[发明专利]一种嵌入SENet结构的改进YOLOV3目标识别方法

说明书

本发明涉及深度学习领域，特别涉及一种嵌入SENet结构的改进YOLOV3目标识别算法，包括步骤S100：采集待识别物的特征信息，制作数据集；所述特征信息包括图像信息；步骤S300：取所述数据集中一部分作为训练集，所述数据集其余部分作为测试集；步骤S500：在YOLOV3算法中嵌入SE结构，得到SE‑YOLOV3算法；步骤S600：在训练集上训练SE‑YOLOV3；步骤S700：在测试集上测试SE‑YOLOVE3性能。本发明一种嵌入SENet结构的改进YOLOV3目标识别算法，当样本图片中存在较多残缺零件干扰时，该方法仍能够准确识别目标零件，得到较高的查准率与查全率。

技术领域

本发明涉及深度学习领域，特别涉及一种嵌入SENet结构的改进YOLOV3目标识别算法。

背景技术

深度学习起源于对人工神经网络的研究，目的在于模拟人脑来获取和辨别事物。其特点在于组合低层特征形成抽象的高层，从而发现数据的分布式特征。卷积神经网络(CNN)是一种深度学习方法，对于图像处理有出色表现。

SENet是由胡杰及其团队于2017年提出的一种卷积神经网络结构，获得ILSVRC2017分类任务冠军。该结构由Squeeze、Excitaion、Reweight三部分构成，显式地构建了特征通道之间的相互依赖关系。由于其不改变特征图的尺寸，不需要引入新的函数，SE具有可以嵌入到几乎所有网络结构中的巨大优势。实验结果表明，在ResNet、Inception等经典网络中嵌入SE结构，可以显著提升模型的泛化能力与准确率。

过去图像识别主要依靠传统的图像处理技术来实现，需要人工提取特征，输入分类器进行识别。随着深度学习的不断发展，各种目标检测算法被提出，逐渐取代传统的检测方法。目前，利用卷积神经网络进行图像识别主要包括两类：其一是基于区域的目标识别方法，如R-CNN、Faster R-CNN、Mask R-CNN等，这些方法目标定位精度较高，但存在检测速度低的缺点；其二是基于回归的目标识别方法，如YOLO等方法。

YOLO算法由Joseph Redmon等人在2015年提出，全称为You Only Look Once。2018年提出的YOLOV3是YOLO系列算法的集大成者，具有速度快、准确率高的特点，可以满足工业实时性的要求。

目前，常利用卷积神经网络来解决图像识别问题。如图6所示，图中有4类待分类目标零件，零件的姿态任意但不重叠。对于这样的问题，依赖于人工提取特征的传统图像处理算法难以解决，可以采用目前性能较好的YOLOV3来处理。由于零件位置杂乱，拍摄的图片中存在较多残缺的零件(图6边缘位置)，在利用YOLOV3网络训练时，残缺的零件大多无法正确识别，且存在将背景区域误判为零件的情况，在训练集上查准率较低(仅为72.3％)，因此需要改进YOLOV3算法解决上述问题。

发明内容

为解决上述背景技术中存在的问题，本发明提出一种嵌入SENet结构的改进YOLOV3目标识别算法，当样本图片中存在较多残缺零件干扰时，该方法仍能够准确识别目标零件，得到较高的查准率与查全率。

本发明解决上述问题的技术方案是：一种嵌入SENet结构的改进YOLOV3目标识别算法，其特殊之处在于，包括以下步骤：

步骤S100：采集待识别物的特征信息，制作数据集；所述特征信息包括图像信息；

步骤S300：取所述数据集中一部分作为训练集，所述数据集其余部分作为测试集；

步骤S500：在YOLOV3算法中嵌入SE结构，得到SE-YOLOV3算法；

步骤S600：在训练集上训练SE-YOLOV3；

步骤S700：在测试集上测试SE-YOLOVE3性能。