(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 20221028702 2.5 (22)申请日 2022.03.23 (71)申请人 江苏科技大学 地址 212008 江苏省镇江市京口区梦溪路2 号 (72)发明人 仲伟波　胡智威　杜运本　易朵云　 陈燕　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 柏尚春 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/22(2022.01) G06V 10/40(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种改进的G-Yolov4移动机器人目标检测 方法 (57)摘要 本发明公开了一种改进的G ‑Yolov4移动机 器人目标检测方法， 其特征在于， 包括以下步骤： (1)对移动机器人上的高清摄像头采集到的图像 进行灰度化预处理并送入G ‑Yolov4网络中； (2) 进行多次Ghost  Bottlenecks操作， 获取有效特 征层A1， A2； (3)特征融和得到有效特征B1， B2； (4) 特征B1进行一次Concat通道数增加并进行五次1 ×1的卷积得到 特征C1， 将得到的特征B2与特征C1 的下采样堆叠池化得到特征C2， 最终有效特征 C1， C2作为Yolo  head输出。 本发明目的在于在保 证较高检测精度的同时， 减少了网络参数量及所 需计算力， 优化了目前主流深度目标检测算法运 行时间长占用资源多， 提高了实时目标检测帧 率， 更好地应用于移动机 器人目标检测。 权利要求书2页 说明书4页 附图7页 CN 114648700 A 2022.06.21 CN 114648700 A 1.一种改进的G ‑Yolov4移动机器人目标检测方法， 其特 征在于， 包括以下步骤： (1)对移动 机器人上的高清摄像头采集到的图像进行灰度 化预处理并送入G ‑Yolov4网 络中， 图片 输入到改进的GhostNet中时， 首先会进行一个16通道的普通 1×1卷积块， 卷积块 进行卷积、 标准 化、 激活函数操作； (2)进行多次Ghost  Bottlenecks操作， 在过程中， 利用Ghost  Bottlenecks在堆叠过程 中， 获取有效特 征层A1， A2， 到此两个初步有效特 征提取完毕， 上述 步骤获得 特征Aj,j＝1,2； (3)将所得特征A1进行一次Concat通道数增加， 进行五次1 ×1的卷积， 将得到的特征A2 进行一次1 ×1的卷积以及一次上采样， 然后 与操作过的A1特征进行堆叠池化 得到特征B1,接 着将A1进行一次下采样并与A2进行堆叠得到B2； (4)特征B1进行一次Concat通道数增加并进行五次1 ×1的卷积得到特征C1， 将得到的特 征B2与特征C1的下采样堆叠池化得到特 征C2， 最终有效特 征C1， C2作为Yolo head输出。 2.根据权利 要求1所述的一种改进的G ‑Yolov4移动 机器人目标检测方法， 其特征在于， 所述步骤(1)中为采集到的图像大小进行 统一化处理， 输入22 4×224×3的图像按顺序进 行 批量归一 化、 标准化、 激活操作。 3.根据权利 要求1所述的一种改进的G ‑Yolov4移动 机器人目标检测方法， 其特征在于， 所述步骤(2)为： (2 .1)对步骤(1)输出的112 ×112×16的特征图进行一次步长为1的Ghost   Bottlenecks进行特征浓缩与深度可分离卷积再将 输出的特征图进行一次步长为2的Ghost   Bottlenecks进行 特征浓缩与深度可分离卷积； (2.2)对上一步输出的56 ×56×24的特征图进行一次步长为1的Ghost  Bottlenecks进 行特征浓缩与深度可分离卷积再将输出的特征图进行一次步长为2的Ghost  Bottlenecks 进行特征浓缩与深度可分离卷积； (2.3)对上一步输出的28 ×28×40的特征图进行一次步长为1的Ghost  Bottlenecks进 行特征浓缩与深度可分离卷积再将输出的特征图进行一次步长为2的Ghost  Bottlenecks 进行特征浓缩与深度可分离卷积； (2.4)对上一步输出的14 ×14×80的特征图进行三次步长为1的Ghost  Bottlenecks进 行特征浓缩与深度可分离卷积； (2.5)对上一步输出的14 ×14×112的特征图进行一次步长为1的Ghost  Bottlenecks 进行特征浓缩与深度可分离卷积； (2.6)对上一步输出的7 ×7×160的特征图进行三次步长为2的Ghost  Bottlenecks进 行特征浓缩与深度可分离卷积； (2.7)将输出的特征图进行一次步长为1的Ghost  Bottlenecks进行特征浓缩与深度可 分离卷积并将输出的特 征图利用一个1 ×1的卷积块进行通道数的调整； (2.8)将上一 步输出的7 ×7×960的特征图进行平均池化； (2.9)将上一 步输出的1 ×1×960进行一次步长为1的1 ×1卷积对通道数进行调整； (2.10)将(2.5)和(2.9)提取的特征送入特征融合模块进行加强特征提取， 设主干初步 提取特征即特征融合模块输入为Aj,j＝1,2， 获得有效特 征层A1， A2。 4.根据权利 要求1所述的一种改进的G ‑Yolov4移动 机器人目标检测方法， 其特征在于， 所述步骤(3)为：权　利　要　求　书 1/2 页 2 CN 114648700 A 2进入特征融合模块， 将上一阶段输出的A1进行一次Concat通道数增加并进行五次1 ×1 的卷积， 将A2进行一次1 ×1的卷积并进行一次上采样， 将二者堆叠得到B1， 特征A2进行一次1 ×1的卷积和一次下采样并与A2进行堆叠得到B2。 5.根据权利 要求1所述的一种改进的G ‑Yolov4移动 机器人目标检测方法， 其特征在于， 所述步骤(4)为： 将上一阶段得到的B1进行一次Concat通道数增加并进行五次1 ×1的卷积， 得到C1， 将C1 进行下采样与 B2堆叠进行一次C oncat通道数增加和五次1 ×1的卷积， 得到C2， 接着设特征融 合模块输出为Ci,i＝1,2， 得到有效特 征C1， C2作为Yolo head输出， 最终得到检测结果。 6.根据权利 要求1所述的一种改进的G ‑Yolov4移动 机器人目标检测方法， 其特征在于， 所述步骤(3)中B1和B2的计算公式如下： 其中τ1、 τ2是对应堆叠特 征的权重， 其中σ1、 σ2是对应堆叠特 征的权重。 7.根据权利 要求1所述的一种改进的G ‑Yolov4移动 机器人目标检测方法， 其特征在于， 所述步骤(4)中C1和C2的计算公式如下： C1＝conv(B2) 其中θ1、 θ2是对应堆叠特 征的权重。权　利　要　求　书 2/2 页 3 CN 114648700 A 3