[发明专利]一种基于全卷积单步目标检测算法的口罩佩戴识别方法和装置

权利要求书

1.一种基于全卷积单步目标检测算法的口罩佩戴识别方法，该方法如下：

S1、构建全卷积单步目标检测算法模型，构建数据集；

S2、改进网络，训练模型；

S3、部署和运行模型，使用人工智能开发板装置；

其特征在于，所述步骤S1构建数据集，实现全卷积单步目标检测模型的初始化处理；

所述步骤S2模型训练,将步骤S1得到的模型通过主干网络轻量化处理并添加注意力机制模块，得到深度学习模型；

所述步骤S2训练模型具体包括如下子步骤：

S2.1、主干网络轻量化，使用ResNeXt作为主干网络，将基数数量减少至16；

给定一个D维的输入数据x＝[x₁,x₂,…,x_d]，其输入权值为w＝[w₁,w₂,…,w_n]，一个没有偏置的线性激活神经元为：

基于拓扑结构：

其中C是简Inception的基数Cardinality，是任意的变换，如卷积操作；

结合残差网络，便得到ResNeXt，表示为：

相比于MSCOCO数据集中面向80个类的检测，面向口罩的检测类别单一，情况简单；结合口罩检测的实际，将Cardinality数量减少至16；

S2.2、在主干网络中添加注意力机制；

S2.2.1、在轻量化的ResNeXt中引入了SE-Net注意力机制模块；

对于任意给定的变换：

将F_tr看做一个标准的卷积算子，V＝[v₁,v₂,...,v_C]表示学习到的一组滤波器核，v_C表示第c个滤波器的参数，x^s表示第s个输入，U＝[u₁,u₂,...,u_C]表示F_tr的输出，公式为：

通道间依赖关系的提取：使用全局平均池化将整个通道压缩成一个通道描述符；第c个通道表示为：

自适应重新校正：利用通道信息全面捕获通道依赖性；

s＝F_ex(z,W)＝σ(g(z,W))＝σ(W₂δ(W₁z))       (7)

δ表示ReLU激活函数，W₁和W₂是用于降维和升维的两个全连接层的权重；

模块最终输出通过重新调节变换U得到，表示为：

和F_scale(u_c,s_c)指的是特征图和标量s_c之间的对应通道乘积；

S2.3、开始训练，对经训练得到的深度学习模型进行测试，选取泛化能力最佳的模型；

所述步骤S3具体包括如下子步骤：

S3.1、环境配置，模型迁移，使用人工智能开发板装置；

S3.1.1、在人工智能开发板装置上配置代码运行环境，安装依赖包；

S3.1.2、实现模型的迁移部署，并测试模型在人工智能开发板装置上的执行效果。

2.一种根据权利要求1所述基于全卷积单步目标检测算法的口罩佩戴识别方法的装置，其特征在于，所述装置包括：

模型和数据集创建模块，用于创建全卷积单步目标检测算法模型并对模型初始化，收集和划分人脸口罩数据集，并进行数据增强和图片的预处理；

模型训练模块，用于主干网络轻量化并添加注意力机制，对经训练得到的深度学习模型进行测试，选取泛化能力最佳的模型；

装置模块，用于将模型迁移到人工智能开发板装置部署，实现对图片的检测识别；

所述模型和数据集创建模块包括：

模型创建单元：创建全卷积单步目标检测算法模型；

模型初始化单元：初始化全卷积单步目标检测算法模型；

数据采集单元：收集网络上开源的人脸口罩的数据集，并对人脸的位置和类别信息进行标注；

数据处理单元：将此数据集划分为训练集、验证集和测试集，并进行数据增强和图片预处理；

所述模型训练模块包括：

网络改进单元：在ResNeXt101中将Cardinality数目定量削减，在主干网络中添加注意力机制；

模型训练单元：开始训练，并对网络训练时保存的深度学习模型进行测试，选取泛化能力最佳的模型；

所述装置模块包括：

环境搭建单元：在人工智能开发板装置上配置代码运行环境，安装依赖包；

部署运行单元：实现模型的迁移部署，并进行测试。