[发明专利]基于改进YOLOX模型的小目标检测方法

说明书

本发明涉及一种基于改进YOLOX模型的小目标检测方法。通过获取待检测图像，对待检测图像进行特征提取，得到多个初始特征，并将多个初始特征进行跨层特征融合，得到多个融合特征，根据多个融合特征的预测处理结果，得到针对该待检测图像的小目标检测结果。通过多层特征提取和跨层特征融合，使得小目标的浅层特征和深层特征相互融合处理，加强小目标特征提取效果，避免小目标特征丢失，提高对图像中小目标的检测效果。

技术领域

本发明涉及目标检测技术领域，特别是涉及一种基于改进YOLOX模型的小目标检测方法。

背景技术

随着目标检测技术的发展，基于深度学习的目标检测算法已超越传统目标检测方法，在机器人所涉目标识别领域得到广泛应用，针对大目标识别效果较好。然而，在扫地机器人家庭场景环境中拥有大量小目标物体，如纸团、硬币、沙发腿等，扫地机器人进行小目标识别识别率较低。

发明内容

基于此，针对小目标识别准确率较低问题，提供了一种基于改进YOLOX模型的小目标检测方法。该方法包括：

获取待检测图像；

对所述待检测图像进行特征提取，得到多个初始特征；

将所述多个初始特征进行跨层特征融合，得到多个融合特征；

将所述多个融合特征进行预测处理，根据处理结果得到所述待检测图像的小目标检测结果。

在其中一个实施例中，所述对所述待检测图像进行特征提取，得到多个初始特征，包括：

对所述待检测图像进行识别，得到所述待检测图像中的待检测目标尺寸；

若特征提取检测头的感受野大于所述待检测目标尺寸，对所述待检测图像进行特征提取，得到多个初始特征。

在其中一个实施例中，所述对所述待检测图像进行特征提取，得到多个初始特征，包括：

将所述待检测图像依次输入改进YOLOX模型的Focus模块和与所述Focus模块串联的多个卷积模块进行特征提取，得到所述多个初始特征。

在其中一个实施例中，所述多个卷积模块中的每个卷积模块包括Dark模块和注意力机制模块，所述注意力机制模块后的嵌入位置配置有检测头。

在其中一个实施例中，所述将所述多个初始特征进行特征融合，得到多个融合特征，包括：

将所述多个初始特征按照预先配置的跨层连接位置进行特征融合，得到所述多个融合特征；

其中，所述跨层连接位置根据所述多个卷积模块和所述改进YOLOX模型的多个特征融合模块的相对位置关系配置得到。

在其中一个实施例中，所述基于所述多个融合特征进行预测处理，根据处理结果得到所述待检测图像的小目标检测结果，包括：

对所述多个融合特征进行预测处理，根据处理结果得到所述小目标检测结果。

在其中一个实施例中，所述方法还包括：

获取初始图像数据集，所述初始图像数据集包括训练集和验证集；

将所述训练集输入至待训练的改进YOLOX模型进行训练，通过所述验证集对改进YOLOX模型进行验证；

更新所述改进YOLOX模型的模型参数直至模型收敛，得到训练后的改进YOLOX模型。

在其中一个实施例中，所述将所述训练集输入至待训练的改进YOLOX模型进行训练之前，所述方法还包括：

获取原始改进YOLOX模型；