(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210835956.8 (22)申请日 2022.07.15 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路2号 (72)发明人 王伟明　李琦　李宝军　 (74)专利代理 机构 大连理工大 学专利中心 21200 专利代理师 戴风友 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/40(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 10/764(2022.01)G06N 3/04(2006.01) (54)发明名称 一种具有高精度且轻量的限高杆检测算法 (57)摘要 本发明属于计算机视觉目标检测领域， 涉及 一种具有高精度且轻量的限高杆检测算法。 本发 明利用构造的可变形模块对YOLOv5s检测器进行 改进， 实现了对场景中的限高杆实时地检测。 本 发明利用真实的限高杆数据集进行评估实验， 最 终得到了优于基线YOLOv5s的检测精度。 权利要求书1页 说明书3页 附图3页 CN 115171076 A 2022.10.11 CN 115171076 A 1.一种具有高精度且轻量的限高杆检测算法， 其特 征在于， 步骤如下： 步骤S1： 在输入端， 对输入图像做Mosaic数据增强并将处 理后的图像缩放至统一大小； 步骤S2： 将步骤S1的结果输入到Backbone中， 依次经过各模块提取基础特征； Backbone 包括基于可变形 卷积构造的可变形模块； 步骤S3： 将经过Backbone得到的特征图输入到Neck中进一步处理得到大、 中、 小三种不 同尺度的特 征； 步骤S4： 将三种特征输入到多头检测器 中分别进行预测， 然后通过非极大值抑制操作， 得到最终的目标位置和类别； 所述的可变形 卷积构造的可变形模块的构造， 步骤如下： 步骤S01： 可变形 卷积模块(DBH)的构造 检测网络中常见的卷积模块(CBH)， 通常由卷积操作、 Batchnorm归一化操作和激活函 数依次构成； 本发明将卷积层中的卷积操作替换为卷积核为3 ×3、 步长为 1、 填充为0的带有 调制机制的可变形卷积， 保持归一化操作， 选择Hardwish作为激活函数， 得到可变形卷积模 块； 步骤S02： 特 征融合 重复且连续地堆叠N个可变形卷积模块， 得到更加灵活的特征表示； 同时为了保持特征 的质量， 将N个可变形卷积模块之前最开始输入的特征图与经过N个可变形卷积模块得到的 结果逐元素相加， 进行 特征融合； 步骤S03： 进一步提取语义信息； 将特征融合后的结果输入到卷积核为3 ×3， 步长为2的卷积模块中进行下采样， 进一步 精炼语义上 下文信息 。 2.如权利要求1所述的一种具有高精度且轻量的限高杆检测算法， 其特征在于， 所述的 步骤S2的详细过程 为： 步骤S21： 输入的图像经过Focus模块、 卷积模块(3 ×3的卷积后接B atchnorm层进行归 一化操作， 和Hardw ish激活函数)和CS P1_1模块 提取图像特 征； 步骤S22： 将步骤S21的结果作为可变形模块的输入， 得到包 含更丰富信息的特 征表示； 步骤S23： 将可变形模块 的结果继续输入到YOLOv5s的B ackbone部分的其它模块中， 依 次是CSP1_3模块、 卷积模块、 CSP1_3模块、 卷积模块、 SPP(Spatial  Pyramid Pooling)模块 以及CSP2模块完成基础特 征的提取。 3.如权利要求1或2所述的一种具有高精度且轻量的限高杆检测算法， 其特征在于， 所 述的步骤S4的详细过程 为： 步骤S41： 将上一阶段得到的三种不同尺度的特征输入到检测头中， 最终分别得到20 × 20， 40×40， 80×80三种尺寸的特 征图， 分别负责预测大、 中、 小三种尺寸的目标； 步骤S42： 过 滤掉上一 步得到的多余的预测框 。 4.如权利要求3所述的一种具有高精度且轻量的限高杆检测算法， 其特征在于， 所述的 步骤S42的详细过程 为： 首先选择置信度最大的预测框， 然后计算该框与其余预测框的交并比； 如果某一个预 测框与该框交并比大于预先设定的阈值， 则将该预测框删除； 对剩余预测框重复进行上述 两步操作， 直至处 理完所有预测框 。权　利　要　求　书 1/1 页 2 CN 115171076 A 2一种具有高精度且轻量的限高杆检测算法 技术领域 [0001]本发明属于计算机视觉目标检测领域， 涉及一种具有高精度且轻量的限高杆检测 算法。 背景技术 [0002]限高杆是交通道 路上一种常见的用来限制行驶车辆高度的交通装置。 在行驶过程 中由于驾驶人员错误地估计限高杆的高度甚至疲劳驾驶没有注意到前方的限高杆， 从而导 致了很多交通事故的发生。 另外， 很多限高杆测高算法还不完善， 这些算法的第一步往往就 是需要检测出并且定位到场景中的限高杆。 因此， 非常有必要设计一种高效的限高杆检测 算法， 当发现场景中存在限高杆时自动确定限高杆 的位置并对驾驶员加以提醒， 这样可以 一定程度上避免很多交通事故的发生。 [0003]目标检测任务是计算机视觉领域中基础且重要的研究方向之一， 目的在于检测出 图像中的目标位置以及类别。 该任务广泛应用用无人驾驶系统和机器人交互系统。 然而， 现 在目标检测研究的内容更多的集中在行人检测、 标志牌检测以及车辆检测上， 限高杆检测 还没有得到太多的关注。 因此， 本发明针对限高杆检测这一空缺做了一些研究。 近些年卷积 神经网络的出现推动目标检测任务取得进一步的发展。 基于卷积神经网络的目标检测器可 以根据是否需要区域建议网络(Region  Proposal  Network)分为两阶段检测器与单阶段检 测器。 两阶段检测器由于需要生成区域建议， 往往有非常复杂的网络结构并且比较慢的推 理速度， 一般很难达到实时性的要求。 而单阶段的检测器网络结构一般都比较简单且推理 速度较快。 YOLO(You  Only Look Once)系列作为突出的单阶段检测算法， 完美地平衡了检 测精度与速度之间的关系。 其最新的版本YOLOv5更是达到了更快的推理速度， 而且使用 Pytorch框架对用户友好， 更容易集成投入生产。 进一步， YOLOv5中的YOLOv5s模型具有最好 的轻量性以及最快的推理速度。 [0004]据我们所知， 目前还没有基于学习的且可以达到实时性的限高杆检测算法。 因此 本发明针对交通道路上限高杆的检测问题， 提出一个基于可变形卷积的可变形模块以及基 于该可变形模块的YOLOv5s检测优化算法。 构造的可变形模块可以嵌入到YOLOv5s检测器的 Backbone中， 对YOLOv5s检测器进行改进， 使之服务于智能交通以及自动驾驶系统中道路限 高杆的检测任务。 发明内容 [0005]本发明首先基于可变形卷积构造了可变形模块， 该模块可以替换普通卷积通过调 整卷积核的位置完成一种 更加灵活的、 更加 适应物体几何的卷积操作。 然后将可变形模块 嵌入到YOLOv5s检测器的Backb one中， 对YOLOv5s检测器进行改进， 使之服务于智能交通以 及自动驾驶系统中道路限高杆的检测任务。 实验表明， 改进的Y OLOv5s在限高杆检测问题上 可以达到很好的检测效果。 [0006]本发明的技 术方案如下：说　明　书 1/3 页 3 CN 115171076 A 3