[發明專利]一種基于CPSNet與yolov3相結合的地鐵安檢方法

在審

• 申請號: 202011435160.0
• 申請日: 2020-12-09
• 公開（公告）號: CN112507873A
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 陳陽;柏楊;張柳
• 申請（專利權）人: 東南大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 杜靜靜

本發明公開了一種基于CPSNet(csresnext?panet?spp)與yolov3相結合的地鐵安檢方法，將CPSNet融入到yolov3組成新的網絡結構，利用自采集的地鐵安檢圖像進行訓練，將地鐵安檢圖片中的危險物品及輔助檢測物品標注并進行識別。本發明使用新型神經網絡結構并實現對復雜地鐵安檢圖像的智能識別。

技術領域

本發明涉及一種基于CPSNet與yolov3相結合的醫學圖像骨骼分割方法，屬于計算機圖像處理領域。

背景技術

目前的目標檢測分為傳統方法目標檢測與深度學習方法目標檢測。

傳統目標檢測方法主要分為三部分：滑動窗口，特征提取與分類器分類。給定一張圖片，使用滑動窗口的方法對整幅圖像進行遍歷，進行候選框的提取，然后使用經典計算機視覺模式識別中的算法，如基于顏色，基于形狀，基于紋理等對每個候選框中的局部信息進行特征提取，最后使用訓練好的分類器對提取特征進行分類，在分類過程中，若只是單目標分類，只需要區別窗口所含對象是否為目標，若是多目標分類，則需要進一步區分對象類別。若存在檢測框重疊的情況，使用非最大值抑制算法留下一個最佳框。最終輸出的結果即為檢測的目標。但傳統目標檢測存在兩個主要問題，基于滑動窗口的區域選擇策略時間復雜度高，候選框冗余，手工設計的特征使得分類器魯棒性差，無法適應多樣性變化。

隨著深度學習在各個領域的不斷發展與應用，卷積神經網絡也逐漸應用在圖像處理領域中。卷積神經網絡在圖像分類與圖像特征的提取方面有著很好的效果，相對于傳統目標檢測方法卷積神經網絡在檢測準確率與精細度上有大幅的提升，其中yolov3就是其中一個優秀的神經網絡。并且yolov3與其他檢測網絡相比，檢測速度有很大的提升，但檢測精度相對較低，為保證實時的同時保證準確率，使用注意力機制之相結合成新的網絡進行特征提取與檢測。

發明內容

為提高現有神經網絡在圖像中檢測能力，本發明利用已經提出的性能優異的神經網絡來搭建新型神經網絡，提供一種基于卷積神經網絡與CPSNet相結合的特征檢測算法，提高檢測精度。

本發明為解決上述技術問題采用以下技術方案：

本發明提供一種基于卷積神經網絡與注意力機制相結合的特征檢測算法，具體步驟如下：

步驟1，選取yolov3作為主網絡，使用CPSNet代替原yolov3的darknet53的特征提取網絡，組合起來搭建新的神經網絡：以csresnext作為特征提取網絡提取更完全的feature map，作為檢測網絡的輸入；

步驟2，采用自采集圖像作為訓練樣本，對步驟1中搭建的新的神經網絡進行訓練；

步驟3，采用步驟2中完成訓練的新的神經網絡進行目標檢測。

作為本發明的進一步技術方案，yolov3網絡使用預訓練的csresnext-panet-spp模型來進行初始特征圖的生成。

作為本發明的進一步技術方案，yolov3的檢測部分使用特征金字塔結構和panet模塊和spp模塊，spp模塊可以實現不同感受野特征輸出，panet將低層特征融入高層特征，融合多尺度特征，達到更好的檢測效果。

作為本發明的進一步技術方案，步驟2中的訓練樣本為若干圖像及其對應危險物品檢測結果。

本發明采用以上技術方案與現有技術相比，具有以下技術效果：本發明利用現有的神經網絡yolov3與CPSNet結合來搭建新的神經網絡，yolov3的優勢在于使用特征金字塔結構，融合多尺度特征，達到更好檢測效果；CPSNet具有更好的特征提取網絡，能夠提取更完全的特征，并且其中的panet模塊可以將低層特征融入高層特征，spp模塊可以實現不同感受野特征輸出，提高檢測精度。為了充分結合兩者的優勢，新的神經網絡結構保留了特征金字塔結構并將新網絡的輸出送入檢測網絡中。本發明相對于原始yolov3在檢測效果以及各項性能度量值中都有一定的提升。