基于改进YOLO模型的低分辨率小目标检测方法及系统

本发明属于计算机视觉的目标检测和识别领域，具体涉及一种基于改进yolo模型的低分辨率小目标检测方法及系统。

背景技术：

1、近年来，目标检测在工业视觉、视频监控、军事侦察等领域都发挥着重要作用。然而，在目标检测任务中，低分辨率细小目标检测一直是一个严峻的挑战，相比正常尺寸的目标，低分辨率细小目标由于缺乏充足的外观信息，难以与背景和相似区域分开，此外，真实场景是极其复杂的，通常会存在目标稠密度过高、目标大面积重叠、光照变化和目标尺度变化等问题，而这些因素对低分辨率细小目标的影响是更剧烈的，实际应用中会造成大量的误检和漏检。

2、为了避免在复杂场景下低分辨率细小目标的误检和漏检，基于计算机视觉的低分辨率细小目标检测引起了人们的重视。大多数针对低分辨率细小目标的检测时会应用各种卷积神经网络，比如一种改进ssd的轻量化小目标检测方法、基于srcnn和ssd网络的小目标检测方法等，他们都采用大规模网络进行低分辨率细小目标的特征提取，但这不仅会浪费过多的计算资源，不适用于设备简陋的场景中，而且只在很小程度上提高了检测精度。

3、后来学者们认识到在进行特征提取时底层特征和注意力机制对低分辨率细小目标的识别也是至关重要的，于是在原有卷积神经网络的基础上加入特征融合和注意力机制，比如一种基于特征融合和上采样的航拍图像小目标检测方法、基于注意力机制的低分辨率图像目标检测技术研究等，他们重点关注底层特征和高级特征的融合以及注意力机制对特征图的处理，不仅缓解了底层特征在深层网络中容易消失的问题，同时缓解了梯度消失的问题，而且重构了检测目标与背景信息的特征权重，减少了神经网络的收敛时间，提高了神经网络的效率。

4、近几年，各种基于yolo整改结合的网络低分辨率细小目标检测应运而生，对于一般小目标的检测准确率都取得了不错的效果，检测速度也不错。但是应用到低分辨率细小目标场景或者背景复杂应用场景时，存在的问题相继暴露出来，如存在过多的误判、低帧率和细小目标难以检测、部分检测丢帧等问题。因此，需要一种能够实时检测低分辨率小目标的方法。

技术实现思路

1、本发明所要解决的技术问题：为了克服现有技术的不足，针对计算视觉低分辨率小目标检测存在的检测精度和检测帧率较低，应用到复杂场景下有所受限的问题，本发明提出了一种基于改进yolo模型的低分辨率小目标检测方法及系统，该方法旨在提高低分辨率细小目标的识别精度，提高检测速度，并应用到复杂场景下。

2、为解决以上技术问题，本发明所提出的一种基于改进yolo模型的低分辨率小目标检测方法，包括以下步骤：

3、s1、构建带有标注的低分辨率小目标数据集；

4、s2、构建通道空间混合特征突出模块cshm；

5、s3、将cshm模块用于yolov7tiny主干网络与颈部网络连接处；

6、s4、提出自适应交并比计算方法aiou，构建隐式高效解耦头结构iedh；

7、s5、将aiou作为yolov7tiny中的交并比计算方法，并利用隐式高效解耦头iedh对其输出特征图解耦；

8、s6、利用改进后的低分辨率小目标检测模型对低分辨率小目标图像进行检测。

9、所述步骤s1的具体步骤如下：

10、步骤s11、收集真实场景下的低分辨小目标图像；

11、步骤s12、使用labelme对图像进行标注以获取标签；

12、步骤s13、按照训练集、测试集和验证集比例为6:3:1随机划分图像构成低分辨率小目标数据集。

13、所述步骤s12中，将数据集进行标注，分成图片数据集文件和对应的txt标签文件。

14、所述步骤s2具体步骤为：

15、步骤s21、构建cshm通道特征突出模块：由自适应平均池化、卷积核分别为3、5、7、9的一维卷积和sigmoid函数组成；

16、步骤s22：构建cshm空间特征突出模块：由三个分支构成，第一分支包括平均池化、最大值池化、卷积核为7的二维卷积和sigmoid函数；第二分支包括二值函数f(x)；第三分支与第一分支类似，仅改变二维卷积核大小为3；

17、步骤s23、将cshm通道和空间特征突出模块连接构成通道空间混合特征突出模块cshm。

18、步骤s3具体为：将cshm模块用于yolov7tiny主干网络和颈部网络连接处；cshm模块不改变特征图大小和通道数，仅对边缘细节特征进行突出，以避免特征融合时底层细节特征被淹没，另外便于后续对特征的进一步提取。

19、步骤s4具体为：

20、s41、提出自适应交并比计算方法aiou：分别利用和siou(scylla-iou，锡拉交并比)和nwd(normalized gaussian wasserstein distance，归一化高斯wasserstein距离)计算交并比得分，并由此计算权衡系数ω；利用ω计算出最终交并比得分，并利用其权衡边界框损失函数；

21、s42、构建隐式高效解耦头结构iedh：由一系列1×1卷积和3×3卷积构成。

22、步骤s5具体为：将aiou作为yolov7tiny中的交并比计算方法，以准确计算锚框的真实交并比情况，缓解小目标对偏移量较为敏感的问题；并利用隐式高效解耦头iedh对输出特征图解耦，加快收敛速度，提高检测精度和检测实时性；

23、步骤s5针对低分辨率小目标图像存在大量小目标难以检测的问题，使用自适应交并比计算方法以缓解对小目标误检和漏检的现象；以公式表达为：

24、

25、aiou＝ω×nwdscore+(1-ω)×siouscore

26、其中，aiou表示最终交并比得分，siouscore和nwdscore分别表示两种方法的交并比得分，pred表示预测框，true表示真实框，x1y1x2y2分别表示边框左上角和右下角坐标，ω表示权衡系数。

27、另外，为了使训练过程变得稳定、易于收敛，利用ω对边界框损失函数进行权衡：

28、lossbox＝ω×(1-nwdscore)+

29、(1-ω)×(1-siouscore)。

30、步骤s6具体步骤如下：

31、在训练过程中配置环境变量，设置epoch为300，batch size为16，输入图像大小resize为640*640；

32、使用改进后的yolov7tiny模型进行训练；所涉及的评价指标为平均精度map@0.5和实时帧率fps。

33、进一步的，本发明还提出了基于改进yolo模型的低分辨率小目标检测系统，包括

34、数据集存储模块，用于收集真实场景下的低分辨率小目标图像，并存储到数据集中。

35、数据集标注模块，用于对数据集存储模块中的图像数据集进行标注。

36、低分辨率小目标检测网络搭建模块，用于搭建低分辨率小目标检测网络，被配置以执行以下动作：构建通道空间混合特征突出模块cshm，将cshm模块用于yolov7tiny主干网络与颈部网络连接处；分别利用锡拉交并比siou和归一化高斯wasserstein距离nwd计算交并比得分，并由此计算权衡系数ω；利用ω计算出最终交并比得分aiou，并利用其权衡边界框损失函数；由一系列1×1卷积和3×3卷积构成隐式高效解耦头结构iedh；将最终交并比得分aiou作为yolov7tiny中的交并比计算方法，并利用隐式高效解耦头iedh对其输出特征图解耦，得到改进后的低分辨率小目标检测模型。

37、小目标预测模块，用于将数据集标注模块中的图像数据集输入到低分辨率小目标检测网络中，通过训练将学习到的特性进行预测，输出图像中小目标位置及类别信息。

38、进一步的，本发明还提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前文所述的基于改进yolo模型的低分辨率小目标检测方法的步骤。

39、进一步的，本发明还提出了一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，所述计算机程序被处理器运行时执行前文所述的基于改进yolo模型的低分辨率小目标检测方法。

40、最后，本发明还提出一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现本发明所述的基于改进yolo模型的低分辨率小目标检测方法的步骤。

41、与现有技术相比，本发明具有技术效果如下：

42、(1)针对低分辨率小目标图像普遍分辨率较低，目标细节边缘特征大量丢失，导致特征较难提取的问题，本发明引入通道空间混合特征突出模块cshm，通过突出边缘细节特征，避免特征融合时细节特征被淹没，有效提高检测精度。

43、(2)针对低分辨率小目标体积较小、数量多，且其预锚框对偏移量较为敏感的问题，本发明引入自适应交并比计算方法aiou，通过权衡系数将siou和nwd综合考虑为最终交并比得分，全面评估目标与预测框的位置差异和形状相似度，有效提升小目标的检测精度。

44、(3)针对大多数目标检测模型占用计算资源较高、检测帧率较低、实时性差，不能满足实际场景需求的问题，本发明引进隐式高效解耦头iedh，通过构建轻量化结构和隐式知识学习模块的嵌入，使得检测精度和实时性极大提升，能够满足实际场景的需求。