[发明专利]基于注意力机制和多尺度融合的个人防护物品检测网络

说明书

本发明公开了基于注意力机制和多尺度融合的个人防护物品检测网络，包括:利用DARM模块构建的特征提取模块DAR50，用于通过自适应目标形态的同时增强目标特征信息；CCFPN特征融合模块，用于通过在不同阶段特征图中建立每个像素点与其他像素点的信息融合，再利用金字塔结构对不同阶段的特征进行融合，提高对不同尺度目标的检测性能。本发明的DAR50特征提取模块，有效减少背景信息干扰，更准确地提取目标特征信息；CCFPN特征融合模块，其通过在不同阶段特征图中建立每个像素点与其他像素点的信息融合，再利用金字塔结构对不同阶段的特征进行融合，提高对不同尺度目标的检测性能。

技术领域

本发明涉及个人防护物品检测，具体涉及基于注意力机制和多尺度融合的个人防护物品检测网络。

背景技术

目前，在传染病防治工作中，防疫工作人员穿戴医疗个人防护设备是必须要做的工作。通过穿戴如医用外科口罩、面罩、手套等医疗个人保护设备可以有效保护穿戴者免受潜在的传染病或其他毒素的影响。因此对于人员在需要防护的场所中是否穿戴个人防护设备进行实时监督是非常有必要的。

相对于传统的人工监督方式不能进行持续性的有效监督且人工成本高的问题，使用基于神经网络的目标检测技术可以进行持续性的有效监督且成本低于人工成本。但在如图1所示的复杂场景下，现有目标检测网络模型个人防护设备检测上性能表现不佳，导致使用机器进行实施监督不能实际应用，在大部分地区仍然采用人工监督的方式。因此，在复杂场景中检测医疗个人防护设备领域需要一个性能表现更好的目标检测模型。通过应用目标检测技术的机器接替人进行监督场所中人员是否穿戴必要的医疗个人防护设备，达到减少成本和实时性目的。

对于目标检测任务可以分为目标分类和目标定位两个任务，目标分类任务负责判断图像中物体是什么类别，目标定位任务负责判断图像中物体位置信息。基于深度卷积网络的目标检测技术通过近几年的发展，现有的网络模型可以分为单阶段目标检测算法和两阶段的目标检测算法。单阶段网络在速度上有优势，其不需要区域建议阶段，直接产生物体类别和位置，典型代表有YOLO系列、SSD等。两阶段网络在检测准确度上有优势，第一阶段产生候选区域，第二阶段是对候选区域进行分类和位置修正，典型代表有Faster R-CNN【5】,Sparse R-CNN等。对于检测场所中人员是否都穿戴个人防护设备是需要较高准确度，所以多数检测方法还是采用两阶段目标检测算法。

在医疗环境这个复杂场景中，目标检测网络模型在检测过程受到背景信息干扰和多尺度问题等因素的影响，导致大多数网络模型的检测性能表现不佳。本发明通过对医疗个人防护设备检测过程中背景信息干扰问题和多尺度问题研究分析，参考两阶段目标检测网络Faster R-CNN，改进得到AMS R-CNN网络。在AMS R-CNN网络中，特征提取网络是由多个可变形和注意残差模块(Deformable and Attention Residual Modules,DARM)构成DAR50网络，DARM模块通过改变卷积核形态自适应检测目标的形状提取目标特征，再应用注意力模块增强特征信息，获取检测目标更多有效特征信息。特征融合阶段应用CCFPN模块，对特征提取网络提取的不同阶段特征图利用交叉信息注意力模块建立像素点与其他像素点的信息融合，再通过金字塔结构融合不同阶段特征的边缘信息实现多尺度融合。如图2所示，提出的方法与CPPE-5论文中最优方法TridentNet检测结果的对比图。

发明内容

本发明的主要目的在于提供基于注意力机制和多尺度融合的个人防护物品检测网络，针对背景信息干扰的问题，设计了通过自适应目标形状提取特征并增强特征信息的DARM模块，并利用DARM模块构建了DAR50特征提取网络用于个人医疗保护设备图像中特征信息的提取，达到获取目标更多有效特征信息；针对目标多尺度检测较难的问题，设计了基于特征金字塔结构的CCFPN特征融合模块。该模块利用交叉信息注意力机制建立像素点与其他像素点的信息融合，并采用金字塔结构进行不同阶段特征图的特征融合，提升网络模型对不同尺度目标的检测性能。

本发明采用的技术方案是：基于注意力机制和多尺度融合的个人防护物品检测网络，包括: