【技术实现步骤摘要】
本专利技术涉及目标检测领域，尤其涉及一种针对低照度情况下的目标检测方法。
技术介绍
1、在现代科技迅猛发展的背景下，透明容器内液体含量的检测已成为多个领域的重要研究课题，特别是在智能农业、自动化实验室和环境监测等应用场景中。液体含量的检测不仅直接影响产品质量和安全性，还在资源管理、环境保护以及可持续发展方面发挥着关键作用。然而，目前的研究大多集中在良好光照条件下的检测技术，这导致在低照度环境中的应用效果不尽如人意。
2、现有的液体检测方法通常依赖于图像处理和机器学习技术，但在光照不足的情况下，这些方法的准确性和可靠性显著降低。低照度条件下，图像噪声的增加和对比度的降低使得液体边界模糊，检测算法难以有效识别液体的特征。尤其是对于透明液体，传统算法往往无法准确分辨液体与容器之间的界限，导致误检或漏检。此外，许多传统算法在复杂环境中表现不佳，无法满足实际应用的需求。这一现状限制了液体检测技术在实际场景中的广泛应用，需开发更为有效的解决方案，以应对低照度条件下的挑战。
3、为了解决上述问题，本专利技术专注于低照度条件下的液体检测技术。近年来，随着深度学习的快速发展，基于卷积神经网络（cnn）的目标检测算法逐渐成为主流。这些算法通过学习大量数据中的特征，能够在复杂环境中实现更高的检测精度。yolo（you only lookonce）系列模型因其实时性和高效性被广泛应用于目标检测任务，成为低照度条件下液体检测的有力工具。
4、本专利技术通过对yolov6模型的优化，添加了一个专门检测含量的检测头，并在网
5、此外，为了推动这一领域的研究，构建高质量的数据集至关重要。数据集的多样性和准确性直接影响到模型的训练效果和实际应用性能。因此，针对低照度条件下的液体检测，我们收集和标注了大量真实场景下的图像数据，以确保模型在复杂环境中的适应性和准确性。
技术实现思路
1、本专利技术中我们提出了一种基于alld-yolov6的低照度透明容器液体检测方法，从而改善低照度条件下透明容器中液体含量检测困难得现状。
2、本专利技术的技术方案是改进yolov6算法设计两个检测头，并经过实验和验证选择最适合低照度条件下注意力机制。
3、基于alld-yolov6的低照度透明容器液体检测框架如图1所示。该框架由alld-yolov6的backbone、neck、head构成。
4、（1）主干网络yolov6的主干网络采用了一种名为efficientrep的创新架构，作为高效的特征提取器，它融合了多种先进的网络设计理念。repvgg风格的模块在训练阶段采用多分支结构，结合了1x1卷积、3x3卷积和恒等映射，而在推理阶段则通过重参数化技术将这些分支合并为单一的3x3卷积，从而显著提升了推理速度。
5、特征提取：
6、输入图像假设输入图像x的大小为h×w×c，经过一系列卷积层后，生成的特征图f 可以表示为：
7、 (1)
8、其中conv表示卷积操作，大小为h‘×w‘×c‘，其中h‘和w‘是卷积后特征图的高度和宽度，c‘是卷积层输出的通道数。
9、cspblock 的结构将输入特征图f分为两部分f1和f2，然后分别通过不同的卷积路径进行处理，最后将它们合并。可以表示为：
10、 (2)
11、 (3)
12、 (4)
13、其中concat 表示在通道维度上拼接。其中σ是激活函数（如silu），bn是批量归一化，wi和bi是卷积核和偏置。在 cspblock 中使用深度可分离卷积来进一步提高计算效率。深度可分离卷积的输出表示为：
14、 (5)
15、（2）颈部网络yolov6 的颈部网络用到了 panet 结构。panet 是一个双向通路网络，除了自顶向下的路径，还引入了自下向上的路径，从而增强了特征图的多尺度信息融合能力。
16、特征融合：
17、在 panet 中，主干网络输出的多尺度特征图（经过不同程度的下采样）首先通过自顶向下路径进行上采样和融合，表示为：
18、 (6)
19、然后，这些融合后的特征图在自下向上的路径中，通过下采样逐层传递，表示为：
20、 (7)
21、（3）预测头和损失函数在预测头部（head）中，采用了 decoupled head 设计，每个输出分支分为分类（classification）和回归（regression）两个子分支，分别负责目标的分类和边界框的预测。
22、输出分支：
23、每个分支由多层卷积模块（convmodule）组成，包含卷积层、批量归一化层（batchnorm）和激活函数（silu）。最后，会通过一个 1×1 的卷积层来降低通道数，生成最终的输出，包括类别预测、边界框回归以及目标置信度。
24、 (8)
25、 (9)
26、 (10)
27、其中，, , 。最后总的损失函数为：
28、 (11)
29、其中，是目标分类损失，是边界框回归损失，λ 是分类损失的权重系数，通常设置1。
本文档来自技高网...【技术保护点】
1.一种基于ALLD-YOLOv6的低照度透明容器液体检测方法其特征在于:
【技术特征摘要】
1.一种基于alld-yolov6的低...
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。