[发明专利]一种基于改进YOLOv3的垃圾多目标检测方法

权利要求书

1.一种基于改进YOLOv3的垃圾多目标检测方法，其特征在于：所述方法的具体步骤如下：

Step1、制作生活垃圾数据集并划分为训练数据集和测试数据集；

Step2、对传统YOLOv3模型结构进行改进，获得改进的YOLOv3模型结构；

Step3、基于改进的YOLOv3模型结构，对改进的YOLOv3模型结构中主干网络深度和密集连接卷积块增长率K进行调整，创建多个改进YOLOv3模型，对多个改进的YOLOv3模型进行消融实验筛选出性能最优的改进YOLOv3模型；

Step4、将性能最优的改进YOLOv3模型进行训练参数的初始设置，接着对性能最优的改进YOLOv3模型进行训练：如果为首次训练，则将训练参数中的迭代次数调大，采用较大的迭代次数对性能最优的改进YOLOv3模型进行首次训练，得到预训练权重文件；如果为再次训练，则将训练参数中的迭代次数调整为初始设置值，将预训练权重文件载入性能最优的改进YOLOv3模型进行再次训练，得到最优的训练权重；

Step5、将最优的训练权重载入到性能最优的改进YOLOv3模型，对测试数据集进行测试；

所述改进的YOLOv3模型结构包括1个大尺寸卷积、3个卷积模块、4个密集连接卷积块、4个降采样层、2个上采样层和3个YOLO层；其4个密集连接卷积块构成主干网络；

当图像输入后，首先通过大尺寸卷积来提取，再重复循环4次依次进行的降采样和使用密集连接卷积块提取图像特征，得到52×52、26×26和13×13三个尺度的特征卷积输出，然后将13×13的卷积特征进行第一次上采样并与26×26的卷积特征进行信息融合，在此基础上再次进行上采样并与52×52的卷积特征进行信息融合，最后分别通过3个卷积模块压缩相应尺度下的融合后的卷积信息再分别送入YOLO层对目标进行预测；

所述1个大尺寸卷积的卷积步长为2且卷积核大小为7×7。

2.根据权利要求1所述的基于改进YOLOv3的垃圾多目标检测方法，其特征在于：所述生活垃圾数据集通过相机拍摄或网络爬虫技术获取不同背景下的生活垃圾图像制作；其中生活垃圾分为有害垃圾、可回收垃圾、不可回收垃圾和其他垃圾；生活垃圾图像包括单目标单类别图像、单目标多类别图像、多目标单类别图像和多目标多类别图像；所述单目标单类别图像表明图像中只含有一个待检测的垃圾目标，所述单目标多类别图像表明图像中包含有多种不同类别的垃圾且每种垃圾只有一个，所述多目标单类别图像表明图像中包含有多个同一种类别的垃圾目标，所述多目标多类别图像表明图像中随机组合多类不同类别的多类别垃圾图像。

3.根据权利要求1所述的基于改进YOLOv3的垃圾多目标检测方法，其特征在于：所述训练参数包括样本增强、训练策略和锚框坐标；其中样本增强是指训练过程中对部分随机抽取的训练数据集中的图像中的角度、饱和度和曝光度进行随机调整；所述训练策略是指训练过程中输入图像的尺寸、迭代次数和学习率的调整；所述锚框坐标采用K-means聚类算法进行选取。

4.根据权利要求1所述的基于改进YOLOv3的垃圾多目标检测方法，其特征在于：所述Step4的训练具体为：

Step4.1、使用darknet-master工具包对性能最优的改进YOLOv3模型进行训练；如果为首次训练，则执行Step4.2，否则，执行Step4.3；所述训练的对象是人工标注的边界框参数，训练结果的表现形式是训练后得到的权重参数；所述边界框参数包括有：目标信息中心位置的横、纵坐标，边界框的长、宽大小和类别置信度；

Step4.2、对性能最优的改进YOLOv3模型进行首次训练，其具体训练步骤如下：

Step4.2.1、将训练参数中的迭代次数调大，其余参数不变，目的是使用较大的迭代次数来扩大模型的优化空间；

Step4.2.2、无需加载任何预训练权重文件，在训练数据集中随机抽取4n张图像作为本次训练样本；其中，n为正整数；

Step4.2.3、将Step4.2.2中所述训练样本中的每一张图像依次放入性能最优的改进YOLOv3模型中进行权重参数的更新；所述权重参数的更新，具体为：使用随机初始化的权重参数进行卷积神经网络的前向传播计算并得到一组中间参数，再使用该中间参数进行反向传播计算得到一组新的权重参数；所述新的权重参数将迭代之前用于计算前向传播的旧权重参数；

Step4.2.4、将Step4.2.2中所述的训练样本中的所有图像完成一次前向和反向传播的过程记为一次对性能最优的改进YOLOv3模型的训练，重复步骤Step4.2.2~ Step4.2.3直至对网络模型训练达到首次训练的迭代次数为止；

Step4.2.5、在Step4.2.4中选出整个过程中，训练效果最好的权重文件，并将该文件生成预训练权重文件；

Step4.3、对性能最优的改进YOLOv3模型进行再次训练，其具体训练步骤如下：

Step4.3.1、将训练参数中的迭代次数调整为初始设置值；

Step4.3.2、载入预训练权重文件，在训练数据集中随机抽取4n张图像作为本次训练的样本；

Step4.3.3、将Step4.3.2中所述训练样本中的每一张图像依次放入性能最优的改进YOLOv3模型中进行权重参数的更新；所述权重参数的更新，具体为：使用Step4.3.2所述预训练权重文件作为初始权重参数进行卷积神经网络的前向传播计算并得到一组中间参数，再使用该中间参数进行反向传播计算得到一组新的权重参数；所述新的权重参数将迭代之前用于计算前向传播的旧权重参数；

Step4.3.4、将Step4.3.2中所述的训练样本中的所有图像完成一次前向和反向传播的过程记为一次对性能最优的改进YOLOv3模型的训练，重复步骤Step4.3.2~ Step4.3.3直至对网络模型训练达到再次训练的迭代次数为止；

Step4.3.5、在Step4.3.4整个训练完成后，筛选出性能最优的权重文件。