[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

说明书

本发明公开了一种基于YOLOv3的口罩检测模型的轻量化方法及系统，涉及目标检测技术领域，提出了两种针对YOLOv3的改进方法，分别设计了两种高效的轻量化网络结构，一种是ML‑Darkent，另一种是PANet‑ResNet‑Network。本发明提出一种轻量化口罩检测算法ML‑YOLOv3，对人群密集的场所进行是否佩戴口罩的检测，克服了现有技术中当公共场所的行人快速经过时，难以实现对密集行人是否佩戴口罩的实时检测的弊端，能够保证检测实时性的前提下，还可以提高口罩检测的效果。

技术领域

本发明涉及目标检测技术领域，尤其涉及一种基于YOLOv3的口罩检测模型的轻量化方法及系统。

背景技术

随着时代的发展，口罩成为每个人出行必带的一件物品，这不仅是为了自己和他人的健康着想，也是为了防止病毒进一步扩散和传播。对于一些需要佩戴口罩的场所，传统方法往往采用人工检测的方式检测进出的人群是否按规定佩戴口罩，工作量大，准确率低，还造成了人力资源的浪费。因此，采用自动检测方法，在一些人群密集的公共场所对行人是否佩戴口罩进行目标检索，对未带口罩的人进行筛选和警示显得尤为重要。采用深度学习方法对行人是否佩戴口罩进行的智能检测，是当今以及未来一段时间对口罩检测的主要方式和发展趋势。

发明人发现，现存的基于深度学习实现的口罩检测方法不够完善，存在一些影响检测效果的问题：传统网络残差块采用的卷积操作下采样连接，降低了图像尺寸的同时也增大了感受野。此外，传统的卷积操作由于参数量过大导致计算量过大，占用大量计算资源，进而对计算速度和计算精度产生不利影响。

发明内容

针对现有技术存在的不足，本发明提供一种基于YOLOv3的口罩检测模型的轻量化方法及系统，提出两种针对YOLOv3的改进方法，设计两种高效的轻量化网络结构：ML-Darkent和PANet-ResNet-Network，实现对密集行人是否佩戴口罩的实时检测，提高口罩检测的速度和效率。

为了实现上述目的，本发明是通过如下的技术方案来实现：

本公开第一方面提供了一种基于YOLOv3的口罩检测模型的轻量化方法，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。

进一步的，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。

进一步的，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。