[发明专利]一种适用于嵌入式平台的实时目标检测方法

权利要求书

1.一种适用于嵌入式平台的实时目标检测方法，其特征在于，包括以下的步骤：

步骤1、获取数据集：通过采集装置获取图像，通过标注工具对其人工标注，构建训练样本集、验证集和测试样本集或者从公开数据集获得训练样本集、验证集和测试样本集；

步骤2、数据预处理：使用随机翻转、光照变化、Mosaic和MixUp数据增强手段增加数据的多样性，使得模型适应数据的各种变换；

步骤3、使用轻量化网络ShuffleNetv2在骨干网络部分堆叠构建轻量高效的特征提取网络，并增加P6层下采样层以增加网络的整体感受野，在P6层前使用卷积核更小的SPP模块在尽量减少信息丢失的情况下增加网络的多感受野信息；

步骤3中骨干网络部分使用轻量化网络ShuffleNetv2为基本单元模块，其中又可细分为步长为1和步长为2的两种，通过采用[3,6,6,3,3]的堆叠次数堆叠步长为1的ShuffleNetv2的基本单元模块，第一次堆叠前使用Focus的操作进行一次下采样，其他的几层都是中间加入一个步长为2的ShuffleNetv2的基本单元模块进行下采样，总共进行了6次下采样，即包含P6层的特征层以获得更大的感受野信息，并且在P6层前使用卷积核更小的SPP模块在尽量减少信息丢失的情况下增加网络的多感受野信息；

步骤4、在颈部部分使用由轻量化网络GhostNet为基本单元构建而成的C3Ghost模块对特征进行过渡处理帮助检测头的预测，并且过程中使用CBAM双通道注意力机制模块抑制不利信息，考虑综合性价比，网络在四个特征尺度进行预测；

步骤4中使用由GhostNet中的Ghost Bottleneck构建而成的C3Ghost对特征过渡处理，帮助检测头的预测，每次使用C3Ghost模块都是重复堆叠3次，过程中并使用GhostConv来改变特征通道数的变化和进行下采样操作，在颈部部分的上采样过程，使用卷积核大小为1，步长为1的GhostConv实现改变特征通道数，在颈部部分的下采样过程，使用卷积核大小为3，步长为2的GhostConv进行下采样，为了进一步提升模型的性能，在每次GhostConv之前都使用了CBAM模块从空间和通道上同时抑制不利的信息，提出的颈部部分称之为GAFPN-Neck，统计得到，GAFPN-Neck一共包含6个CBAM模块、6个GhostConv模块、3个上采样、6个Concat模块和18个C3Ghost；

步骤5、使用Alpha-IoU作为模型训练的损失函数，对模型进行监督训练，使用Adam优化器对模型优化，使用步骤1中获得的训练数据集对模型进行训练；Alpha-IoU由普通的IoU损失函数演变而来，通过对现有的IoU损失中引入power变换，将IoU损失归纳为α-IoU损失：

通过对α-IoU中的参数α进行调制，可以推导出现有的大多数IoU类型的损失，包括log(IoU)和IoU²，α为一个惩罚项或者正则化项；

步骤6、训练过程中每迭代训练一次就加载步骤1中获得的验证集进行验证，训练模型直到迭代次数结束得到最优验证结果的模型权重，加载模型权重对步骤1中获得的测试数据集对模型效果测试。

2.根据权利要求1所述的一种适用于嵌入式平台的实时目标检测方法，其特征在于，步骤1中所述的数据集自行通过采集装置获得并标注或者直接从公开数据集下载，使用VOC2007和VOC2012数据共同参与训练，使用VOC2007和VOC2012在内的总计16551张图片按照9：1的比例划分为训练集和验证集，使用VOC2007和VOC2012在内的总计4952张图片作为测试集。

3.根据权利要求1所述的一种适用于嵌入式平台的实时目标检测方法，其特征在于，步骤2数据预处理中使用包括光照变化、几何仿射变换、Mosaic和MixUp数据增强手段，具体为随机翻转、中值滤波、多尺度变换、HSV增强，通过数据增强后的数据更丰富，模型能学习到的特征更多，在实际测试表现中也更加鲁棒。