申请/专利权人：长春工业大学

申请日：2023-11-22

公开（公告）日：2024-04-26

公开（公告）号：CN117934808A

主分类号：G06V10/25

分类号：G06V10/25;G06V20/54;G06V10/82;G06N3/0464;G06N3/082

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明针对目前目标检测算法对于头盔这类小目标检测能力较差的问题，提出一种基于改进YOLOv8的轻量化注意力机制两轮车头盔检测算法。以YOLOv8算法为基础，使用EfficientVit模型作为主干网络，大幅减少模型的参数量，引入具有动态非单调聚焦机制的WIoU边界框损失函数来加快网络的训练与推理，通过权衡低质量样本和高质量样本的学习来进一步提高模型的整体性能，有效降低了头盔检测的漏检率。

主权项：1.一种基于改进YOLOv8的两轮车头盔检测算法，其特征在于，包括以下步骤：Step1：数据集的设计制作以及数据预处理，将头盔数据集根据需求调整为网络可训练的大小；Step2：输入头盔图像数据，通过构建引入的EfficientVit主干网络中的移动翻转瓶颈卷积mobileinvertedbottleneckconvolution，MBConv进行特征提取及特征融合；Step3：两轮车以及头盔预测，分别对两轮车以及头盔的中心点、尺度和偏移量进行预测；Step4：预测框后处理，将头盔预测结果经过WIoU边界框损失函数处理，保留遮挡头盔的预测框，去除同一个头盔的冗余预测框，最终得到头盔检测网络的整个预测结果；根据权利要求1所述的一种基于改进YOLOv8的两轮车头盔检测算法，其特征在于，所述Step1中的具体过程如下：Step1.1将输入的图片尺寸调整为640×640，Batchsize设置为32；根据权利要求1所述的一种基于改进YOLOv8的两轮车头盔检测算法，其特征在于，所述Step2中的具体过程如下：Step2.1通过一个轻量级的1×1卷积操作，降低输入特征图的通道数。然后采用深度可分离卷积DWConv对输入进行处理。经过DWConv之后，将其输出通过SENet进行处理。接下来，通过一个1×1卷积操作将通道数恢复到与输入特征图相同的数量。最后，将经过DWConv和SENet处理的特征图与输入特征图在相同维度的数值进行相加，避免梯度消失的问题。其中，DWConv分为深度卷积和逐点卷积。深度卷积将通道间的卷积分解为独立的卷积操作，在每个通道上进行独立的卷积。逐点卷积使用1×1的卷积核对深度卷积的输出进行卷积操作，相当于对特征图的通道维度进行线性组合。两者相结合，使得网络在保持高效性的同时，能够更好地提取和表示特征；根据权利要求1所述的一种基于改进YOLOv8的两轮车头盔检测算法，其特征在于，所述Step3中的具体过程如下：Step3.1将处理后的头盔数据通过两个1×1卷积核和一个2×2卷积核，分别对头盔中心点、尺度和偏移量进行预测；根据权利要求1所述的一种基于改进YOLOv8的两轮车头盔检测算法，其特征在于，所述Step4中的具体过程如下：Step4.1使用WIoU替代IoU：考虑到训练数据不可避免地包含低质量的例子，盲目地在低质量样本上加强边界框回归会降低模型的泛化性能。当预选框与目标框重合度较高时，良好的损失函数应该削弱几何因素的惩罚，使模型获得更好的泛化能力。WIoU采用动态非单调聚焦机制，通过构造动态的梯度增益系数，用离群度代替IoU来评价锚盒的质量，提供了一种明智的梯度增益分配策略，离群度小意味着预选框的质量高，只需分配较低的梯度增益，以便将损失回归集中在普通质量的预选框上。WIoU由下式所示：， ， ， ，其中，δ，α为超参数，γ为离群度，LIoU是具有动量m的动态平均IoU值。为防止产生阻碍收敛的梯度，将β中的LIoU、RWIoU中的Wg和Hg从梯度计算中分离出来（上标*表示此操作）。由于LIoU是动态的，预测框的质量划分标准也是动态的，这使得WIoU能够在每一个时刻做出最符合当前情况的梯度增益分配策略。

全文数据：

权利要求：

百度查询： 长春工业大学 基于改进YOLOv8的两轮车头盔检测算法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD