[发明专利]一种基于RFEF-YOLO目标检测方法

说明书

本发明公开了一种基于RFEF‑YOLO目标检测方法，其特征在于，包括如下步骤：步骤1：获取带有待检测目标的图像，对获取图像进行灰度化预处理；步骤2：通过主干特征提取网络对预处理后图像进行主干特征提取，获得三个初步有效特征层；步骤3：将三个初步有效特征层作为特征推理融合网络的输入，提取三个有效特征；步骤4：将三个有效特征作为YOLO Head的输入，获取目标检测结果。本发明通过构建特殊的初步有效层来获取对应的有效层的方式来获取图像中的目标，提高了目标获取的准确性和速率。

技术领域

本发明涉及目标检测技术领域，具体涉及一种基于RFEF-YOLO目标检测方法。

背景技术

近年来，高效精确的检测在工业生产中起着至关重要的作用。目标检测的目的是在给定的图像中分类和定位感兴趣的目标。但由于自主智能体平台通常是不具备大算力的，要实现高精度的目标检测必然要面临数据量庞大，算力不足致使检测速度较低等问题，使得这方面的研究受到限制。高精度深度学习目标检测算法通常伴随着网络过深，参数量较大，对计算力的需求更高的特点，使其不易在大部分算力有限的嵌入式平台部署，达不到实时性要求，而过于轻量化网络会出现误检、漏检等问题。目前主流的目标检测算法通常不考虑检测目标物之间存在的某种可能关系，只分别处理每个图像区域，这样会使得模型只依赖于高质量的卷积特征来检测目标，使得网络不能充分利用全局上下特征，然而对于一些特殊场景，比如检测设备处于较高速度运动，想要达到高精度识别基本成为不可能。而过深网络会带来复杂度及网络参数量过大，不适用于限定算力的智能平台实时检测。

发明内容

针对现有技术中的不足，本发明提供了一种基于RFEF-YOLO目标检测方法，以解决现有技术中在嵌入式平台目标检测中精度过低、复杂度过高的问题。

本发明提供了一种基于RFEF-YOLO目标检测方法，步骤如下：

步骤1：获取带有待检测目标的图像，对获取图像进行灰度化预处理；

步骤2：通过主干特征提取网络对预处理后图像进行主干特征提取，获得三个初步有效特征层；

步骤3：将三个初步有效特征层作为特征推理融合网络的输入，提取三个有效特征；

步骤4：将三个有效特征作为YOLO Head的输入，获取目标检测结果。

进一步地，所述步骤2中，将主干特征提取网络提取主干特征的数个阶段中的最后三个阶段所提取的特征作为三个初步有效特征层。

进一步地，所述步骤3中，特征推理融合网络通过如下公式提取三个有效特征：