(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 202210801243.X (22)申请日 2022.07.08 (71)申请人 福州大学 地址 350108 福建省福州市闽侯县福州大 学城乌龙江北 大道2号福州大 学 (72)发明人 柯逍　陈文垚　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 专利代理师 陈鼎桂　蔡学俊 (51)Int.Cl. G06V 20/52(2022.01) G06V 40/10(2022.01) G06V 10/82(2022.01) G06V 10/20(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于稀疏系数通道剪枝的轻量化个人防护 装备检测方法 (57)摘要 本发明涉及一种基于稀疏系数通道剪枝的 轻量化个人防护装备检测方法， 包括以下步骤： 步骤S1： 构建个人防护装备检测数据集； 步骤S2： 根据个人防护装备检测数据集训练网络模型得 到个人防护装备检测模型； 步骤S3： 将个人防护 装备检测模 型进行通道级别的稀 疏化训练， 对卷 积神经网络中BN层的γ参数进行稀疏正则化， 得 到稀疏化后的检测模型； 步骤S4： 对稀疏化后的 检测模型进行剪枝， 得到一个轻量化的检测模 型； 步骤S5： 对 轻量化的检测模型进行微调训练， 得到最终的轻量化个人防护装备检测模型； 步骤 S6： 使用轻量化个人防护装备检测模型进行目标 检测， 得到检测结果图。 本发明能够有效减少检 测模型的模型大小， 参数量和计算量， 并且对工 人是否穿戴个人防护装备进行精准检测。 权利要求书3页 说明书7页 附图1页 CN 115100603 A 2022.09.23 CN 115100603 A 1.一种基于稀疏系数通道剪枝的轻量化个人防护装备检测方法， 其特征在于， 包括以 下步骤： 步骤S1： 获取个人防护装备 数据图片， 并预处 理， 构建个人防护装备检测数据集； 步骤S2： 对YOLOv5目标检测算法的训练超参数进行调优， 并根据个人防护装备检测数 据集训练网络模型 得到个人防护装备检测模型； 步骤S3： 将个人防护装备检测模型进行通道级别的稀疏化训练， 对卷积神经网络中BN 层的γ参数进行稀疏正则化， 得到稀疏化后的检测模型； 步骤S4： 对稀疏化后的检测模型进行剪枝， 将检测模型中γ参数低于所设阈值的卷积 通道删除， 得到一个轻量 化的检测模型； 步骤S5： 对轻量化的检测模型进行微调训练， 恢复因为通道剪枝操作而损失的部分精 度， 得到最终的轻量 化个人防护装备检测模型； 步骤S6： 使用轻量化个人防护装备检测模型进行目标检测， 根据得到的预测结果在原 图上进行绘制， 添加类别名称和置信度等信息后得到检测结果图。 2.根据权利要求1所述的基于稀疏系数通道剪枝的轻量化个人防护装备检测方法， 其 特征在于， 所述 步骤S1， 具体为： 步骤S11： 收集个人防护装备相关的数据图片， 并统一编号； 步骤S12： 依次采用邻域去噪、 数据图像归一 化的方法对数据图片进行处 理； 步骤S13： 确定个人防护装备图片中的不同物体类别， 使用LabelImg标注工具对预处理 后的数据图片进行 标注， 生成xml格式的标注文件； 步骤S14： 对图片进行数据增强操作， 然后根据YOLOv5目标检测算法的要求制作个人防 护装备检测数据集。 3.根据权利要求1所述的基于稀疏系数通道剪枝的轻量化个人防护装备检测方法， 其 特征在于， 所述 步骤S2， 具体为： 步骤S21： 根据实验得 出超参数的最优值， 调优 超参数将使训练模型达 到最优； 步骤S23： 利用k ‑means聚类算法， 根据标注文件中每个标注框的坐标计算出个人防护 装备数据集的先验框anc hor； 步骤S23： 设置训练迭代次数和数据图片读取批次batch ‑sizes， 根据个人防护装备检 测数据集训练后得到个人防护装备检测模型。 4.根据权利要求3所述的基于稀疏系数通道剪枝的轻量化个人防护装备检测方法， 其 特征在于， 所述 步骤S22具体为： 步骤S221： 使用标注文件中的图片的宽高wimg,himg对bounding  box的宽高wbox,hbox做归 一化， 具体为： 其中， WNormalize， HNormalize为归一化后的宽和高； 步骤S222： 使用交并比IOU作为度量， 令anchor＝(wanchor,hanchor),box＝(wbox,hbox)， wanchor,hanchor为先验框anc hor的宽和高， 其计算方式如下：权　利　要　求　书 1/3 页 2 CN 115100603 A 2IOU的取值在0到1之间， 两个bounding  box越相似则IOU值越大， d为最终度量， 其计算 公式为： d＝1‑IOU(box,anc hor) 步骤S223： 在数据集中随机选取box_k个bounding  box作为初始anchor， 使用IOU度量 将每个bounding  box分配给与其距离最近的anchor， 遍历所有bounding  box后， 计算每个 簇中所有bounding  box宽和高的均值， 更新anchor， 对所有的标注框重复步骤S222直到 anchor不再变化或者达 到了最大迭代次数。 5.根据权利要求1所述的基于稀疏系数通道剪枝的轻量化个人防护装备检测方法， 其 特征在于， 所述 步骤S3， 具体为： 步骤S31： 根据个人防护装备检测数据集设置模型稀疏化训练的稀疏率 参数； 步骤S32： 对检测模型进行稀疏化训练， 对卷积神经网络中BN层的γ参数进行稀疏正则 化， 选择L1范 数正则化 惩罚项， 作为公式如下： g(γ)＝|γ| 步骤S33： 利用Tensorboard工具查看训练过程中检测模型对验证数据集mAP的变化情 况， 当mAP收敛时， 停止训练， 得到稀疏化后的检测模型。 6.根据权利要求1所述的基于稀疏系数通道剪枝的轻量化个人防护装备检测方法， 其 特征在于， 所述 步骤S4具体包括以下步骤： 步骤S41： 对YOLOv5的网络结构配置文件进行重写， 将其网络结构的编写格式改为适配 剪枝算法的格式， 保存为cfg文件； 步骤S42： 设置 剪枝阈值 参数global_percent； 步骤S43： 设置超参数每层保留通道数阈值 layer_ke ep； 步骤S44： 对稀疏化的检测模型进行剪枝， 对所有卷积通道的γ参数进行排序， 删除γ 参数排序位次小于剪枝阈值参数global_percent的卷积通道； 当某个卷积层 整层都将被删 除时， 保留该 卷积层中γ值 排序位次大于每层保留通道数阈值 layer_ke ep的卷积通道。 7.根据权利要求1所述的基于稀疏系数通道剪枝的轻量化个人防护装备检测方法， 其 特征在于， 所述 步骤S5具体为: 步骤S51： 设置微调训练的参数， 设置微调训练的训练迭代次数和数据图片读取批次 batch‑sizes； 步骤S52： 对剪枝后的检测模型进行微调训练， 训练完成后得到最终的轻量 化模型。 8.根据权利要求1所述的基于稀疏系数通道剪枝的轻量化个人防护装备检测方法， 其 特征在于， 所述 步骤S6具体为: 步骤S61： 利用训练得到的轻量化模型对图片进行检测， 图片经过检测模型的特征提取 网络处理后产生多个不同尺度的特 征图； 步骤S62： 利用特征图和先验框anchor计算预测框的大小和位置信息， 得到图片的初步 预测结果； 步骤S63： 使用非极大值抑制算法处理初步预测结果， 对所有预测框进行筛选并得到最 终的预测结果；权　利　要　求　书 2/3 页 3 CN 115100603 A 3