通过上述对网络结构方面的改进，提升YOLOv4神经网络对小尺寸目标的识别能力。

(2)为缓解神经网络的计算压力，本发明将PANnet中每次融合后的卷积由5次降低为3次，最终经实测验证，改进后的网络结构与原网络结构相比，对于小目标识的别精度提高了2.9％，而检测速度仍保持不变。

(3)本发明ASPP模块中采用不同扩张率的混合空洞卷积，以此解决单一空洞卷积所导致的信息连续性受损问题。