[发明专利]一种基于轻量化网络的目标识别方法、系统及扫地机器人

权利要求书

1.一种基于轻量化网络的目标识别方法，其特征在于，包括：

S1：采集室内实际环境下不同物体的图片数据集，对图片进行标定，并将数据集划分为训练集、验证集以及测试集；

S2：基于YOLOv4-tiny网络结构，建立包含特征提取主干网络、混合通道注意力机制模块和解耦头模块的轻量化网络模型；

S3：利用训练集和验证集对所述轻量化网络模型进行训练，保存损失函数收敛时的模型权重；

S4：加载保存的模型权重，利用训练后的轻量化网络模型对室内物体进行识别；

S5：根据识别结果对扫地机器人的运动路径进行规划；

其中，所述特征提取主干网络包含五次下采样，其中两次为步长为2的卷积以及三次为最大池化结构；所述特征提取主干网络的第10、18、26层为最大池化结构，并在所述特征提取主干网络的第24层和第27层后面分别加入混合通道注意力机制模块，所述特征提取主干网络的第31层和第38层为解耦头模块。

2.根据权利要求1所述基于轻量化网络的目标识别方法，其特征在于，所述最大池化结构由两个并行的分支组成，第一分支是最大池化结合步长为1的卷积，第二分支是步长为2的卷积结合步长为1的卷积。

3.根据权利要求1所述基于轻量化网络的目标识别方法，其特征在于，所述混合通道注意力机制模块包括通道注意力机制和空间注意力机制，所述通道注意力机制将输入特征图从空间角度分别进行最大池化以及平均池化，并送入一个共享网络，最后将输出与输入特征图相乘得到通道注意力机制的输出；所述空间注意力机制的输入为通道注意力机制的输出，其将新的输入特征图从通道角度分别进行最大池化以及平均池化，并将两者结果进行拼接，卷积操作以后再次与新的输入特征图相乘得到最终的输出。

4.根据权利要求1所述基于轻量化网络的目标识别方法，其特征在于，所述解耦头模块用于减少计算量，所述解耦头模块包括首先采用一个1×1的卷积将输入特征图的通道数压缩，随后加入两个并行的分支，第一分支采用两个3×3的卷积处理分类任务，第二分支也采用两个3×3的卷积处理回归任务，而检测物体置信度的分支加在回归任务的分支中。

5.根据权利要求1所述基于轻量化网络的目标识别方法，其特征在于，损失函数采用Focal Loss函数，其公式为：

FL(p_t)＝-α_t(1-p_t)^γlog(p_t)

其中，α是调节正负样本的权重，γ是调节难易样本的权重，p_t表示置信度。

6.根据权利要求1所述基于轻量化网络的目标识别方法，其特征在于，在对改进的轻量化网络模型进行训练之前，对训练集进行数据增强操作。

7.根据权利要求1所述基于轻量化网络的目标识别方法，其特征在于，所述步骤S4具体包括：

在测试阶段，加载训练好的网络模型权重，将测试集输入训练好的轻量化网络模型中；通过置信度阈值的判断，得到所有可能包含避障物体的预测框的边界框坐标位置、置信度和类别概率；再通过非极大值抑制去除掉冗余的检测框，得到最终的检测结果。

8.根据权利要求1所述基于轻量化网络的目标识别方法，其特征在于，所述训练集、验证集以及测试集分别占80％、10％以及10％。