一种基于GGCnet的轻量级防护服检测方法

本发明涉及一种神经网络模型领域，属于一种轻量级的高速防护服检测算法。

背景技术：

1、在工业制造、医疗卫生等行业，防护服是防止工作人员受到有害物质、细菌等危害的重要装备。基于深度学习的防护服检测算法能够及时地检测出是否穿戴防护服，从而保障工作人员的安全。该类算法能够快速准确地检测出防护服的穿戴情况，可以省去手动检测的时间和人力成本，提高工作效率。在一些应用场景下，防护服是有限资源，需要合理分配和使用。基于深度学习的防护服检测算法能够准确地检测出防护服的使用情况，从而可以更好地规划防护服的使用。

2、yolov5是一种基于深度学习的目标检测算法，

3、不过，在检测速度方面，由于yolov5需要对整幅图像进行检测，因此在面对高分辨率图像时会存在一定的劣势。此外，在低分辨率下的检测表现也相对较差。

技术实现思路

1、发明目的：本发明的目的在于提供一种轻量级的检测网络ggcnet，拥有更快的推理速度，更少的参数量，获得更好的检测效果。

2、技术方案：本发明提供的一种基于ggcnet的轻量级防护服检测算法，包括如下步骤：

3、步骤s1.构建ggcnet网络作为目标检测模型骨干网络，目标检测模型骨干网络以目标检测模型骨干网络以c3ghost模块为主要单元。

4、步骤s2.构建neck层与head层网络。

5、步骤s3.输入待检测图片，通过目标检测模型骨干网络特征提取网络提取图片特征，再经过neck层与head层网络，将图片恢复成输入大小，最后输出防护服检测结果。

6、进一步的，所述ggcnet网络中的c3ghost模块内含ghost卷积。ghost卷积将输入特征图分为两个分支，分别进行卷积操作，并将卷积结果进行融合。

7、这样既减少了模型的参数量和计算量，又保持了模型的精度和鲁棒性。

8、ghost卷积是一种轻量级的卷积操作，旨在降低卷积操作的计算复杂度和模型的参数量。

9、ghost卷积在普通的卷积操作中引入了一种称为"幽灵通道"的概念，即将输入的通道分为两组：主通道和幽灵通道(ghost通道)。

10、其中，主通道用于计算卷积核的输出，幽灵通道则用于辅助计算，提高模型的泛化性能。

11、由此，ghost卷积将输入的通道数减半，从而减少了计算量和参数量。

12、进一步的，所述ghost卷积的计算步骤如下：

13、s1.1.输入通道拆分

14、ghost卷积的输入的通道分为两组：主通道和幽灵通道。假设输入张量的大小为n×c×h×w，其中n表示batch size，c表示输入通道数，h和w分别表示输入图像的高度和宽度。那么，ghost卷积的输入可以表示为两个张量：xmain和xghost。其中xmain的通道数为xghost的通道数为cghost＝c-cmain。通常，xghost的通道数较少，通常为1或2。

15、s1.2.计算主通道卷积

16、对主通道的卷积操作。对于主通道，使用标准的卷积操作进行计算。

17、典型例：这里假设使用k×k的卷积核，步长为s，填充为p。那么，主通道的卷积计算可以表示为：

18、

19、其中，ymain是卷积结果，wmain是卷积核，xmain是输入张量中的主通道。i是输出张量的高，j是输出张量的宽，p是卷积核的高，q是卷积核的宽。

20、s1.3.计算幽灵通道卷积

21、对幽灵通道的卷积操作，同样使用k×k的卷积核，步长为s，填充为p。但是，在进行幽灵通道卷积操作时，我们需要将幽灵通道与主通道卷积核的输出进行拼接。

22、具体地，我们可以使用一个大小为cghost×cmain×k×k的卷积核wghost，它的第i个通道对应着主通道卷积核输出中的第i个通道，那么幽灵通道的卷积计算可以表示为：

23、

24、这里的wghost卷积核的通道数为cghost，与幽灵通道的通道数相等。因此，每个幽灵通道对应着一个卷积核，用于提取相应的特征。m是ghost卷积核的数量。

25、s1.4.合并主通道和幽灵通道卷积

26、最后，将主通道卷积结果和幽灵通道卷积结果进行拼接。为了保持通道数不变，可以对幽灵通道卷积结果进行补零操作。具体地，对于每个幽灵通道，我们都将它的通道数补充到与主通道一样，然后将两个张量进行拼接。这样，最终的ghost卷积结果就可以表示为：

27、y(i,j,k)＝ymain(i,j,k)0≤k<cmain

28、y(i,j,k)＝yghost(i,j,k-cmain)cmain≤k<c

29、其中，y是ghost卷积的输出，c表示输入张量的通道数。

30、ghost卷积可以用以下公式表示：

31、y＝f(x,wmain,wghost)

32、其中，x表示输入张量，wmain和wghost分别表示主通道和幽灵通道卷积核，f表示ghost卷积操作。

33、进一步的，所述步骤s2中，neck层网络采用gscsp模块结构，gscsp模块结构内以gsc卷积为核心。

34、gsc卷积是一种用于图像处理的注意力机制，能够有效地提取图像中不同区域的特征，并将其加权融合。

35、gsc卷积应用于特征融合的过程中，以进一步提高检测的准确率。

36、进一步的，所述neck层网络采用三阶段计算，分别是池化(spp)阶段、融合(pan)阶段和加权(gff)阶段。

37、在spp阶段中，首先通过不同大小的池化操作提取不同尺度的特征，然后将这些特征拼接在一起，得到一个多尺度的特征图。接着，通过一个1x1的卷积层对特征图进行降维，从而得到一个较小的特征图。

38、在pan阶段中，将多个尺度的特征图进行融合。具体来说，将最小的特征图通过一个上采样操作将其尺寸增大，然后将其与较大的特征图进行拼接。这样，就可以将不同尺度的特征信息融合起来，提高检测的准确率。

39、在gff阶段中，采用gsconv对特征进行加权融合。具体来说，将融合后的特征图分为两个部分：全局部分和局部部分。其中，全局部分采用平均池化得到一个全局的特征向量，用于捕捉整个图像的特征信息；局部部分则采用不同大小的卷积核对特征进行卷积，从而提取局部的特征信息。然后，通过一个门控机制(即sigmoid函数)，将全局部分和局部部分的权重进行加权融合，得到最终的特征图。

40、进一步的，所述gsconv是一种新型的卷积算法，主要用于解决深度神经网络中的信息传递不畅和特征学习不充分的问题。与传统卷积算法相比，gsconv在计算效率和模型性能上均有显著的提升。

41、gsconv的基本思路是将输入特征图分成多个子图，在每个子图中分别进行卷积操作，然后再将子图的结果进行融合。同时，在每个子图的卷积过程中，gsconv还引入了全局分离注意力机制，以增强特征学习能力。通过这种方式，gsconv可以提高深度神经网络的信息传递效率和特征学习能力。

42、具体来说，gsconv将输入特征图分成多个子图，每个子图中分别进行卷积操作，然后将子图的结果进行融合。同时，每个子图的卷积过程中还引入了全局分离注意力机制。

43、进一步的，gsconv算法的计算步骤如下：

44、s2.1.输入特征图分割

45、首先，输入特征图被分成多个子图。具体来说，输入特征图被分成n个子图，每个子图的大小为h/n×w/n×c。其中，h、w、c分别为输入特征图的高度、宽度和通道数。

46、s2.2.子图卷积

47、每个子图都分别进行卷积操作，卷积核的大小为k×k×c，其中k表示卷积核的大小，c表示通道数。在卷积的过程中，还引入了batch normalization和relu等激活函数，以增强特征学习能力。

48、s2.3.全局分离注意力机制

49、在每个子图的卷积过程中，还引入了全局分离注意力机制。具体来说，首先将每个子图进行全局池化，得到一个全局特征向量。然后，对全局特征向量进行一次卷积操作，以生成一个权重向量。最后，将权重向量应用于每个子图的特征向量上，以增强不同子图之间的信息传递。

50、s2.4.子图融合

51、经过子图卷积和全局分离注意力机制之后，每个子图都得到了一个特征图。为了得到最终的输出特征图，需要对这些特征图进行融合。具体来说，可以采用加权平均的方式对子图的特征图进行融合。权重的计算方式如下：

52、

53、其中，wi表示子图i的特征向量与全局特征向量之间的相似度，αi表示子图i在融合中的权重。

54、s2.5.输出特征图

55、对子图的特征图进行加权平均，得到最终的输出特征图。

56、进一步的，所述head层网络包含了多个卷积层和全连接层，用于预测目标的位置和类别信息。

57、进一步的，所述ggcnet网络由6层结构组成，分别为ghostconv、c3ghost、ghostconv、c3ghost、ghostconv、c3ghost、ghostconv、c3ghost。

58、进一步的，输出防护服检测结果时将检测得出的防护服检测结果的图像通过屏幕显示出来。

59、有益效果：该操作通过对卷积核进行分组并共享权重，以减少模型参数数量和计算量，从而实现高效的卷积操作。这使得该网络在保持准确性的同时，具有更高的计算效率和更小的模型尺寸。