[發明專利]一種基于YOLOv4的航拍小汽車檢測方法

在審

• 申請號: 202110006154.1
• 申請日: 2021-01-05
• 公開（公告）號: CN112668663A
• 公開（公告）日: 2021-04-16
• 發明（設計）人: 王浩雪;曹杰;韓玉潔
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 姜慧勤

1.一種基于YOLOv4的航拍小汽車檢測方法，其特征在于，包括如下步驟：

步驟1，獲取無人機航拍圖像數據集，對航拍圖像中的小汽車進行標注，并將格式轉換為YOLO格式；將數據集分為訓練樣本和驗證樣本；

步驟2，對YOLOv4模型的參數進行初始化，所述參數包括輸入圖像尺寸、初始學習率、yolo層類別種類以及yolo前一層卷積核的深度，并使用學習率余弦退火策略降低初始學習率；

步驟3，采用預訓練權重對步驟1的數據集進行基礎訓練，得到基礎訓練后的模型，所述預訓練權重根據darknet版本的YOLOv4模型對coco數據集訓練得到；

步驟4，對基礎訓練后的模型進行L1損失稀疏訓練，得到稀疏訓練后的模型；

步驟5，采用silm-yolo極限通道剪枝策略對稀疏訓練后的模型進行剪枝，得到剪枝后的模型；

步驟6，對剪枝后的模型進行微調，得到訓練好的YOLOv4模型；

步驟7，采用訓練好的YOLOv4模型對航拍圖像進行測試，得到航拍小汽車檢測結果。

2.根據權利要求1所述基于YOLOv4的航拍小汽車檢測方法，其特征在于，所述步驟1的具體過程如下：

步驟11，選取開源航拍圖像數據集，將數據集整理為VOCdevkit格式；

步驟12，對數據集中的小汽車進行標注，并將標注格式轉換為YOLO格式；

步驟13，將數據集按照9:1的比例分為訓練樣本和驗證樣本。

3.根據權利要求1所述基于YOLOv4的航拍小汽車檢測方法，其特征在于，步驟2所述使用學習率余弦退火策略的計算公式為：

其中，L表示學習率，i表示第i次訓練，分別表示第i次訓練的學習率的最大值、最小值，N_i表示第i次訓練中總的迭代次數，n表示第i次訓練中第n次迭代，n＝1,…,N_i。

4.根據權利要求1所述基于YOLOv4的航拍小汽車檢測方法，其特征在于，所述步驟3的具體過程如下：

步驟31，采用darknet版本的YOLOv4模型對coco數據集訓練，得到預訓練權重；

步驟32，對于步驟1的數據集，采用mosiac數據增強策略對每四張圖像進行縮放和隨機裁剪，再將四張圖像拼接在一起，組成訓練圖像，訓練圖像的大小為輸入圖像尺寸；

步驟33，采用訓練圖像進行基礎訓練，將訓練圖像輸入YOLOv4網絡模型中，通過CSPDarknet、SPP以及PANet進行特征提取和融合，并生成一系列卷積特征圖，YOLOv4網絡模型包括第一至第三yolo層，卷積特征圖分別在8、16、32倍降采樣后在第一yolo層生成大小為52*52*18的一維向量，在第二yolo層生成大小為26*26*18的一維向量，在第三yolo層生成大小為13*13*18的一維向量，每個yolo層有3個預測框，每個預測框回歸置信度、位置和類別信息，根據預測框的置信度通過DIoU-NMS選擇最終預測框；

步驟34，觀察總損失圖，當總損失收斂或者達到最大迭代次數時，停止訓練，得到基礎訓練后的模型。

5.根據權利要求1所述基于YOLOv4的航拍小汽車檢測方法，其特征在于，所述步驟4的具體過程如下：

步驟41，利用BN層的稀疏因子來衡量通道的重要性，設置稀疏因子的值為0.005，對通道進行篩選；

步驟42，使用經步驟41篩選后剩下的通道進行運算，得到稀疏訓練后的模型。

6.根據權利要求5所述基于YOLOv4的航拍小汽車檢測方法，其特征在于，所述稀疏訓練的目標函數為：

J＝F_loss+α∑|γ|

其中，J為目標函數，F_loss為模型預測產生的損失，α表示懲罰因子，γ為訓練尺度因子，|·|表示L1范數。

7.根據權利要求1所述基于YOLOv4的航拍小汽車檢測方法，其特征在于，步驟5所述剪枝中，設置全局閾值即剪枝率為0.8，局部安全閾值為0.01，對卷積層進行壓縮剪枝，得到剪枝后的模型。

8.根據權利要求1所述基于YOLOv4的航拍小汽車檢測方法，其特征在于，步驟6所述微調中，增加500張訓練樣本來增加模型泛化能力，并且應用圖像隨機尺度進行訓練。