[发明专利]一种基于改进Faster R-CNN的垃圾分类目标检测方法

说明书

本发明涉及计算机视觉技术领域，且公开了一种基于改进Faster R‑CNN的垃圾分类目标检测方法，包括以下步骤：S1、加载模型配置文件以及参数：选择模型配置文件，加载使用垃圾数据集训练好的权重参数文件，初始化检测模型；S2、输入图片提取特征：输入数据集中垃圾侧视图片，对算法检测流程进行演示，首先通过Faster R‑CNN的特征提取网络，使用ResNet50_cbam网络对图片提取特征信息。本发明特征提取精准有效，可以快速实现目标检测分类的定位任务。本发明在模型中引入卷积注意力机制，通用性强，可移植性强，即插即用。本发明专注于对垃圾数据集进行检测，有效应用检测环境杂乱等问题。

技术领域

本发明涉及计算机视觉技术领域，具体为一种基于改进Faster R-CNN的垃圾分类目标检测方法。

背景技术

目标检测是计算机视觉领域的基本分支任务之一，在实际生产应用中具有重要地位，如：无人驾驶，航空航天，医学图像，行人检测等。目标检测算法通过提取输入图像的特征信息，对图像中感兴趣区域进行分类和定位，获得物体的类别和坐标信息。基于深度学习的目标检测算法利用卷积的方式可以在图像中提取到更具有代表性的抽象信息，使模型的分类结果更为精确。目标检测算法Faster R-CNN模型是一种双阶段的检测算法，先使用特征提取网络对图像中的特征信息进行抽象，然后再利用提取到的信息对物体进行分类和定位，相较于单阶段目标检测算法，精度更高，分类更准确。

但是实际图像由于光照变化，背景复杂，物体遮挡等原因，使用卷积神经网络自动提取特征时，具有一定的局限性，不能再有限的数据集中快速的提取到合适的特征表达，使得在训练时模型收敛耗时更长。

目前使用的Faster R-CNN目标检测算法，不能快速有效的提取到需要的特侦信息，使用卷积神经网络的方式自动提取目标特征，这种方式在提取特征阶段不具有侧重点，需要多次重复的训练过程获取更好的特征，以及更多的时间使网络模型收敛，并且在检测时也不容易提取到需要的特征信息对物体进行分类和定位。

使用原始的Faster R-CNN网络提取图像特征，根据提取到的特征对物体分类和定位的贡献程度，可以画出特征热力图，颜色显示越亮的部分代表贡献程度越高，对物体进行分类和定位就越依赖于这些特征信息。

原始模型提取到的特征不具有针对性，提取到的特征比较杂乱，在进行模型的分类和定位时，获得的分类结果准确率较低，并且定位精度不够准确。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于改进Faster R-CNN的垃圾分类目标检测方法，解决了上述背景技术中所存在的问题。

(二)技术方案

为实现上述目的，本发明提供如下技术方案：一种基于改进Faster R-CNN的垃圾分类目标检测方法，包括以下步骤：

S1、加载模型配置文件以及参数

选择模型配置文件，加载使用垃圾数据集训练好的权重参数文件，初始化检测模型；

S2、输入图片提取特征

输入数据集中垃圾侧视图片，对算法检测流程进行演示，首先通过Faster R-CNN的特征提取网络，使用ResNet50_cbam网络对图片提取特征信息；

S3、候选区域提取