[发明专利]一种具有高精度且轻量的限高杆检测算法

权利要求书

1.一种具有高精度且轻量的限高杆检测算法，其特征在于，步骤如下：

步骤S1：在输入端，对输入图像做Mosaic数据增强并将处理后的图像缩放至统一大小；

步骤S2：将步骤S1的结果输入到Backbone中，依次经过各模块提取基础特征；Backbone包括基于可变形卷积构造的可变形模块；

步骤S3：将经过Backbone得到的特征图输入到Neck中进一步处理得到大、中、小三种不同尺度的特征；

步骤S4：将三种特征输入到多头检测器中分别进行预测，然后通过非极大值抑制操作，得到最终的目标位置和类别；

所述的可变形卷积构造的可变形模块的构造，步骤如下：

步骤S01：可变形卷积模块(DBH)的构造

检测网络中常见的卷积模块(CBH)，通常由卷积操作、Batchnorm归一化操作和激活函数依次构成；本发明将卷积层中的卷积操作替换为卷积核为3×3、步长为1、填充为0的带有调制机制的可变形卷积，保持归一化操作，选择Hardwish作为激活函数，得到可变形卷积模块；

步骤S02：特征融合

重复且连续地堆叠N个可变形卷积模块，得到更加灵活的特征表示；同时为了保持特征的质量，将N个可变形卷积模块之前最开始输入的特征图与经过N个可变形卷积模块得到的结果逐元素相加，进行特征融合；

步骤S03：进一步提取语义信息；

将特征融合后的结果输入到卷积核为3×3，步长为2的卷积模块中进行下采样，进一步精炼语义上下文信息。

2.如权利要求1所述的一种具有高精度且轻量的限高杆检测算法，其特征在于，所述的步骤S2的详细过程为：

步骤S21：输入的图像经过Focus模块、卷积模块(3×3的卷积后接Batchnorm层进行归一化操作，和Hardwish激活函数)和CSP1_1模块提取图像特征；

步骤S22：将步骤S21的结果作为可变形模块的输入，得到包含更丰富信息的特征表示；

步骤S23：将可变形模块的结果继续输入到YOLOv5s的Backbone部分的其它模块中，依次是CSP1_3模块、卷积模块、CSP1_3模块、卷积模块、SPP(Spatial Pyramid Pooling)模块以及CSP2模块完成基础特征的提取。

3.如权利要求1或2所述的一种具有高精度且轻量的限高杆检测算法，其特征在于，所述的步骤S4的详细过程为：

步骤S41：将上一阶段得到的三种不同尺度的特征输入到检测头中，最终分别得到20×20，40×40，80×80三种尺寸的特征图，分别负责预测大、中、小三种尺寸的目标；

步骤S42：过滤掉上一步得到的多余的预测框。

4.如权利要求3所述的一种具有高精度且轻量的限高杆检测算法，其特征在于，所述的步骤S42的详细过程为：

首先选择置信度最大的预测框，然后计算该框与其余预测框的交并比；如果某一个预测框与该框交并比大于预先设定的阈值，则将该预测框删除；对剩余预测框重复进行上述两步操作，直至处理完所有预测框。