技术特征：
1.一种基于卷积神经网络的物品检测方法，其特征在于：包括以下步骤：步骤一：对样本图像进行图像预处理，并将样本图像分为训练图像集和测试图像集；步骤二：构建目标检测网络模型：该目标检测网络模型以rfbnet网络为基础，首先采用双线性插值方法对rfbnet网络的卷积层conv7、卷积层conv9_2的特征图扩大到与卷积层conv4_3特征图相同的尺寸，然后利用concat通道拼接方式进行特征融合，最后通过加入基于通道注意力机制的挤压激励se模块，使rfbnet网络自动的重新分配特征通道权重来改善模型的性能，即通过提升重要层的网络权重参数，降低次要层的网络权重参数，提升目标的检测效率；所述双线性插值方法：步骤1：将所述卷积层conv7层特征图扩大两倍得到尺寸为38
×
38的特征图，通道数为256个；将所述卷积层conv9_2层扩大8倍得到尺寸为40
×
40的特征图，再通过卷积核大小为3
×
3、通道数为256的卷积运算得到尺寸为38
×
38的特征图；将卷积层conv4_3层的特征图通道数由512个降为256个，不改变特征图的尺寸；步骤2：将步骤1中卷积层conv7、conv9_2、conv4_3得到的特征图通过concat叠加通道数的方式进行拼接，拼接后特征再经过通道数为512、卷积核大小为1
×
1的卷积运算及激活函数操作后得到新的融合特征；从而将语义信息丰富的深层特征融入到细节信息丰富的浅层特征中以提升网络的特征提取能力；步骤三：训练目标检测网络模型：将训练集中的每张训练图像输入所述目标检测网络模型，首先将每张训练图像调整为尺寸大小一致，然后对每张训练图像使用n
×
n大小的网格进行分块；当分块的网格存在训练图像中待检测目标的中心点时，该网格对该待检测目标的种类和位置信息进行预测；步骤四：使用所述目标检测网络模型进行检测，得到检测结果：输入图像进行检测，利用步骤三中已经训练好的目标检测网络模型进行测试，并通过非极大值抑制进行图像后处理，通过阈值对冗余候选框进行筛选删除，最后得到最优的候选框作为预测框输出。2.如权利要求1所述的基于卷积神经网络的物品检测方法，其特征在于：所述步骤一中对样本图像进行图像预处理包括翻转、缩放、色域变化，同时对样本图像进行数据增强，扩大数据集。3.如权利要求1所述的基于卷积神经网络的物品检测方法，其特征在于：所述步骤一中将样本图像按9∶1的比例分为训|练图像集和测试图像集。4.如权利要求1所述的基于卷积神经网络的物品检测方法，其特征在于：所述步骤二中加入基于通道注意力机制的挤压激励se模块的具体操作：首先是挤压操作f
sq
，具体过程就是将输入为h
×
w
×
c2的特征通过全局平均池化操作变成1
×1×
c2的特征，c2为通道数，该特征具有全局的感受野，用公式表示为：式中：h、w代表特征图的高和宽，u
c
代表特征图中的第c个通道，u
c
(i，j)为第c个通道中第i行、第j列的像素，z
c
为输出；其次是激励操作f
ex
，用于生成每个通道的权重，用公式表示为：
s＝f
ex
(z，w)＝σ[w2δ(w1z)]式中：z为挤压操作的输出，w1为全连接操作，δ为relu激活函数，w2为全连接操作，σ为sigmoid函数，s为输出；最后是注意操作f
scale
，将激励输出的权重s分配到先前的通道上，用公式表示为：y＝f
scale
(u
c
，s
c
)＝s
c
·
u
c
式中：u
c
为特征中的第c个通道，s
c
为步长s中的第c个权重，y为输出。5.如权利要求4所述的基于卷积神经网络的物品检测方法，其特征在于：所述步骤二中rfbnet网络的卷积层conv4_3、conv7、conv8_2、conv9_2、conv10_2、conv11_2的特征图后加入挤压激励se模块。6.如权利要求1所述的基于卷积神经网络的物品检测方法，其特征在于：所述步骤三中将每张训练图像尺寸调整为300
×
300。7.如权利要求1或6所述的基于卷积神经网络的物品检测方法，其特征在于：所述步骤三中训练目标检测网络模型时采用集成的开发环境anaconda3，采用tensorflow1.13.1作为深度学习框架，使用adam优化器进行训练，训练过程中batch_size设置为16，初始学习率为0.001，动量参数为0.9，学习率下降因子为0.5。
技术总结
本发明公开了一种基于卷积神经网络的物品检测方法，包括：步骤一：对样本图像进行处理；步骤二：构建目标检测网络模型：该目标检测网络模型以RFBNet网络为基础，首先采用双线性插值方法对RFBNet网络的卷积层Conv7、卷积层Conv9_2的特征图扩大到与卷积层Conv4_3特征图相同的尺寸，然后利用concat通道拼接方式进行特征融合，最后通过加入基于通道注意力机制的挤压激励SE模块；步骤三：训练目标检测网络模型；步骤四：使用目标检测网络模型进行检测，得到检测结果。本发明具有能够满足实时性的前提下，提高小目标物品检测精度的特点。提高小目标物品检测精度的特点。提高小目标物品检测精度的特点。
技术研发人员：袁庆霓 白欢 王晨 杨观赐 杜飞龙 蓝伟文
受保护的技术使用者：贵州大学
技术研发日：2022.03.21
技术公布日：2022/6/10