[发明专利]一种基于YOLOv3的口罩检测模型的轻量化方法及系统

权利要求书

1.一种基于YOLOv3的口罩检测模型的轻量化方法，其特征在于，包括以下步骤：

S1：获取口罩样本并制作训练集、测试集和验证集，对制作好的训练集、测试集和验证集进行预处理和格式转化；

S2：搭建YOLOv3的骨干网络及多尺度特征融合的网络结构；

S3：在原网络结构基础上进行改进，搭建改进后的口罩检测模型；得到改进的ML-YOLOv3网络模型；

S4：训练YOLOv3和改进的ML-YOLOv3网络模型，直到损失函数不再继续收敛，保留最优的权重文件；

S5：对改进后的口罩检测模型进行测试，检测出目标类别并用方形框标注，获得检测结果。

2.如专利要求1所述的基于YOLOv3的口罩检测模型的轻量化方法，其特征在于，

所述进行预处理和格式转化的具体步骤为：

口罩样本的数据格式包含VOC格式和txt格式，将数据集格式统一调整为txt格式；

通过调整图像的饱和度和曝光度对制作好的数据集进行数据增强；对图像进行扭曲或水平翻转预处理操作；

对数据增强和格式转换之后图像的尺寸进行调整；

将数据集的训练集，测试集和验证集按比例划分为8：1：1。

3.如专利要求1所述的基于YOLOv3的口罩检测模型的轻量化方法，其特征在于，

搭建YOLOv3的骨干网络及多尺度特征融合的网络结构具体步骤为：

在Darknet53的骨干网络中添加5组残差结构，其中每一个残差结构包含的残差块对应网络的所有残差；输入特征通过Darknet53骨干网络进行两次卷积操作，将输入特征跟经过这两次卷积操作后输出的特征图叠加，作为最终特征进行输出。

4.如专利要求3所述的基于YOLOv3的口罩检测模型的轻量化方法，其特征在于，

输入特征在通过Darknet53骨干网络时，首先进行常规卷积操作，而后通过5组叠加的残差块，每相邻的两个残差块之间需要进行下采样连接。

5.如专利要求3所述的基于YOLOv3的轻量化口罩检测方法，其特征在于，分别取第3、4、5组残差块的输出，当作多尺度融合特征提取网络的输入，尺寸为1x1和3x3的卷积核用于多尺度特征融合提取网络中，通过上采样的方式同前一组残差块的输出进行融合，最后输出3个不同的尺度的特征图。

6.如专利要求1所述的基于YOLOv3的口罩检测模型的轻量化方法，其特征在于，所述改进过程为：在Darknet53网络的基础上，融合CSPNet和Darknet53设计了一种梯度分流的轻量化网络ML-Darknet；ML-Darkent采用了下采样连接CSPnet模块的网络结构，使只有一半的通道数参与ResNet运算；在ML-Darkent采用“1，1，1，1，1”ResNet的堆叠方式。

7.如专利要求1所述的基于YOLOv3的口罩检测模型的轻量化方法，其特征在于，所述改进过程还包括：在多尺度特征提取网络的基础上，融合PANet的骨干网络和ResNet网络设计了更为轻量化的网络结构PANet-ResNet-Network，PANet-ResNet-Network添加了自下而上的特征融合方式，增强深层特征和浅层特征的融合，提高整个特征层次结构。