【技术实现步骤摘要】
本专利技术涉及目标检测，尤其涉及一种目标检测方法、装置、设备及存储介质。
技术介绍
1、小目标检测是计算机视觉领域中的一个重要问题，指的是在图像或视频中检测和定位尺寸较小、数量较多的目标物体。随着人工智能和深度学习技术的发展，小目标检测在许多应用领域中具有重要意义，如智能监控、自动驾驶、医学影像分析等。然而，由于小目标的尺寸较小、形状不规则、数量众多，并且受到光照、遮挡等因素的影响，传统的目标检测算法在小目标检测上面临着一些挑战。
2、近年来，随着深度学习技术的发展，基于深度学习的目标检测算法取得了巨大的进展。然而，当前的深度学习目标检测算法在小目标检测上仍然存在一些问题。一是对小目标的定位和识别精度有待提高，特别是在目标密集场景下容易漏检；二是对于小目标和大目标的处理方式相同，不能充分利用小目标的特点；三是在复杂背景和光照变化等条件下容易受到干扰，导致检测结果不稳定。因此，针对当前小目标检测技术存在的问题，有必要提出一种新的、更加高效和准确的小目标检测算法。这种算法应该能够有效地定位和识别小目标，能够充分利用小目标的特点，并且具有较好的鲁棒性，能够在复杂环境下稳定地工作。因此，需要将现有的目标检测算法进行改进，提升在小目标检测上的精度。
技术实现思路
1、本专利技术的主要目的在于提供一种目标检测方法、装置、设备及存储介质，旨在解决现有技术小目标检测精度低，模型性能易受干扰的技术问题。
2、为实现上述目的，本专利技术提供了一种目标检测方法，所述方法包括以下步
3、s10：获取待检测图像以及初始数据集；
4、s20：对所述初始数据集进行图像预处理，得到预处理后的数据集；
5、s30：将训练集和验证集输入深度学习神经网络进行训练，所述深度学习神经网络采用yolov8框架，将初始目标检测模型的主干网络中替换了一个c2f模块为akconv模块，并通过gsconv引入slim-neck网络，然后在neck和head的连接部分中加入gam注意力机制，最后采用分布式聚焦损失与wise-lou结合起来计算边界框的回归损失，得到改进的目标检测模型；
6、s40：通过所述预处理后的数据集对所述改进的目标检测模型进行训练，得到优化的目标检测模型；
7、s50：根据所述优化的目标检测模型对待检测图像进行检测，得到检测结果。
8、可选地，对初始数据集进行图像预处理，得到预处理后的数据集，包括：
9、s201：将初始数据集的初始标签转换为目标标签，生成目标数据集；
10、s202：通过几何变换和颜色变换扩充目标数据集，形成预处理后的苹果标志数据集；几何变换包括翻转、旋转、裁剪、变形、缩放、加噪和模糊中的至少一种操作；颜色变换则包括颜色变换、擦除和填充中的至少一种操作。
11、可选地，通过所述预处理后的数据集对所述改进的目标检测模型进行训练，得到优化的目标检测模型，包括：
12、s401：将所述预处理后的数据集中的图像输入至所述改进的目标检测模型的改进的主干网络中进行特征提取，得到初始特征图；
13、s402：将所述初始特征图输入至所述改进的目标检测模型的颈层网络进行编码，得到待测特征图，其中，用gsconv模块来减轻模型复杂度设计了一种slim-neck网络；
14、s403：将所述待测特征图输入至所述改进的目标检测模型的头部网络进行检测，获得检测结果；其中，所述颈层网络和头部网络之间包括gam注意力机制；
15、s404：根据由聚焦损失改进的分布式聚焦损失函数和wise-iou结合作为回归损失，确定目标损失函数；
16、s405：通过所述目标损失函数优化所述改进的目标检测模型的参数，得到优化的目标检测模型。
17、可选地，将预处理后的数据集中的图像输入至所述改进的目标检测模型的改进的主干网络中进行特征提取，得到初始特征图。
18、具体的，提供一种灵活的卷积机制，允许卷积核具有任意数量的参数和采样形状。这种方法突破了传统卷积局限于固定局部窗口和固定采样形状的限制，从而使得卷积操作能够更加精准地适应不同数据集和不同位置的目标。akconv允许卷积核具有任意数量的参数，这使得其可以根据实际需求调整大小和形状，从而更有效地适应目标的变化。
19、针对不同大小的卷积核，akconv提出了一种新的算法来生成初始采样坐标，这进一步增强了其在处理各种尺寸目标时的灵活性。并且为适应目标的不同变化，akconv通过获得的偏移量调整不规则卷积核的采样位置，从而提高了特征提取的准确性。akconv支持线性增减卷积参数的数量，尤其适合于轻量级模型的应用，得到初始特征图。
20、可选地，将所述初始特征图输入至所述改进的目标检测模型的颈层网络进行编码，其中，用gsconv模块来减轻模型复杂度设计了一种slim-neck网络，得到待测特征图；具体包括：
21、将目标检测模型颈部的后三个c2f模块替换为vovgscsp模块，gsconv首先输入进行一个普通卷积的下采样，然后使用dwconv深度卷积，并将两个conv的结果拼接起来，最后进行shuffle操作，让之前两个卷积的对应通道数挨在一起，使得成为了一种轻量化的slim-neck网络，得到待测特征图。
22、可选地，所述将将gam注意力添加在neck和head的连接部分；
23、gam注意力模块可以对通道和空间维度中的特征图信息进行自适应学习，并对特征进行重新拟合和分配，帮助模型更聚焦于苹果目标；
24、将所述特征图中小目标的权重占比提高了，得到强化特征。
25、进一步的，对于目标检测任务中的每个锚框，通过dfl模型进行回归，得到预测的边界框，包括：
26、引入wise-iou损失计算方法，考虑预测框和真实框之间的区域来对iou进行加权，解决了传统iou在评估结果时可能存在的偏差问题。
27、将wise-iou损失与分布式聚焦损失函数模型结合，作为最终的边界框回归损失。
28、使用聚焦系数的计算方法来附加聚焦机制，实现动态聚焦的边界框回归损失，进一步提高模型在目标检测任务中的性能，提高模型的检测精度和鲁棒性。
29、此外，为实现上述目的，本专利技术还提出一种目标检测装置，所述目标检测装置包括：
30、获取模块，用于获取待检测图像以及初始数据集；
31、处理模块，用于对所述初始数据集进行图像预处理，得到预处理后的数据集；
32、构建模块，用于基于yolov8网络构建初始目标检测模型，将初始目标检测模型的主干网络中替换了一个c2f模块为akconv模块，并通过gsconv引入slim-neck网络，然后在neck和head的连接部分中加入gam注意力机制，最后采用分布式聚焦损失与wise-lou结合起来计算边界框的回归损失，增强模型收敛效率，提升检测精度本文档来自技高网...
【技术保护点】
1.一种目标检测方法，其特征在于，所述方法包括：
2.根据权利要求1描述的目标检测方法，其特征在于，对初始数据集进行图像预处理，得到预处理后的数据集，包括：
3.根据权利要求1所述的目标检测方法，其特征在于，通过所述预处理后的数据集对所述改进的目标检测模型进行训练，得到优化的目标检测模型，包括：
4.根据权利要求3所述的目标检测方法，其特征在于，针对不同大小的卷积核，AKConv通过获得的偏移量调整不规则卷积核的采样位置，得到初始特征图。
5.根据权利要求3所述的目标检测方法，其特征在于，用GSConv来减轻模型复杂度设计了一种Slim-Neck网络，包括：
6.根据权利要求3所述的目标检测方法，其特征在于，在Neck和Head的连接部分中加入GAM注意力机制，GAM注意力模块将特征图中小目标的权重占比提高，得到强化特征。
7.根据权利要求3所述的目标检测方法，其特征在于，对于目标检测任务中的每个锚框，通过DFL模型进行回归，得到预测的边界框，包括：
8.一种目标检测装置，其特征在于，所述目标检测
9.一种目标检测设备，其特征在于，所述目标检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的目标检测程序，所述目标检测程序配置为实现如权利要求1至7中任一项所述的目标检测方法。
10.一种存储介质，其特征在于，所述存储介质上存储有目标检测程序，所述目标检测程序被处理器执行时实现如权利要求1至7中任一项所述的目标检测方法。
...【技术特征摘要】
1.一种目标检测方法，其特征在于，所述方法包括：
2.根据权利要求1描述的目标检测方法，其特征在于，对初始数据集进行图像预处理，得到预处理后的数据集，包括：
3.根据权利要求1所述的目标检测方法，其特征在于，通过所述预处理后的数据集对所述改进的目标检测模型进行训练，得到优化的目标检测模型，包括：
4.根据权利要求3所述的目标检测方法，其特征在于，针对不同大小的卷积核，akconv通过获得的偏移量调整不规则卷积核的采样位置，得到初始特征图。
5.根据权利要求3所述的目标检测方法，其特征在于，用gsconv来减轻模型复杂度设计了一种slim-neck网络，包括：
6.根据权利要求3所述的目标检测方法，其特征在于，在neck和...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。