本發(fā)明涉及一種基于ecodetect-yolov2的目標檢測方法。

背景技術(shù)：

1、目標檢測（object?detection）技術(shù)的研究由來已久，在深度學(xué)習(xí)興起之前，該領(lǐng)域主要依賴于基于圖像處理與傳統(tǒng)機器學(xué)習(xí)的檢測框架。早期方法主要依靠人工提取幾何形態(tài)、邊緣特征及紋理信息，并通過分類器進行目標識別。然而，此類方法普遍存在特征表達能力受限、計算復(fù)雜度高、檢測精度低及泛化能力不足等問題。近年來，深度學(xué)習(xí)技術(shù)的突破性進展極大提升了計算機視覺任務(wù)的性能[9]，其中，卷積神經(jīng)網(wǎng)絡(luò)（cnn）憑借其端到端特征提取能力，在目標檢測與圖像分類任務(wù)中展現(xiàn)出卓越的性能。cnn?的多層結(jié)構(gòu)可層次化地學(xué)習(xí)圖像的高層語義信息，擺脫了傳統(tǒng)手工設(shè)計特征的束縛，推動目標檢測向智能化與高效化發(fā)展。

2、現(xiàn)有目標檢測方法主要分為兩大類：兩階段檢測（two-stage）和單階段檢測（one-stage）。兩階段方法首先生成候選區(qū)域，再利用分類與回歸模塊優(yōu)化目標定位，其中基于區(qū)域提議網(wǎng)絡(luò)（rpn）的faster?r-cnn是該類方法的代表性模型。nowakowski?和?pamula基于faster?r-cnn?進行電子垃圾檢測，取得了90%以上的平均準確率。然而，盡管該方法在高精度目標檢測任務(wù)上表現(xiàn)優(yōu)異，其計算代價較高，推理速度較慢，且對小目標檢測能力有限。相較之下，單階段檢測方法，如?ssd（single?shot?multibox?detector）和?yolo（you?onlylook?once）系列，通過直接回歸目標類別與邊界框，提高了檢測速度，但檢測精度往往低于兩階段方法。

3、然而，當前垃圾檢測模型主要基于相對簡單的場景進行訓(xùn)練，在監(jiān)控攝像頭視角下仍然面臨諸多挑戰(zhàn)，如小目標檢測難度大、復(fù)雜背景干擾、目標物體遮擋及形態(tài)變化多樣性等問題，這導(dǎo)致現(xiàn)有算法在檢測精度和實時性方面仍有較大提升空間。此外，大多數(shù)先進檢測器計算復(fù)雜度較高，難以滿足實時監(jiān)測的應(yīng)用需求。

4、因此，針對以上問題，提供一種基于ecodetect-yolov2的目標檢測方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有的缺陷而提供的一種基于ecodetect-yolov2的目標檢測方法，在保證檢測精度的同時，降低了計算復(fù)雜度與推理時間，并提升了小目標垃圾的檢測精度與檢測效率。

2、實現(xiàn)上述目的的技術(shù)方案是：

3、一種基于ecodetect-yolov2的目標檢測方法，包括：

4、步驟s1，選擇監(jiān)控攝像頭視角的多目標垃圾暴露檢測數(shù)據(jù)集，并將數(shù)據(jù)集按照8:2的比例隨機劃分出訓(xùn)練集和測試集；

5、步驟s2，對多目標垃圾暴露檢測數(shù)據(jù)集進行預(yù)處理；

6、步驟s3，構(gòu)建目標檢測模型ecodetect-yolov2；

7、步驟s4，通過訓(xùn)練集對目標檢測模型ecodetect-yolov2進行訓(xùn)練，并利用訓(xùn)練后的目標檢測模型ecodetect-yolov2對測試集進行檢測，輸出檢測結(jié)果。

8、優(yōu)選的，所述步驟s1中，多目標垃圾暴露檢測數(shù)據(jù)集包括九種垃圾檢測目標類別，分別為紙質(zhì)垃圾、塑料垃圾、蛇皮袋、包裝垃圾、石塊廢棄物、砂土廢棄物、紙箱、泡沫垃圾及金屬廢棄物。

9、優(yōu)選的，所述步驟s2中，預(yù)處理包括：

10、采用mosaic（用于增強訓(xùn)練數(shù)據(jù)多樣性的技術(shù)）數(shù)據(jù)增強方法通過隨機裁剪與拼接不同圖像的方式豐富訓(xùn)練數(shù)據(jù)；

11、在損失計算方面，采用任務(wù)對齊目標檢測中的?taskalignedassigner（動態(tài)的分配策略）作為動態(tài)目標分配策略，優(yōu)化目標匹配機制，其中，任務(wù)對齊目標檢測采用以下公式進行目標分配：

12、；

13、式中，為與標注類別對應(yīng)的預(yù)測分數(shù)，為預(yù)測框與真實框之間的交并比，和均為權(quán)重參數(shù)；

14、損失函數(shù)定義如下：

15、；

16、式中，為樣本索引，為模型對樣本的預(yù)測概率，為樣本的真實概率，為樣本總數(shù)。

17、優(yōu)選的，所述步驟s3中，構(gòu)建目標檢測模型ecodetect-yolov2，包括：

18、選取yolov8s作為基礎(chǔ)模型，在yolov8s的基礎(chǔ)上增加小目標檢測層p2；

19、將多尺度注意力機制ema引入小目標檢測層p2之前；

20、在neck（頸部）網(wǎng)絡(luò)中，采用?dysample（超輕量的動態(tài)上采樣算子）上采樣代替原來的最近鄰上采樣方法生成特征圖；

21、在neck網(wǎng)絡(luò)中，使用ghostconv（改進的卷積層設(shè)計）替換neck網(wǎng)絡(luò)中的conv（傳統(tǒng)的卷積層設(shè)計），并基于ghostconv，進一步提出結(jié)合ghostconv與殘差連接的ghostresbottleneck結(jié)構(gòu)；

22、并采用one-shot聚合策略設(shè)計跨階段部分網(wǎng)絡(luò)模塊resghostcsp（結(jié)合了resnet、ghost模塊和csp結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)設(shè)計，其中，resnet為殘差網(wǎng)絡(luò)，ghost模塊為輕量級的神經(jīng)網(wǎng)絡(luò)模塊，csp結(jié)構(gòu)為網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計）替代neck網(wǎng)絡(luò)中的c2f；

23、進而完成目標檢測模型ecodetect-yolov2的構(gòu)建；

24、其中，ghostresbottleneck與resghostcsp?結(jié)構(gòu)中均引入了殘差連接。

25、優(yōu)選的，所述步驟s3中，為充分融合通道與空間的多尺度特征，引入多尺度注意力機制ema，設(shè)給定的特征圖，其輸入張量定義如下：

26、；

27、式中，為通道數(shù)，和分別為輸入特征圖的空間維度，即特征圖的高度和寬度，多尺度注意力機制ema首先在通道維度上將劃分為組子特征，即：

28、；

29、多尺度注意力機制ema采用多尺度特征提取策略，利用兩個1×1的分支和一個3×3卷積核并行操作，構(gòu)建三條特征提取路徑；

30、其中，1×1的分支采用全局平均池化，而3×3的分支通過多個路徑對特征進行提取，以捕獲通道間的依賴關(guān)系并降低計算復(fù)雜度；

31、此外，該機制對特征進行編碼，并沿高度方向進行特征融合，在不降低通道數(shù)量的前提下，共享1×1卷積操作，并將輸出劃分為兩個向量，同時利用非線性sigmoid函數(shù)在分支間建立跨通道交互；

32、而3×3分支則通過卷積操作與特征交互，擴展特征空間，保留空間結(jié)構(gòu)信息；

33、隨后，利用二維全局平均池化對三條分支的空間信息進行編碼，即：

34、；

35、式中，為1×1卷積核，為3×3卷積核；

36、其中，二維平均池化計算公式如下：

37、；

38、式中，為輸入特征圖中位置上的值。

39、優(yōu)選的，所述步驟s3中，在neck網(wǎng)絡(luò)中，采用dysample上采樣代替原來的最近鄰上采樣方法生成特征圖，其中，

40、在dysample設(shè)計中，采樣點發(fā)生器是關(guān)鍵組件之一，設(shè)輸入特征圖x的尺寸為，采樣集的尺寸為，其中前兩個維度表示和坐標，采用grid_sample函數(shù)，以采樣集提供的坐標對輸入特征圖進行重采樣，該過程基于雙線性插值方法，實現(xiàn)特征映射，生成尺寸為的新特征圖，具體定義如下：

41、；

42、設(shè)上采樣比例因子為，則輸入特征圖的尺寸為，為了實現(xiàn)上采樣，首先采用線性變換層，其輸入通道數(shù)為，輸出通道數(shù)為，從而生成尺寸為的偏移量；

43、隨后，依據(jù)像素重排算法，將偏移量?重新排列至尺寸為；

44、最終，采樣集由偏移量與原始采樣網(wǎng)格疊加得到，其計算過程如下：

45、；

46、；

47、最后，通過采樣集和grid_sample函數(shù)生成的上采樣特征圖，其維度為。

48、優(yōu)選的，所述步驟s3中，ghostresbottleneck與resghostcsp?結(jié)構(gòu)中均引入了殘差連接，其計算公式如下：

49、；

50、式中，為殘差塊的輸入，為殘差塊的輸出，為輸入特征的非線性變換，包括但不限于卷積、激活函數(shù)操作。

51、本發(fā)明的有益效果是：本發(fā)明在yolov8s的基礎(chǔ)上，通過增設(shè)p2小目標檢測層和引入高效多尺度注意力機制ema，顯著提升了對小目標的檢測能力，同時增強了模型在復(fù)雜背景及噪聲環(huán)境中的魯棒性與跨尺度目標的泛化性能；在特征融合方面，采用dysample上采樣技術(shù)替代傳統(tǒng)最近鄰上采樣，優(yōu)化了信息融合過程，進一步提高了重疊目標的區(qū)分能力；此外，通過引入ghostconv及基于one-shot聚合策略設(shè)計的resghostcsp模塊，本發(fā)明在保證檢測精度的前提下，有效降低了模型計算復(fù)雜度和推理時間。