物体识别方法、系统、终端设备及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113837029A(43)申请公布日2021.12.24(21)申请号202111038431.3(22)申请日2021.09.06(71)申请人苏州大学地址215000江苏省苏州市吴中区石湖西路188号(72)发明人吕勇迟文政陈国栋孙立宁(74)专利代理机构苏州市中南伟业知识产权代理事务所(普通合伙)32257代理人王广浩(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书8页附图3页(54)发明名称物体识别方法、系统、终端设备及存储介质(57)摘要本发明公开了一种物体识别方法、系统、终端设备及存储介质，其物体识别方法包括：S1、采集室内真实环境下不同物体的图片数据集，对图片进行标定，并划分训练集和测试集；S2、将YOLOv4_tiny网络模型主干网络中部分卷积层替换成逆残差层，并在YOLOv4_tiny网络模型主干网络末端加入SPP层，得到改进的轻量化网络模型；S3、利用训练集和测试集对改进的轻量化网络模型进行训练和测试，得到训练后的轻量化网络模型；S4、利用训练后的轻量化网络模型对室内物体进行识别。本发明在几乎不增加模型计算量和参数存储量的前提下显著提高了目标检测精度，提升了多尺度目标、尤其是小目标的检测性能。CN113837029ACN113837029A权利要求书1/1页1.一种物体识别方法，其特征在于，包括以下步骤：S1、采集室内真实环境下不同物体的图片数据集，对图片进行标定，并划分训练集和测试集；S2、将YOLOv4_tiny网络模型主干网络中部分卷积层替换成逆残差层，并在YOLOv4_tiny网络模型主干网络末端加入SPP层，得到改进的轻量化网络模型；S3、利用训练集和测试集对改进的轻量化网络模型进行训练和测试，得到训练后的轻量化网络模型；S4、利用训练后的轻量化网络模型对室内物体进行识别。2.如权利要求1所述的物体识别方法，其特征在于，步骤S2包括：将YOLOv4_tiny网络模型主干网络中的第3、6、11、14、19、22层替换成逆残差层，并在第24和27层后分别加入SPP层，并在SPP层后加入卷积层。3.如权利要求1所述的物体识别方法，其特征在于，步骤S4之后，还包括步骤：S5、根据识别结果对扫地机器人的运动路径进行规划。4.如权利要求1所述的物体识别方法，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。5.如权利要求4所述的物体识别方法，其特征在于，对训练集进行数据增强后，采用聚类算法计算数据集的锚框，并对训练的超参进行设置。6.如权利要求1所述的物体识别方法，其特征在于，在对改进的轻量化网络模型进行测试后，采用最大值抑制对输出结果进行筛选，并保留置信度最大的检测框。7.如权利要求1所述的物体识别方法，其特征在于，所述训练集和测试集分别占84％和16％。8.一种物体识别系统，其特征在于，包括：数据处理模块，用于采集室内真实环境下不同物体的图片数据集，对图片进行标定，并划分训练集和测试集；模型构建模块，用于将YOLOv4_tiny网络模型主干网络中部分卷积层替换成逆残差层，并在YOLOv4_tiny网络模型主干网络末端加入SPP层，得到改进的轻量化网络模型；模型训练模块，用于利用训练集和测试集对改进的轻量化网络模型进行训练和测试，得到训练后的轻量化网络模型；物体识别模块，用于利用训练后的轻量化网络模型对室内物体进行识别。9.一种终端设备，其特征在于，所述终端设备包括：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数据存储介质的管理程序，所述数据存储介质的管理程序被所述处理器执行时实现如权利要求1至7中任一项所述的物体识别方法的步骤。10.一种计算机存储介质，其特征在于，所述计算机存储介质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如权利要求1至7中任一项所述的物体识别方法的步骤。2CN113837029A说明书1/8页物体识别方法、系统、终端设备及存储介质技术领域[0001]本发明涉及计算机视觉技术领域，特别涉及一种物体识别方法、系统、终端设备及存储介质。背景技术[0002]目标检测是计算机视觉领域中的基本任务，其不仅要对图像中的物体进行分类，而且需要精确的定位。目标检测在智能安防、无人驾驶、家居生活以及服务机器人等诸多领域有着广泛的应用，随着计算机运算性能的不断提升，基于深度学习的目标检测算法逐渐成为主流。在目标检测性能得到提升的同时，深度神经网络自身的参数规模大、计算复杂度高的缺点也变得愈发明显。为了推动深度学习网络在嵌入式端的部署，轻量化网络得到快速发展