[发明专利]一种耦合上下文聚合网络的轻量化雨水篦子检测方法

说明书

本发明公开的一种耦合上下文聚合网络的轻量化雨水篦子检测方法，包括图像预处理‑参数初始化‑生成数据集‑构建雨水篦子检测模型‑模型训练与预测‑掩膜处理‑后处理7个步骤，在构建雨水篦子检测模型中，以轻量化的卷积模块和Fire模块为基础，设计了骨架网络耦合上下文信息的模型结构。在模型预测时考虑了雨水篦子空间分布先验概率以进一步提高雨水篦子检测精度。检测方法具有较高的实时性，轻量化的网络架构减少了计算资源消耗量，缩短了模型加载和前馈时间，提升了运算速度。

技术领域

本发明涉及图像目标检测领域，具体为一种耦合注意力和上下文的轻量化小目标检测方法。

背景技术

雨水篦子是指位于不透水层用于排水的长方形器具，能够对雨水起到过滤，对滞留雨水中的体积较大的污物，如树叶、塑料袋、纸壳、食品垃圾等起到截留作用。然而，雨水篦子在长时间使用后会出现不同程度的缺损和变形以致产生安全隐患，在连续暴雨天气中，还会增加道路雨水截留，产生雨涝隐患，因此需要定期维护和更换。在城市道路中，雨水篦子的铺设与当地降雨量，道路宽度和道路面积等因素有关。在雨水篦子后期维护中，需要定期核查原有道路和新增道路中雨水篦子的位置、数量和状态。面对大范围的城市道路，目标检测技术是快速、低成本获取雨水篦子基本信息的主要手段。

现阶段，深度学习是目标检测技术的重要方向，并出现了两阶段模型和单阶段模型。前者通过提取建议区和对其进行分类完成检测任务，其代表性方法包括R-CNN系列模型，如R-CNN、Fast R-CNN、Faster R-CNN(Girshick等，2014；Girshick等，2015；Ren等，2015)等和SPP Net模型(He等，2015)。后者不需要提取建议区，只利用单一网络即可直接快速输出目标类别和相应的位置，其代表性模型包括单发多框检测(Single Shot MultiboxDetector，SSD)模型(Liu等，2016)和YOLO(You Only Look Once)系列模型V1-V5(Redmon等，2016；Redmon等，2017；Redmon等，2018；Bochkovskiy等，2020)。两阶段模型的检测精度通常较高，但实时性较差，单阶段模型则刚好相反。然而无论哪种模型在小尺寸目标物方面的检测性能都不高，都与检测大目标物的性能差距甚大。

雨水篦子就是这样的小目标，在无人机或街景车拍摄的街景图像中，雨水篦子在单幅图像中的面积占比通常非常小。以百度地图街景图像为例，雨水篦子的面积占比平均不到8‰，远小于VOC 2007数据集中的最小目标物水瓶(Bottle)的尺寸(平均面积占比约为5％)。因此，面对如此小尺寸的雨水篦子检测，现有的深度学习模型具有较大的局限性。另外，雨水篦子在投入使用后会出现不同程度的退变，在真实场景中还可能遭受阴影遮挡，树叶和垃圾遮盖，石缝杂草侵占，道路交通标线涂盖等现象。这些现象会减弱雨水篦子与背景物的区分特征，进一步增加其检测难度。尽管目前出现了一些先进技术，比如特征金字塔(Lin等，2017)，注意力机制(Wang等，2017；Woo等，2018)和上下文信息(Lin等，2019)等可被用于耦合到模型中以提高检测精度。但使用这些技术通常会提高模型的算力复杂度，增加模型的参数量，延长模型训练和运行时间。在考虑降低计算资源，保持同等检测精度，特别是面向嵌入式设备中，轻量化的检测方法有着更高的检测效率。因此，这需要对现有技术作进一步的技术优化。

发明内容

发明目的：本发明的目的是为了解决现有技术中的不足，提供了一种耦合上下文聚合网络的轻量化雨水篦子检测方法，以解决现有的雨水篦子检测方法中存在的漏检率和误检率较高，模型参数量较大，运行效率低下等技术问题。

技术方案：本发明所述的一种耦合上下文聚合网络的轻量化雨水篦子检测方法，包括以下步骤：

(1)图像预处理：根据获取的街景图像数据，利用图像标注工具在街景图像中标注雨水篦子位置，生成雨水篦子图像-标签数据；利用图像处理技术，对街景图像进行增强处理；

(2)参数初始化：对检测方法中涉及到的参数进行初始化；