一种面向工业生产复杂环境的多目标检测方法与流程

本发明属于计算机视觉，尤其涉及一种面向工业生产复杂环境的多目标检测方法。

背景技术：

1、工业现场往往存在背景杂乱、目标遮挡频繁、小尺寸目标占比高、环境干扰严重等特点，传统监管方式难以实现对多目标的全面覆盖和精准识别。一旦出现安全防护装备缺失、危险器材管理不当、生产过程无人监护等情况，极易引发安全事故。目前，工业生产现场的安全监管主要依赖人工巡检与视频监控复核，由安全管理人员定期巡查或在监控室查看监控画面，判断是否存在违规行为或器材异常。然而，此种方式不仅耗费大量人力成本，且受人员注意力、疲劳度影响，存在效率低下、漏检率高、响应滞后等问题，难以适应大规模、高动态的工业生产环境。

2、基于传统人工智能的检测方案通过常规目标检测模型对采集的图像数据进行分析，尝试识别目标类别与违章判断。然而，这类方案在工业复杂环境中存在明显局限性：工业场景背景杂乱、目标遮挡频繁、小目标占比高，传统模型的特征提取能力不足，难以有效区分目标与背景，导致检测精度偏低；现有模型多采用耦合式检测头，分类与回归任务共享特征提取路径，易受工业目标语义特征与位置特征的相互干扰，定位准确性不足；常规损失函数对难分类样本的关注度不够，且多尺度特征融合效果不佳，无法适配工业场景中不同尺寸目标的检测需求。上述问题在制造业、化工行业、建筑施工等多个工业领域中普遍存在，成为制约工业生产持续安全发展的关键瓶颈，也是本领域迫切需要解决的难题。针对上述缺陷，行业内曾提出过一些改进方案，例如专利cn119273908a的安全帽佩戴监测方法检测目标单一且颈部未采用重参数化设计导致推理效率低，专利cn120564273a的矿工行为检测方法抑制背景干扰能力弱且多尺度特征捕捉能力不足，专利cn117315538a的违规行为检测方法未采用重参数化卷积且多尺度融合效果和分类性能有限，均难以满足工业生产复杂环境的多维度安全监管需求。

技术实现思路

1、为解决上述技术问题，本发明提出了一种面向工业生产复杂环境的多目标检测方法，以解决上述现有技术存在的问题。

2、第一方面，为实现上述目的，本发明提供了一种面向工业生产复杂环境的多目标检测方法，包括以下步骤：

3、对工业生产场景下的图像数据进行多目标采样与标注，将标注后的数据划分为训练集、验证集和测试集；

4、构建目标检测模型，所述目标检测模型的主干网络对输入图像进行逐层特征提取，并在高层特征输出位置通过并行多尺度空洞卷积分支和全局池化分支捕获上下文信息，颈部网络对主干网络输出的多尺度特征图执行双向跨尺度融合，并在融合过程中通过多分支卷积结构对特征进行重参数化表达，头部网络分离目标的分类特征提取路径和回归特征提取路径；

5、利用所述训练集和验证集对所述目标检测模型进行训练，训练过程中对输入图像执行随机拼接增强和随机区域遮挡增强，并通过周期性调整的学习率优化模型参数；

6、利用训练完成的模型对工业生产环境下的待检测图像进行处理，输出目标的类别信息和位置信息。

7、第二方面，本发明还提供了一种面向工业生产复杂环境的多目标检测系统，用于实施一种面向工业生产复杂环境的多目标检测方法，所述系统包括：

8、数据采集标注模块，用于对工业生产场景下的图像数据进行多目标采样与标注，将标注后的数据划分为训练集、验证集和测试集；

9、模型构建模块，用于构建目标检测模型，所述目标检测模型的主干网络对输入图像进行逐层特征提取，并在高层特征输出位置通过并行多尺度空洞卷积分支和全局池化分支捕获上下文信息，颈部网络对主干网络输出的多尺度特征图执行双向跨尺度融合，并在融合过程中通过多分支卷积结构对特征进行重参数化表达，头部网络分离目标的分类特征提取路径和回归特征提取路径；

10、模型训练模块，用于利用所述训练集和验证集对所述目标检测模型进行训练，训练过程中对输入图像执行随机拼接增强和随机区域遮挡增强，并通过周期性调整的学习率优化模型参数；

11、检测推理模块，用于利用训练完成的模型对工业生产环境下的待检测图像进行处理，输出目标的类别信息和位置信息。

12、第三方面，本发明还提供了一种计算机终端设备，包括：

13、一个或多个处理器；

14、存储器，与所述处理器耦接，用于存储一个或多个程序；

15、当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述第一方面中面向工业生产复杂环境的多目标检测方法的步骤。

16、第四方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述第一方面中面向工业生产复杂环境的多目标检测方法的步骤。

17、第五方面，本发明还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面中面向工业生产复杂环境的多目标检测方法的步骤。

18、与现有技术相比，本发明具有如下优点和技术效果：

19、本发明提供的一种面向工业生产复杂环境的多目标检测方法，本发明通过对yolov8模型的主干网络、颈部网络和头部网络进行针对性改进，显著提升了工业生产复杂环境下的多目标检测性能。主干网络融合c2f模块与aspp空洞空间金字塔池化模块，有效捕获多尺度上下文信息，增强了对远距离小目标和局部遮挡目标的特征表达能力。颈部网络采用repncspfpn结构，通过双向路径实现多尺度特征充分交互，结合repncspelan4模块丰富特征表达，重参数化卷积平衡了训练阶段的特征提取能力与推理阶段的计算效率，有效适配工业场景中不同尺寸目标的检测需求。头部网络采用ladh解耦检测头，分离分类与回归分支的特征提取路径，避免了语义特征与位置特征相互干扰；ixiou损失函数通过引入动态权重因子和宽高比例约束优化边界框回归，qfocalloss损失函数强化难分类样本关注，使模型在目标遮挡、背景杂乱的工业场景中仍能保持较高的定位精度与分类准确性。训练过程中采用mosaic与随机遮挡增强精准模拟工业生产场景的复杂情况，搭配余弦退火学习率策略，提升了模型的泛化能力与收敛稳定性，降低了漏检率和误检率。

1.一种面向工业生产复杂环境的多目标检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，多目标采样与标注的过程包括：

3.根据权利要求1所述的方法，其特征在于，主干网络在高层特征输出位置捕获上下文信息的过程包括：

4.根据权利要求1所述的方法，其特征在于，颈部网络执行双向跨尺度特征融合的过程包括：

5.根据权利要求1所述的方法，其特征在于，头部网络分离分类特征提取路径和回归特征提取路径的过程包括：

6.根据权利要求1所述的方法，其特征在于，对输入图像执行随机拼接增强的过程包括：

7.一种面向工业生产复杂环境的多目标检测系统，其特征在于，用于实施权利要求1-6中任一项所述的方法，所述系统包括：

8.一种计算机终端设备，其特征在于，包括：

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-6中任一项所述方法的步骤。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的方法的步骤。