一种新型针对煤矿井下小目标的低参数量改进检测算法

摘要: 本发明属于计算机视觉和深度学习领域,具体涉及一种新型的针对煤矿井下小目标且参数量较低的目标检测算法。背景技术:1、在煤矿安全生产领域,实时监测和识别井下环境中的...
一种新型针对煤矿井下小目标的低参数量改进检测算法

本发明属于计算机视觉和深度学习领域,具体涉及一种新型的针对煤矿井下小目标且参数量较低的目标检测算法。

背景技术:

1、在煤矿安全生产领域,实时监测和识别井下环境中的小目标(如小型设备、工具、人员等)对于预防事故、提高生产效率具有重要意义。然而,现有的目标检测算法在煤矿环境中面临诸多挑战。首先,煤矿井下环境复杂,光照条件差、粉尘浓度高、背景杂乱,这些因素都会影响目标检测的准确性。其次,传统的目标检测算法通常需要大量的计算资源和参数量,难以在资源受限的嵌入式设备或边缘计算平台上高效运行。此外,煤矿井下的小目标通常尺寸较小、特征不明显,进一步增加了检测难度。

2、目前,主流的目标检测算法如faster r-cnn、yolo和ssd等,虽然在通用场景下表现优异,但在煤矿井下环境中,尤其是针对小目标的检测,往往存在参数量过大、计算复杂度高、检测精度不足等问题。因此,开发一种针对煤矿领域小目标的低参数量改进算法,具有重要的实际应用价值。

3、本专利提出了一种新型的低参数量改进算法,旨在通过优化网络结构、引入轻量化模块和增强特征提取能力,实现在煤矿复杂环境下对小目标的高效、准确检测。该算法不仅显著降低了模型参数量和计算复杂度,还通过多尺度特征融合和注意力机制提升了小目标的检测精度,为煤矿安全生产提供了可靠的技术支持。

技术实现思路

1、针对上述问题,本发明提出了一种新型针对煤矿井下小目标的低参数量改进算法,通过引入space-to-depth模块,有效提升了小目标检测能力。接着,通过引入cbam注意力机制增强了算法对环境干扰的鲁棒性,重点关注重要的特征信息。同时,通过使用gsconv替代普通卷积,实现算法参数量的轻量化。能够实现对煤矿生产环境中小目标检测的准确识别,填补了现有技术在煤矿特殊环境下的应用空白。

2、基于yolov8主干网络与颈部网络的大部分卷积层使用跨步卷积(stride>=2)容易造成细粒度特征信息的丢失的问题,本文将yolov8中主干网络和颈部网络的所有cbs模块卷积层的步长降低(stride=1),提升卷积层的特征提取效率,将space_to_depth模块加入yolov8的主干网络与颈部网络,使得空间中的特征转化到通道上,使特征之间的联系更加立体,提取效率更高。

3、space-to-depth模块

4、space-to-depth模块运用spd模块在保留通道维度信息的情况下对特征图实施切片操作。首先依据scale=2对大小为s×s×c2的特征图开展python切片操作,在s×s平面分别选取偶数行偶数列、奇数行偶数列、偶数列奇数行、奇数行奇数列的切片作为子特征图,即得到f0,0,f1,0,f0,1,f1,14个子特征图,然后顺着通道维度对4个子特征图进行拼接得到了形状为s2×s2×4c2的特征图作为下采样的结果,输出给下一层,子特征图取到原特征图的所有元素一次。

5、f0,0=x[0:s:scale,0:s:scale]

6、f0,1=x[0:s:scale,1:s:scale]

7、f1,0=x[1:s:scale,0:s:scale]

8、f1,1=x[1:s:scale,1:s:scale]

9、跨步的卷积起初运用步长是2且卷积核为3来提取特征,无跨步卷积将卷积步长缩减为1,卷积核大小仍保持为3,实施精细的特征抽取,把通道为c1的输入特征图转变为通道为c2的特征图,其中c2小于c1。跨步为1的卷积在进行特征提取时,会尽可能地留存全部特征信息,并降低通道的数量。

10、经过实验我们会发现,将卷积层置于space-to-depth模块之后,无论是参数量还是每秒浮点运算都比卷积层置于space-to-depth模块之前要小。这是由于我们的模块输出要进入到下一个隐藏层,如果是通道数为4c1的话,就会让参数量比较大,所以我们采用通道数为1的卷积层对space-to-depth模块的输出特征图进行降维,参数量显著下降。

11、总的来说,更新操作如下:

12、1、spdconv的space-to-depth模块通过切片的方式把无跨步卷积的输出分成4个子张量,通道数不变:x[::2,::2],x[::2,1::2],x[1::2,::2],x[1::2,1::2]在通道维度将他们拼接到一块;

13、2、spdconv的卷积模块的输入通道相当于普通卷积输入通道的4倍,卷积步长下降为1,特征图通道数c1变c2;

14、相比于yolov8原始基准网络,yolov8-nostride_spd彻底去除了跨步卷积操作;而相比yolov8-nostride_spd模块,yolov8-spdconv模型复杂度较低,训练更方便。此网络在进行切片操作时,保存了图像的细微粒度信息,增强了模型对小目标的检测能力。

15、cbam注意力机制模块

16、在混合注意力机制中,通道注意力和空间注意力可以通过串联或者并联等方式进行组合,在cbam注意力机制中,cam(通道注意力机制)和sam(空间注意力机制)通过串联方式连接。

17、(1)通道注意力机制(cam)

18、通道注意力机制cam让特征图的每个通道都被视为一个特征检测器,所以通道特征聚焦的是图像中有用的信息在哪个channel。

19、通道注意力机制的思想流程是:首先,对一个尺寸为h×w×c的输入特征图f进行空间维度的全局最大池化和全局平均池化,得到两个1×1×c的特征图(在空间维度进行池化,压缩空间尺寸,便于后面学习通道的特征);然后,将全局最大池化和全局平均池化的结果,分别送入共享的多层感知机(mlp)中学习,得到两个1×1×c的特征图。mlp的第二层神经元个数为c/r,激活函数为relu,第三层神经元个数为c(基于mlp学习通道维度的特征和各个通道的重要性);最后,将mlp输出的结果进行add(即数值相加)操作,经过sigmoid激活函数的映射处理,最终得到通道注意力权重矩阵mc。

20、1)感知机pla与多层感知机mlp

21、感知机只有输入和输出层,这两层共同组成一个简单的神经元,即单个神经元模型,是较大神经元网络的前身。他是一个线性的二分类器,但它对非线性的数据并不能进行有效的分类。因此我们可以加深这个神经元的网络层次,理论上来说,多层网络可以模拟任何复杂的函数,以下是感知机的概念公式:

22、

23、

24、多层感知机由感知机推广而来,它最主要的特点就是有多个神经元层,因此mlp也被称为人工神经网络。mlp是一种特定类型的人工神经网络,它由多个神经元组成,通常包括一个输入层、一个或多个隐藏层以及一个输出层。多层感知机的三类给定层(输入层、隐藏层、输出层)中的每个节点都会连接到相邻层的每个节点(全连接)。

25、由线性结构(感知机)变为多层感知机,重点在于全连接(dense)+激活函数(引入非线性)。要做到非线性,我们可以尝试采用多个全连接层,但是将多个全连接层简单的叠加在一起还是线性的,所以要加入非线性的东西在里面,也就是激活函数(比如sigmoid、relu等),才能实现需要的非线性(拟合各种各样的函数,更具现实意义)。

26、2)通道注意力的计算公式

27、通道注意力权重矩阵mc,可以表示为mc∈rc×1×1,为了降低计算参数,在mlp中采用一个降维系数r(中间hidden层神经元个数减少,连线的权重就减少),mc∈rc/r×1×1。综上,通道注意力计算公式如下:

28、

29、上式中,和分别表示全局平均池化特征和最大池化特征。

30、(2)空间注意力机制(sam)

31、空间注意力的思路流程是:首先,对一个尺寸为h×w×c的输入特征图f进行通道维度的全局最大池化和全局平均池化,得到两个h×w×1的特征图(在通道维度进行池化,压缩通道大小,便于后面学习空间的特征);然后,将全局最大池化和全局平均池化的结果,按照通道维度拼接,得到特征图尺寸为h×w×2;最后,将拼接的结果进行7×7的卷积操作(基于该卷积学习空间维度的特征和各个空间特征点的重要性),得到特征图尺寸为h×w×1,接着通过sigmoid激活函数,得到空间注意力权重ms。

32、1)空间注意力的计算公式

33、空间注意力权重矩阵ms,可以表示为ms∈r1×h×w,同通道注意力机制,在通道维度使用两种池化方法产生2d特征图和综上,通道注意力计算公式如下:

34、

35、综合通道注意力计算公式、空间注意力计算公式以及连接方式,可以得出混合注意力机制cbam的工作流程:

36、(a)原始图像f经过通道注意力模块cam得到通道注意力权重mc

37、(b)通道注意力权重mc与原始图像f相乘得到特征图f’

38、(c)特征图f’经过空间注意力模块sam得到空间注意力权重ms

39、(d)空间注意力权重ms与特征图f’相乘得到最终图像输出

40、gsconv广义稀疏卷积

41、gsconv(广义稀疏卷积)首先使用sc(标准卷积)进行通道密集的卷积操作,保留通道间的信息连接,接着使用dw(深度卷积)提取特征图的空间特征信息并与普通卷积得到的特征图进行通道维度的拼接,然后使用shuffle操作将sc的输出与dw的输出进行特征图混合,实现通道信息的均匀融合。混合过程通常是通过重新排列通道顺序来实现的,确保sc和dw的输出都能均匀地分布到最终的特征图中。shuffle操作在通道维度进行,不改变特征图宽高,从而保持计算的轻量级。

42、由于深度卷积的计算量计算过,为1/n,一般n较大,可忽略不计,gsconv和sc的输入输出特征图维度不发生变化,所以gsconv的计算量取决于刚开始通道维度减半的sc,可得gsconv的参数量与计算量:

43、

44、

45、对比标准卷积的参数量与计算量可得:

46、

47、

48、一般地,与标准卷积相比,广义稀疏卷积的参数量和计算量约为50%,有效降低了模型的计算成本。gsconv相比sc的优势在于精度与速度的平衡、轻量化设计、灵活性强。

49、本发明的优点在于:

50、1)、通过优化网络结构和引入轻量化模块,显著降低了模型的参数量和计算复杂度。适合部署在资源受限的嵌入式设备或边缘计算平台上,满足煤矿井下实时监测的需求。

51、2)、采用多尺度特征融合技术,增强了对小目标的特征提取能力,解决了小目标在复杂背景下特征不明显的问题。引入注意力机制,进一步提升了模型对小目标的关注度和监测精度。

52、3)、算法针对煤矿井下光照不足,粉尘浓度高、背景杂乱等复杂环境进行了优化,采用数据增强和特定场景的训练数据,提高了模型在恶劣环境下的泛化能力。

53、4)、模型结构简单,参数量少,易于在煤矿监控系统中集成和部署。适用于多种煤矿场景,如设备监测、人员监测、危险预警,具有广泛的应用前景。

54、5)、适用于中小型煤矿企业,减少对硬件设备的依赖,分布式系统降低系统部署难度和维护成本,有助于推动智能化监测技术的普及。