(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 20221049612 2.9 (22)申请日 2022.05.07 (71)申请人 长春工业大学 地址 130012 吉林省长 春市朝阳区延安大 路17号 (72)发明人 刘钢　胡艳鑫　郭建伟　陈志雨　 (74)专利代理 机构 郑州德勤知识产权代理有限 公司 41128 专利代理师 黄红梅 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/80(2022.01) (54)发明名称 一种基于改进YOLOv4的可移动机器人目标 检测方法 (57)摘要 本发明公开了一种基于改进YOLOv4的可移 动机器人目标检测方法， 其中， 目标检测模型包 括： （1） 获取DJI  ROCO数据集， 对数据集进行数据 增强处理后划分为训练集和测试集； （2） 将训练 集输入改进的YOLOv4网络模型进行模型训练； （3） 将训练后的最佳模型进行量化处理； （4） 将测 试集输入进量化后的最佳模型中进行测试， 即得 训练好的可移动机器人目标检测模 型。 进行目标 检测时， 实时采集移动中的机器人图片， 根据训 练后的基于改进YOLOv4的可移动机器人目标检 测模型对机 器人图片进行机 器人目标检测。 权利要求书1页 说明书4页 附图2页 CN 115082751 A 2022.09.20 CN 115082751 A 1.一种基于改进YOLOv4的可移动机器人目标检测模型， 其特 征在于， 包括： （1） 获取DJI  ROCO数据集， 对数据集进行 数据增强处 理后划分为训练集和 测试集； （2） 将训练集输入改进的YOLOv4网络模型进行模型训练； （3） 将训练后的最佳模型进行量 化处理； （4） 将测试集输入进量化后的最佳模型中进行测试， 即得训练好的可移动机器人目标 检测模型。 2.根据权利 要求1所述的基于改进YOLOv4的可移动机器人目标检测模型， 其特征在于： 对数据集进行 数据增强处 理后划分为训练集和 测试集的方法为： 对DJI ROCO数据集中的图片采用增加高斯噪声、 改变亮度、 图像平移、 图像旋转、 图像 翻转和图像缩放随机组合的方式， 将DJI  ROCO数据集扩充三 倍； 将扩充后的数据集按照9:1的比例分成训练集与测试集。 3.根据权利 要求1所述的基于改进YOLOv4的可移动机器人目标检测模型， 其特征在于， 对YOLOv4网络模型改进的方法为： 删除YOLOv4网络模型原有的主干特 征提取网络 CSPDarknet53， 并采用Ghostnet 代替； 在YOLOv4网络模型的增强特 征提取网络PANet中引入GhostNet特 征层。 4.根据权利 要求1所述的基于改进YOLOv4的可移动机器人目标检测模型， 其特征在于， 将训练后的最佳模型进行量 化处理的方法为： 步骤3.1， 添加QuantStub和DeQuantStub模块， 指定在何处进行显式量化和反量化激 活 值； 步骤3.2， 将G ‑bneck中的Ghost  module操作 与Batch Normalization操作融合在一 起： 首先将BN层的输入值进行归一化， 然后对归一化的结果进行比例缩放和位移， 此时将 BN层视为一个1x1卷积层； 其次对 所有卷积层中的输入值和权重值进 行显示量化计算， 将其 映射为数值范围为 （0,255） 的整 数， 在完成卷积 计算后再将 计算结果进 行反量化计算； 最后 将量化后卷积层的权重与量化后BN层的权重相乘， 从而形成融合后的权重； 再将BN层的权 重与Ghost  module的偏置相 乘再加上BN层偏置， 从而形成融合后的偏置， 至此融合操作完 成； 步骤3.3， 选择非对称量 化以及L2N orm校准技术进行校准； 步骤3.4， 使用torc h.quantizati on.convert() 模块来转化模型。 5.一种基于改进YOLOv4的可移动机器人目标检测方法， 其特 征在于： 实时采集移动中的机器人图片， 根据训练后的权利要求1 ‑4任一项所述的基于改进 YOLOv4的可移动机器人目标检测模型对机器人图片进行机器人目标检测。 6.一种非瞬时性计算机可读存储介质， 其上存储有计算机程序， 该程序被处理器执行 时实现权利要求1 ‑4中任一项所述的基于改进YOLOv4的可移动机器人目标检测模型。 7.一种可移动 机器人， 其特征在于： 将权利要求1 ‑4任一项所述的基于改进YOLOv4的可 移动机器人目标检测模型 搭载在可移动机器人的mi niPC 设备上； 可移动机器人在移动过程中， 采用权利要求5所述的基于改进YOLOv4的可移动机器人 目标检测方法实现目标检测。权　利　要　求　书 1/1 页 2 CN 115082751 A 2一种基于改进Y OLOv4的可移动机 器人目标 检测方法 技术领域 [0001]本发明涉及 计算机视觉、 图像处理领域， 更具体地， 涉及一种基于改进YOLOv4的可 移动机器人目标检测方法。 背景技术 [0002]作为一个新兴的机器人学术平台， DJI的RoboMaster赛事组委会自2017年起发起 了专门针对移动机器人领域的RoboMaster人工智能挑战赛， RoboMaster人工智能挑战赛让 全球爱好者一起研究基于深度神经网络的机器人技术， 并有望将成果应用于野外救援、 无 人驾驶、 自动物流等行业， 造福人类生活。 在大疆联合组织的RoboMaster人工智能挑战赛 中， 单个机器人需要具有检测、 跟踪和射击目标的能力， 这就需要移动机器人能够正确、 快 速地检测目标物体。 如何在轮式移动机器人上实现一种结合检测效果和性能的目标检测算 法， 已成为取得胜利的关键。 随着目标检测算法被部署在具有移动轮式机器人的设备上， 有 限的计算能力成为限制检测性能的关键因素。 [0003]近年来， 目标检测算法不断发展。 大致可分为两类， 一类是双阶段目标检测算法， 主要代表有R ‑CNN、 Fast  R‑CNN、 Faster  R‑CNN， 此类算法首先会基于候选区生成网络生成 一系列候选框， 候选框会先框出需要检测部分的位置， 再利用卷积神经网络对所框出位置 进行具体的定位及分类， 此类方法先生成候选区域， 再进行分类与回归， 导致检测精度较高 到检测时间较长； 另一类是单阶段 目标检测算法， 主要代表有YOLO系列和SSD， 这类算法不 需要生成候选区域， 使用一个卷积神经网络直接对输入的图片特征提取并预测检测目标的 位置信息， 是一种端到端的检测方法， 虽然检测时间缩 减， 但是也牺牲了检测精度。 [0004]无论是两阶段还是单阶段的目标检测算法在高性能设备上都取得了良好的发展， 但运行这些方法需要大量的计算资源， 因此在一些移动机器人设备上效果很差。 虽然提出 了一些轻量级的目标检测算法。 如YOLOv3_tiny,YOLOv4_tiny， 这些轻量级网络在移动机器 人设备上有优秀的性能， 但是识别精度也大大低于非轻量级的网络模型， 不能完成复杂的 目标检测任务。 发明内容 [0005]针对现有技术的缺陷， 本 发明第一方面提供了一种基于改进YOLOv4的可移动机器 人目标检测模型， 包括： （1） 获取DJI  ROCO数据集， 对数据集进行 数据增强处 理后划分为训练集和 测试集； （2） 将训练集输入改进的YOLOv4网络模型进行模型训练； （3） 将训练后的最佳模型进行量 化处理； （4） 将测试集输入进量化后的最佳模型中进行测试， 即得训练好的可移动机器人 目标检测模型。 [0006]本发明第二方面提供了一种基于改进YOLOv4的可移动机器人目标检测方法： 实时 采集移动中的机器人图片， 根据训练后的基于改进Y OLOv4的可移动机器人目标检测模 型对说　明　书 1/4 页 3 CN 115082751 A 3