[發明專利]一種基于EVP_YOLO的室內物品檢測方法

在審

• 申請號: 202011632422.2
• 申請日: 2020-12-31
• 公開（公告）號: CN112784694A
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 沈雷;王方杰;李東輝
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.一種基于EVP_YOLO的室內物品檢測方法，其特征在于包括以下步驟：

S1、構建EVP_YOLO的主體網絡，主體網絡擁有五個特征層和一個池化層，每個特征層都采用回流殘差結構；

S2、對完成卷積的結果標準化處理后送入激活函數中；

S3、對激活函數輸出值進行標簽平滑處理：

S4、訓練網絡模型；

S5、對訓練好的網絡模型輸入測試數據，進行自動目標檢測。

2.根據權利要求1所述的一種基于EVP_YOLO的室內物品檢測方法，其特征在于步驟1所述的主體網絡，具體結構如下：

前兩個特征層為公共特征層，后三個特征層位于主干網絡的不同位置，后三個特征層經過多次卷積所提取的特征數據被分為兩部分，一部分用于該特征層的結果預測，另一部分采用回流結構，進行卷積后再重新輸入到前一個特征層；池化層負責將卷積后的數據進行池化處理，池化處理后的數據也分為兩部分，一部分用于直接輸出，另一部分同樣采用回流結構，回傳至前一個特征層用以增加邊界框視野，從而分離出更加顯著的上下文特征；并且每次卷積都使用了特有的正則化卷積結構，每一次卷積的時都會進行正則化處理。

3.根據權利要求2所述的一種基于EVP_YOLO的室內物品檢測方法，其特征在于步驟2具體實現如下：

Mish函數則更加的平滑，具有更好的泛化能力，并且Mish函數并不是一個單調函數此性質對于整體數據中的小的負值更加友好，從而使網絡模型中的梯度流也更加的穩定，數學的方式表示為：

式中，Mish(*)為激活函數，x為輸入數據，該數據是完成卷積后標準化數據。

4.根據權利要求3所述的一種基于EVP_YOLO的室內物品檢測方法，其特征在于步驟3具體實現如下：

標簽平滑處理時，每一個邊界框都使用多標簽分類器來預測所包含物體的可能類別，采用softmax分類器對物體類別進行分類；在進行類別預測時EVP_YOLO使用交叉熵來作為系統的損失值；在進行交叉熵優化的時候EVP_YOLO會盡量使結果接近標簽值0和標簽值1以減少損失值，但這樣做又會很大概率的造成結果過擬合；針對過擬合問題對EVP_YOLO標簽值做調整，使兩端的極值往中間靠攏以增加系統的泛化能力，標簽平滑公式如下：

q(k|x)＝(1-ε)δ_k,y+εu(k) (3

式中，q為預測x所處類別的概率，ε是概率函數u(k)的隨機變量)，而u(k)則是模型中所定義的類別函數，表示x是否處于此類別，δ_k,y為一個沖擊函數只有0和1兩種取值；此時模型的損失函數共分為四個部分：分別對預測的中心坐標做損失，對預測邊界框的寬高做損失，對預測的類別做損失和對預測的置信度做損失；損失(Loss)函數如下所示：

式中，第一項為預測物體中心坐標損失，S²代表所劃分的網格單元個數，B表示網格單元所預測的邊界框個數，代表預測的x坐標，代表預測的y坐標，代表真實的x坐標，代表真實的y坐標；第二項為對預測邊界框的寬高做損失，為預測的寬，為預測的高，為實際的寬，為實際的高，通過預測邊界框寬度和高度的平方根來代替直接預測寬度和高度，從而取得更好的效果，這部分主要優化置信度和w，h的回歸值；第三項和第四項對預測的置信度進行損失計算,則表示如果在i，j處的網格單元有目標，其值為1，否則為0，則表示在i，j處的網格單元沒有目標，其值為1，否則為0；λ_noobj用于增強邊框坐標損失，減少用于不包含目標物體邊界框置信度損失的權重參數；為預測置信度，為實際置信度，主要用于優化置信度，同時縮減了檢測的目標量級；最后一項對預測的類別做損失，為平滑處理后預測的所屬類別概率，為平滑處理后真實所屬類別概率，值得注意的是當單元格內沒有目標時是不會對分類誤差做出懲罰的，這部分主要優化置信度損失和類別損失。