(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 202210767354.3 (22)申请日 2022.07.01 (71)申请人 齐鲁工业大学 地址 250353 山东省济南市长清区大 学路 3501号 (72)发明人 邓立霞　李洪泉　毕凌云　陈奂宇　 张肖轶群　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 张庆骞 (51)Int.Cl. G06V 40/16(2022.01) G06N 3/08(2006.01) G06V 10/762(2022.01) G06V 10/774(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于YOLOv3的口罩检测模型的轻量化 方法及系统 (57)摘要 本发明公开了一种基于YOLOv3的口罩检测 模型的轻量化方法及系统， 涉及目标检测技术领 域， 提出了两种针对YOLOv3的改进方法， 分别设 计了两种高效的轻量化网络结构， 一种是ML ‑ Darkent， 另一种是P ANet‑ResNet‑Network。 本发 明提出一种轻量化口罩检测算法ML ‑YOLOv3， 对 人群密集的场所进行是否佩戴口罩的检测， 克服 了现有技术中当公共场所的行人快速经过时， 难 以实现对密集行人是否佩戴口罩的实时检测的 弊端， 能够保证检测实时性的前提下， 还可以提 高口罩检测的效果。 权利要求书2页 说明书7页 附图3页 CN 115147900 A 2022.10.04 CN 115147900 A 1.一种基于 YOLOv3的 口罩检测模型的轻量 化方法， 其特 征在于， 包括以下步骤： S1： 获取口罩样本并制作训练集、 测试集和验证集， 对制作好的训练集、 测试集和验证 集进行预处理和格式转 化； S2： 搭建YOLOv3的骨干网络及多尺度特 征融合的网络结构； S3： 在原网络结构基础上进行改进， 搭建改进后的口罩检测模型； 得到改进的ML ‑ YOLOv3网络模型； S4： 训练YOLOv3和改进的ML ‑YOLOv3网络模型， 直到损失函数不再继续收敛， 保留最优 的权重文件； S5： 对改进后的口罩检测模型进行测试， 检测出目标类别并用方形框标注， 获得检测结 果。 2.如专利要求1所述的基于 YOLOv3的 口罩检测模型的轻量 化方法， 其特 征在于， 所述进行 预处理和格式转 化的具体步骤为： 口罩样本的数据格式包 含VOC格式和txt格式， 将数据集格式统一调整为txt格式； 通过调整图像的饱和度和曝光度对制作好的数据集进行数据增强； 对图像进行扭曲或 水平翻转预处 理操作； 对数据增强和格式转换之后图像的尺寸进行调整； 将数据集的训练集， 测试集和验证集按比例划分为8： 1： 1。 3.如专利要求1所述的基于 YOLOv3的 口罩检测模型的轻量 化方法， 其特 征在于， 搭建YOLOv3的骨干网络及多尺度特 征融合的网络结构具体步骤为： 在Darknet53的骨干 网络中添加5组残差结构， 其 中每一个残差结构包含的残差块对应 网络的所有残差； 输入 特征通过Dar knet53骨干网络进行两次卷积操作， 将输入 特征跟经过 这两次卷积 操作后输出的特 征图叠加， 作为 最终特征进行输出。 4.如专利要求3所述的基于 YOLOv3的 口罩检测模型的轻量 化方法， 其特 征在于， 输入特征在通过Darknet53骨干网络时， 首先进行常规卷积操作， 而后通过5组叠加的 残差块， 每相邻的两个残差块之间需要 进行下采样连接 。 5.如专利 要求3所述的基于YOLOv3的轻量化口罩检测方法， 其特征在于， 分别取第3、 4、 5组残差块的输出， 当作多尺度融合特征提取网络的输入， 尺 寸为1x1和3x3的卷积核用于多 尺度特征融合提取网络中， 通过上采样的方式同前一组残差块的输出进 行融合， 最后输出3 个不同的尺度的特 征图。 6.如专利 要求1所述的基于YOLOv3的口罩检测模型的轻量化方法， 其特征在于， 所述改 进过程为： 在Darknet53网络的基础上， 融合CSPNet和Darknet53设计了一种梯度分流的轻 量化网络ML ‑Darknet； ML ‑Darkent采用了下采样连接CSPnet模块的网络结构， 使只有一半 的通道数参与ResNet运 算； 在ML‑Darkent采用 “1， 1， 1， 1， 1 ”ResNet的堆叠方式。 7.如专利 要求1所述的基于YOLOv3的口罩检测模型的轻量化方法， 其特征在于， 所述改 进过程还包括： 在多尺度特征提取网络的基础上， 融合PA Net的骨干网络和ResNet网络设计 了更为轻量化的网络结构PANet ‑ResNet‑Network， PANet ‑ResNet‑Network添加了自下而上 的特征融合方式， 增强深层特 征和浅层特 征的融合， 提高整个特 征层次结构。 8.如专利 要求1所述的基于YOLOv3的口罩检测模型的轻量化方法， 其特征在于， 训练改 进后的口罩检测模型， 具体步骤为：权　利　要　求　书 1/2 页 2 CN 115147900 A 2将VOC数据集格式的目标信息的格 式转换为txt格式， 提取的信息包括被检测物体的位 置信息和类别 信息； 将训练集、 测试集和验证集分别保存在不同的txt文件夹下； 新建一个项目文件， 在此项目文件中保存好同数据集有关的配置文本文件， 并调用这 些的路径； 利用YOLO官网给出的YOLOv3预训练权重， 对改进后的ML ‑YOLOv3进行自动加载键值对 匹配的权 重， 对不匹配部分进行手动加载； 将数据集中图像的尺寸、 k ‑means聚类产生的锚框尺寸、 检测目标的类别数目、 权重文 件路径初始化 参数传入到脚本文件中； 项目文件准备好后， 开始进行训练， 训练过程中当损失值趋于收敛， 损失变化微弱时停 止训练， 并保存下最优的权 重文件。 9.如专利 要求1所述的基于YOLOv3的口罩检测模型的轻量化方法， 其特征在于， 对改进 后的口罩检测模型进行测试， 具体步骤为： 选取测试集作为测试样本文件； 加载训练好的权 重文件， 把样本文件当作改进后的ML ‑YOLOv3网络模型的输入； 对待测试图片进行测试， 则测试图片会被标注出目标位置、 种类以及种类置信度信 息， 从而获得检测结果。 10.一种基于 YOLOv3的 口罩检测模型的轻量 化系统， 其特 征在于， 包括： 数据获取模块， 被配置为获取口罩样本并制作训练集、 测试集和验证集， 对制作好的训 练集、 测试集和验证集进行 预处理和格式转 化； 模型构建模块， 被配置为搭建YOLOv3的骨干网络及多尺度特征融合的网络结构； 并在 原网络结构基础上进行改进， 获得改进后的 口罩检测模型； 数据处理模块， 被配置为训练改进后的口罩检测模型， 直到损失函数不再继续收敛， 保 留最优的权 重文件； 数据测试模块， 被配置为对改进后的口罩检测模型进行测试， 检测出目标类别并用方 形框标注， 获得检测结果。权　利　要　求　书 2/2 页 3 CN 115147900 A 3