基于改進(jìn)YOLOv3的口罩佩戴檢測(cè)方法

曾 成，蔣 瑜，張尹人

(1.成都信息工程大學(xué) 軟件工程學(xué)院，四川 成都 610000；2.武漢科技大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，湖北 武漢 430081)

0 引 言

M_YOLOv3是在YOLOv3[1]算法上進(jìn)行改進(jìn)，用于快速檢測(cè)市民口罩佩戴情況的一種目標(biāo)檢測(cè)算法。在目標(biāo)檢測(cè)算法的發(fā)展中，過(guò)去以級(jí)聯(lián)分類器Cascade算法最為常見(jiàn)，近年來(lái)深度學(xué)習(xí)發(fā)展迅速，在目標(biāo)檢測(cè)領(lǐng)域也有了許多突破。目前，基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法主要有兩種，一種是兩階段目標(biāo)檢測(cè)算法，例如：Fast R-CNN[2]、Faster RCNN[3]、Mask Rcnn[4]等，此種算法精度高，但是時(shí)效性較差，不適用于行人流量較大時(shí)的檢測(cè)。另一種是單階段目標(biāo)檢測(cè)算法，例如：SSD[5]、YOLO[6]、YOLOv2[7]，此類方法檢測(cè)速度快，但識(shí)別物體的精準(zhǔn)度偏低。目前來(lái)看YOLOv3較好地平衡了檢測(cè)精度與時(shí)效性，將不同尺度的特征圖進(jìn)行融合，使用邏輯回歸代替全連接softmax的方法來(lái)分類，最后進(jìn)行邊框回歸，預(yù)測(cè)出目標(biāo)物體的位置和大小。

YOLOv3算法的缺點(diǎn)是對(duì)小目標(biāo)物體檢測(cè)效果不夠完美，而口罩正好屬于小目標(biāo)物體范疇內(nèi)。對(duì)此，改進(jìn)算法M_YOLOv3采用了增添一個(gè)預(yù)測(cè)通道的方法來(lái)解決此類問(wèn)題。具體方法如下：首先在特征提取網(wǎng)絡(luò)Darknet_D的淺層特征圖中進(jìn)行分支處理，隨后進(jìn)行Batch_normalization，接著和深層網(wǎng)絡(luò)提取的特征相融合，重構(gòu)類特征金字塔，在其底部額外增添一層結(jié)構(gòu)，在金字塔底部使用最大的一組先驗(yàn)框作為目標(biāo)物體預(yù)測(cè)框進(jìn)行回歸計(jì)算[8]。

在卷積神經(jīng)網(wǎng)絡(luò)的理論中，特征圖越大，神經(jīng)網(wǎng)絡(luò)感受野越小，對(duì)特征的敏感度越高[9]。因此增添淺層網(wǎng)絡(luò)特征圖作為額外預(yù)測(cè)通道這一做法，能夠更好捕捉小目標(biāo)物體，例如口罩。實(shí)驗(yàn)選取的數(shù)據(jù)集來(lái)自網(wǎng)絡(luò)，包括了4000余張圖片以及上萬(wàn)個(gè)口罩目標(biāo)。在基于上述數(shù)據(jù)集的實(shí)驗(yàn)中，改進(jìn)后的M_YOLOv3的mAP值比原YOLOv3算法提高了7.2。

1 YOLOv3算法簡(jiǎn)介

目前基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法中，大多數(shù)主流算法都可分為主干網(wǎng)絡(luò)、尺寸變換和檢測(cè)器3個(gè)部分。主干網(wǎng)絡(luò)負(fù)責(zé)提取圖片數(shù)據(jù)的特征，尺寸變化則對(duì)提取到的特征進(jìn)行融合傳遞給檢測(cè)器，檢測(cè)器對(duì)處理后的數(shù)據(jù)進(jìn)行計(jì)算，預(yù)測(cè)出目標(biāo)物體的類別及其位置等信息，YOLOv3算法也恰好由這3部分構(gòu)成。

1.1 主干網(wǎng)絡(luò)

目標(biāo)檢測(cè)算法首先會(huì)選用一個(gè)特征提取網(wǎng)絡(luò)來(lái)處理圖片信息。YOLOv3在基于往期的YOLO系列特征提取網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上，額外采用了類似殘差網(wǎng)絡(luò)Resblock結(jié)構(gòu)，多次使用了步長(zhǎng)為3×3、1×1卷積層，以及部分shortcut通道，構(gòu)建了如圖1所示的Darknet-53網(wǎng)絡(luò)。這個(gè)網(wǎng)絡(luò)主要是一些卷積、池化、殘差互相的堆積復(fù)用，其結(jié)構(gòu)共有53個(gè)卷積層，如圖1所示。

圖1 YOLOv3使用的Darknet-53網(wǎng)絡(luò)

1.2 尺寸變化

YOLOv3使用3個(gè)尺度進(jìn)行預(yù)測(cè)。這里的多尺度預(yù)測(cè)是一種類似FPN特征金字塔[10]結(jié)構(gòu)。以coco數(shù)據(jù)集為例，YOLOv3采用了以下3個(gè)尺寸進(jìn)行預(yù)測(cè)。

(1)小尺度：(13*13的feature map)

特征圖尺寸最小，其感受野最大。故使用最大的anchors(116*90)，(156*198)，(373*326)，適合檢測(cè)較大尺寸目標(biāo)。

(2)中尺度：(26*26的feature map)

特征圖尺寸適中，其感受野適中。故使用中間尺寸的anchors(30*61)，(62*45)，(59*119)，適合檢測(cè)中等尺寸目標(biāo)。

(3)大尺度：(52*52的feature map)

特征圖尺寸最大，其感受野最小。故使用最小的anchors(10*13)，(16*30)，(33*23)，適合檢測(cè)較小尺寸目標(biāo)。

這3個(gè)特征圖的尺寸是基于輸入圖片為416*416時(shí)，特征提取網(wǎng)絡(luò)每一個(gè)卷積層都會(huì)下采樣，之后的特征圖尺寸減半。YOLOv3所選取的3個(gè)尺度分別是3、4、5次殘差結(jié)構(gòu)卷積后的特征圖，故其為原尺寸的1/8、1/16和1/32。

多尺度預(yù)測(cè)的核心意義在于，讓訓(xùn)練網(wǎng)絡(luò)同時(shí)學(xué)習(xí)不同卷積層提取后的特征信息，把不同尺度且相鄰的特征圖兩兩疊加進(jìn)行融合，其原理類似于殘差網(wǎng)絡(luò)結(jié)構(gòu)中的恒等映射。因此，網(wǎng)絡(luò)模型能夠?qū)W習(xí)到從不同尺度，去檢測(cè)不同尺寸的目標(biāo)物體，極大提高了算法的魯棒性和泛化能力。

1.3 檢測(cè)器

1.3.1 anchors

YOLOv3通過(guò)訓(xùn)練集的標(biāo)簽數(shù)據(jù)，把xml中記錄手工標(biāo)記邊框的width、height進(jìn)行9個(gè)簇的K-Means聚類。其格式是(width,height)，如(116*90)。數(shù)字前后代表，由先驗(yàn)邊框聚類得出的寬度(width)和高度(height)。

1.3.2 預(yù)測(cè)邊框回歸計(jì)算

訓(xùn)練網(wǎng)絡(luò)實(shí)際上學(xué)習(xí)的指標(biāo)是tx、ty、tw、th這4個(gè)偏移值，再進(jìn)行偏移值到真實(shí)值的編碼轉(zhuǎn)換，進(jìn)而繪制出預(yù)測(cè)邊框。使用偏移值進(jìn)行回歸計(jì)算這一做法的創(chuàng)新性在于，這種編碼格式對(duì)于輸出處理過(guò)程(通過(guò)目標(biāo)置信度進(jìn)行激活函數(shù)鏈接、改變對(duì)坐標(biāo)中心的網(wǎng)格偏移量、應(yīng)用錨點(diǎn)等)非常方便，對(duì)于網(wǎng)絡(luò)訓(xùn)練結(jié)束后的微調(diào)過(guò)程，也有很大幫助。其中，Cx，Cy是中心點(diǎn)所在確定方格的相對(duì)坐標(biāo)值單位，如示意圖邊框的中心點(diǎn)坐標(biāo)是(1,1)；而pw、ph代表預(yù)測(cè)框的寬高，bx、by、bw、bh則分別代表真實(shí)框的中心點(diǎn)與當(dāng)前格子中心的相對(duì)橫、縱偏移值，以及真實(shí)框的寬、高；σ則代表某激活函數(shù)，如原算法選擇的sigmoid；真實(shí)框的計(jì)算公式與網(wǎng)絡(luò)學(xué)習(xí)的tx、ty、tw、th偏移值有關(guān)，如圖2所示。

圖2 YOLOv3邊框回歸

2 改進(jìn)后的M_YOLOv3

2.1 特征提取網(wǎng)絡(luò)Darknet_D

Darknet53作為YOLOv3的特征提取網(wǎng)絡(luò)，在原算法中把圖片信息進(jìn)行特征提取后傳遞給檢測(cè)器進(jìn)行邊框回歸運(yùn)算，且經(jīng)原作者Redmon J實(shí)驗(yàn)證明，Darknet53在性能和效率上較早期Darknet系列的網(wǎng)絡(luò)都有顯著提升[1]。由于M_YOLOv3會(huì)增添一個(gè)預(yù)測(cè)通道，若在淺層網(wǎng)絡(luò)直接添加此通道進(jìn)行預(yù)測(cè)，因卷積層較少，此時(shí)的特征圖并無(wú)有效的語(yǔ)義信息，在此基礎(chǔ)上進(jìn)行預(yù)測(cè)幾乎沒(méi)有任何參考價(jià)值。故M_YOLOv3提出了Darknet_D網(wǎng)絡(luò)，它是于Darknet53的基礎(chǔ)上，在其尾部增添了一個(gè)殘差結(jié)構(gòu)的特征提取網(wǎng)絡(luò)。改進(jìn)后的類特征金字塔使用殘差結(jié)構(gòu)3、4、5、6處理后的特征圖來(lái)進(jìn)行多尺度預(yù)測(cè)，如圖3所示。

圖3 M_YOLOv3的特征提取網(wǎng)絡(luò)

2.2 類特征金字塔改造

YOLOv3算法原使用的是3*3結(jié)構(gòu)的類特征金字塔結(jié)構(gòu)，對(duì)應(yīng)9個(gè)尺寸的邊框。原理是通過(guò)Darknet53的3層Res_body結(jié)構(gòu)(其全稱為Resblock_body)類似殘差網(wǎng)絡(luò)的相加原理把各個(gè)特征圖進(jìn)行疊加，并且因此得出3個(gè)尺寸的預(yù)測(cè)輸出Y。改進(jìn)算法M_YOLOv3算法將其改造為4*4 的類特征金子塔結(jié)構(gòu)，不僅層次更加分明，對(duì)不同尺寸更加敏感，且在每一個(gè)類特征金字塔輸出層額外增加一個(gè)預(yù)測(cè)候選邊框供其使用，則輸出的預(yù)測(cè)值Y會(huì)更加準(zhǔn)確。

此外，在殘差結(jié)構(gòu)Resblock_body中，M_YOLOv3保留了YOLOv3的DBL結(jié)構(gòu)但對(duì)其進(jìn)行參數(shù)修改，這種集卷積、歸一化、激活函數(shù)于一體的網(wǎng)絡(luò)模塊，能夠很好保留圖像信息并進(jìn)行特征提取。

經(jīng)過(guò)特征金字塔處理后的數(shù)據(jù)，模型把它打包成4個(gè)Y值，每一個(gè)Y值由4個(gè)’anchor結(jié)構(gòu)’組成，每一個(gè)’anchor結(jié)構(gòu)’又包含此預(yù)測(cè)值的中心坐標(biāo)x、y，偏移值和預(yù)測(cè)邊框的寬高w、h，及其預(yù)測(cè)類別classes和置信度score，如圖4所示。

圖4 改進(jìn)后的類似特征金字塔結(jié)構(gòu)

2.3 先驗(yàn)邊框數(shù)量增加

原YOLOv3算法一共有9個(gè)先驗(yàn)邊框，并且用這9個(gè)不同大小的邊框分成3組，對(duì)不同尺度的3個(gè)特征圖進(jìn)行預(yù)測(cè)。

本次實(shí)驗(yàn)數(shù)據(jù)的目標(biāo)物體尺寸差別較大，某些口罩的像素小于64*64px，某些口罩的像素大于512*512px。這些過(guò)大的尺寸差別導(dǎo)致原YOLOv3算法在口罩?jǐn)?shù)據(jù)集上表現(xiàn)欠佳。改進(jìn)算法M_YOLOv3使用了16個(gè)預(yù)測(cè)邊框作為候選框。其中每4個(gè)候選框?qū)?yīng)一個(gè)特征圖，每個(gè)特征圖使用4個(gè)候選邊框進(jìn)行預(yù)測(cè)。故增加先驗(yàn)邊框數(shù)量這一做法，能更好適應(yīng)數(shù)據(jù)，提高算法識(shí)別精度，并增強(qiáng)其泛化能力。

2.4 交并比損失函數(shù)替換

(1)

IoU(intersection over union)的中文名稱是“交并比”，即為預(yù)測(cè)邊框和真實(shí)邊框的交集，與兩個(gè)框的并集之比，在諸多基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法中，IoU都是一項(xiàng)重要的區(qū)域計(jì)算指標(biāo)，如式(1)所示，其中B和Bgt分別代表預(yù)測(cè)框和真實(shí)框的面積。

YOLOv3使用1和IoU的差值進(jìn)行梯度回歸，使用該損失函數(shù)能夠簡(jiǎn)單有效地收斂訓(xùn)練網(wǎng)絡(luò)損失值，如式(2)所示。但此損失函數(shù)在特定情況下無(wú)法正常使用，例如真實(shí)邊框和預(yù)測(cè)邊框出現(xiàn)無(wú)交集的情況，無(wú)論邊框遠(yuǎn)近，此時(shí)LIoU都恒等于1，那么預(yù)測(cè)邊框和真實(shí)邊框的遠(yuǎn)近就沒(méi)有意義。在這種情況下算法無(wú)法判定兩個(gè)邊框的好壞以及損失值收斂的方向，如圖5所示

圖5 邊框無(wú)交集情況

(2)

針對(duì)這個(gè)問(wèn)題，Rezatofighi H提出了GIoU[11]理念，在原來(lái)的損失函數(shù)加上了懲罰項(xiàng)，出現(xiàn)邊框無(wú)交集情況時(shí)，兩個(gè)邊框距離越遠(yuǎn)損失值越大，如式(3)所示

(3)

式中：C是兩個(gè)邊框的最小外接矩形，在此情況下，出現(xiàn)邊框之間無(wú)交集情況時(shí)，也能判斷距離的遠(yuǎn)近，并因此找到下降梯度。

GIoU也無(wú)法適用于所有情況，若兩個(gè)邊框存在包含關(guān)系，如一大一小兩邊框A和B，小邊框A面積和B面積的并集等于A的面積，即BA∪BB=BA。 則在任意包含情況下Loss值始終相等，這就和上述LIoU出現(xiàn)的問(wèn)題相似，算法無(wú)法找到損失值下降方向，如圖6所示。

圖6 邊框存在包含關(guān)系

DIoU是ZhengZhaohui等[12]在GIoU的基礎(chǔ)上進(jìn)行了改進(jìn)從而推論出的另一種交并比損失函數(shù)

(4)

式中：d表示兩個(gè)邊框中心點(diǎn)的歐氏距離。c是最小外接矩形的對(duì)角線距離。它的計(jì)算方式和GIoU類似，也是在原IoU損失函數(shù)的基礎(chǔ)上加上了懲罰項(xiàng)。不同的是DIoU的懲罰項(xiàng)更為合理，能夠解決邊框出現(xiàn)包含情況時(shí)難以找到回歸梯度的問(wèn)題，如圖7所示。

圖7 DIoU邊框

DIoU同樣也能提供預(yù)測(cè)邊框的移動(dòng)方向。但若出現(xiàn)兩框包含的情況，GIoU無(wú)法適應(yīng)，而DIoU不僅能找到預(yù)測(cè)框移動(dòng)的方向，并且損失函數(shù)收斂十分迅速。

在上述提到的IoU損失函數(shù)，其作用都是輔助最終Loss收斂，更合理的IoU損失函數(shù)能夠使算法更好地?cái)M合數(shù)據(jù)。

在M_YOLOv3算法中使用DIoU來(lái)替換原有的LIoU作為損失函數(shù)，在此基礎(chǔ)上進(jìn)行預(yù)測(cè)框和真實(shí)框的交并比計(jì)算，經(jīng)實(shí)驗(yàn)驗(yàn)證有更好的檢測(cè)效果。

2.5 比例系數(shù)的增大

在YOLOv3算法中，訓(xùn)練網(wǎng)絡(luò)的損失函數(shù)實(shí)際上是由中心點(diǎn)損失、寬高損失、分類損失和置信度損失，這個(gè)損失值相加得出，如式(5)所示

Loss=Lxy+Lwh+Lc+Ls

(5)

2.4節(jié)提到的DIoU損失函數(shù)會(huì)改進(jìn)Lxy和Lwh的計(jì)算，使這兩個(gè)損失值的計(jì)算更加合理。

由于YOLOv3是多尺度檢測(cè)，在損失值收斂時(shí)會(huì)把每個(gè)邊框都計(jì)算一次。那么寬高較大的邊框Lxy和Lwh的值會(huì)偏高，對(duì)總體的Loss值產(chǎn)生了錯(cuò)誤的影響。

為了解決這個(gè)問(wèn)題，原作者提出了比例系數(shù)box_loss_scale這一指標(biāo)，它是由數(shù)字2和偏移值w和h的乘積做差值計(jì)算得出，其中w和h是0到1之間的ground_truth寬高偏移值，如式(6)所示。在Lxy和Lwh計(jì)算的最后一步都會(huì)進(jìn)行比例系數(shù)放縮，增加小尺寸邊框的影響權(quán)重，進(jìn)而減小因先驗(yàn)框尺寸不同而導(dǎo)致的無(wú)意義影響

box_loss_scale=2-w*h

(6)

因本實(shí)驗(yàn)小尺寸目標(biāo)偏多，在M_YOLOv3算法中比例系數(shù)m_box_loss_scale提高為原系數(shù)的1.4倍，如式(7)所示

m_box_loss_scale=(2-w*h)*1.4

(7)

2.6 損失函數(shù)的加權(quán)修正

如式(5)所示，總Loss值由4個(gè)獨(dú)立的Loss相加而得。因M_YOLOv3使用了DIoU且增大了比例系數(shù)，在式(5) 中等號(hào)右邊4個(gè)相加項(xiàng)除Lc外都進(jìn)行了加權(quán)計(jì)算。為平衡4個(gè)損失值的影響權(quán)重，M_YOLOv3在最終Loss計(jì)算時(shí)，把分類損失值Lc進(jìn)行了加權(quán)計(jì)算，如式(8)所示

Loss=0.95*(Lxy+Lwh+Ls)+1.15*Lc

(8)

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備

3.1.1 數(shù)據(jù)集介紹

本次實(shí)驗(yàn)選用公開(kāi)口罩?jǐn)?shù)據(jù)集1，該數(shù)據(jù)集來(lái)自網(wǎng)絡(luò)，由labelimg軟件標(biāo)注。按照300 px為界限把輸入圖片分為，小尺寸、中尺寸、大尺寸、超大尺寸(長(zhǎng)寬任意屬性大于900 px)，分別有658張、1557張、566張、134張，未注明大小有1150張,共計(jì)4065張圖片。

本數(shù)據(jù)集與VOC2007數(shù)據(jù)集格式一致，每一條數(shù)據(jù)都采用圖片與其相對(duì)應(yīng)的xml相結(jié)合。每一張圖片對(duì)應(yīng)一個(gè)xml文件，記錄圖片上目標(biāo)物體的各種屬性，如目標(biāo)物體在圖片的中心點(diǎn)、標(biāo)記框的寬高、目標(biāo)物體的類別等信息。本次數(shù)據(jù)集中只有兩個(gè)類，”face_mask”和”face”。

在上述的目標(biāo)物體的屬性中，目標(biāo)物體標(biāo)記框的長(zhǎng)和寬顯得尤為重要，它們可以表示目標(biāo)物體的尺寸。因YOLOv3原版算法的實(shí)驗(yàn)是在VOC2007數(shù)據(jù)集上進(jìn)行的，而本次實(shí)驗(yàn)的數(shù)據(jù)是檢測(cè)人臉和口罩，與VOC2007數(shù)據(jù)集相比則目標(biāo)尺寸普遍偏小。故在此把本次數(shù)據(jù)集和VOC2007數(shù)據(jù)集的目標(biāo)物尺寸作比較，按照單邊64、128、256、512為界限進(jìn)行尺寸大小歸類，見(jiàn)表1。

表1 目標(biāo)尺寸大小分布

由此可見(jiàn)，本次數(shù)據(jù)集的分布更加廣泛和細(xì)致，且小目標(biāo)尺寸偏多。改進(jìn)算法提出的4層金字塔結(jié)構(gòu)，并將anchors 數(shù)目從9增加到16的做法，在理論上支持M_YOLOv3 能得出更好的識(shí)別效果。

3.1.2 數(shù)據(jù)增強(qiáng)

在深度學(xué)習(xí)理論中，訓(xùn)練數(shù)據(jù)越充足，訓(xùn)練模型的效果越好。由于本次實(shí)驗(yàn)數(shù)據(jù)僅4000余張圖片并不充足，使用數(shù)據(jù)增強(qiáng)手段來(lái)模擬更多數(shù)據(jù)樣本就具有很強(qiáng)的必要性。不但能使算法模型有更多的學(xué)習(xí)樣本，同時(shí)也因數(shù)據(jù)增強(qiáng)增加了噪聲，減少模型過(guò)擬合的現(xiàn)象。

在本次實(shí)驗(yàn)中，使用了縮放圖片、平移變換、翻轉(zhuǎn)、顏色抖動(dòng)(RGB->HSV->RGB)以及boxes的重定位等數(shù)據(jù)增強(qiáng)手段，確保本次實(shí)驗(yàn)數(shù)據(jù)充足，增強(qiáng)模型的泛化能力，提高算法魯棒性。

3.2 訓(xùn)練模型的過(guò)程

3.2.1 環(huán)境

實(shí)驗(yàn)在Windows10的操作系統(tǒng)下完成，計(jì)算機(jī)內(nèi)存為16 G，CPU為AMD Ryzen 52600，GPU 為RTX 2060S，顯存為8 GB；python 版本為3.5，使用了Keras2.1.5、Tensorflow1.4.0、matplotlib以及cv2等三方庫(kù)的部分接口進(jìn)行編碼和畫(huà)圖，并通過(guò)CUDA8.0進(jìn)行網(wǎng)絡(luò)訓(xùn)練的加速。

3.2.2 訓(xùn)練參數(shù)及訓(xùn)練流程

為得到合適的先驗(yàn)框大小，最常用的手段就是對(duì)標(biāo)記數(shù)據(jù)進(jìn)行聚類。在諸多聚類方法中，在事先設(shè)定好簇的個(gè)數(shù)條件下，K-Means無(wú)疑成為了首選方案。

K-Means算法思路非常直觀，初始人為設(shè)定常數(shù)K，K代表算法最終劃分出來(lái)的類別數(shù)量值。算法會(huì)隨機(jī)選定初始點(diǎn)為質(zhì)心，并通過(guò)計(jì)算每一個(gè)樣本與質(zhì)心之間的相似度(一般使用歐氏距離)，將樣本點(diǎn)分類到最相似的一個(gè)簇中，接著，重新計(jì)算每個(gè)簇的質(zhì)心(即為簇心)，重復(fù)這樣的過(guò)程，直到簇心不再改變，最終就確定了每個(gè)樣本所屬的簇以及簇心。

M_YOLOv3使用了簇?cái)?shù)量為16的K-Means算法進(jìn)行聚類。得到的16組anchors后又進(jìn)行了類似歸一化的處理，最終得出anchors尺寸如下： (23,23),(35,34),(44,44),(53,54),(65,63),(76,75),(89,91),(108,105),(121,123),(142,142),(164,175),(167,158),(190,190),(215,212),(253,254),(372,362)。 括號(hào)中的兩個(gè)值(width,hight)分別代表anchor的寬和高。

考慮到本次實(shí)驗(yàn)的硬件條件，輸入圖片尺寸統(tǒng)一resize為352*352，初始學(xué)習(xí)率設(shè)置為0.001，在回調(diào)過(guò)程中使用監(jiān)視val_loss變化的方法來(lái)減小學(xué)習(xí)率，其中的參數(shù)設(shè)置為patience=6,factor=0.4。總訓(xùn)練批次epoch=800,batch_size=10,訓(xùn)練網(wǎng)絡(luò)Loss值的收斂情況如圖8所示。

圖8 Loss收斂

3.3 評(píng)價(jià)指標(biāo)及實(shí)驗(yàn)結(jié)果

3.3.1 對(duì)于小目標(biāo)的識(shí)別效果

在對(duì)輸入圖片進(jìn)行檢測(cè)的時(shí)候，一張圖片往往包括很多個(gè)目標(biāo)，就容易發(fā)生漏檢的情況，尤其是小尺寸目標(biāo)物的漏檢情況更為常見(jiàn)，如圖9所示(文本框較長(zhǎng)的矩形框代表“口罩”，文本框較短的矩形框代表“人臉”)。

圖9中YOLOv3算法和Tiny_YOLOv3算法發(fā)生了漏檢情況，而M_YOLOv3憑借多種改進(jìn)措施，對(duì)小目標(biāo)物更為敏感，不容易發(fā)生漏檢情況。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法，一定程度上改善了對(duì)小目標(biāo)物體識(shí)別困難的問(wèn)題，如圖9所示。

圖9 3種算法檢測(cè)效果對(duì)比

3.3.2 困難條件下的識(shí)別效果

在實(shí)驗(yàn)中，3種檢測(cè)算法對(duì)于多數(shù)圖片的檢測(cè)效果比較良好，錯(cuò)誤主要發(fā)生在混淆和遮擋的數(shù)據(jù)上。如圖10中，第一排圖片的口罩和人臉顏色非常接近，只有M_YOLOv3算法判定正確(文本框較長(zhǎng)的矩形框代表“口罩”，文本框較短的矩形框代表“人臉”)；第二排圖片則是紙折扇遮擋面目，其形狀顏色大小都與口罩十分類似，所有算法的識(shí)別結(jié)果均錯(cuò)誤。

圖10 部分遮擋和混淆圖片識(shí)別效果

3.3.3 mAP評(píng)價(jià)指標(biāo)

目標(biāo)檢測(cè)領(lǐng)域使用的評(píng)價(jià)指標(biāo)主要是mAP(mean average precision)，平均精度均值，即為AP的平均值。而AP則是通過(guò)式(9)得出，本質(zhì)上是選取0.1作為γ的間隔，把每個(gè)γ對(duì)應(yīng)的Pinterp值相加，最后取均值。其中Pinterp是PR曲線中，以召回率(recall)作為橫坐標(biāo)點(diǎn)，曲線所對(duì)應(yīng)的縱坐標(biāo)值，如式(10)所示(在計(jì)算過(guò)程中，若橫坐標(biāo)x1無(wú)對(duì)應(yīng)的縱坐標(biāo)值，則使用最靠近兩點(diǎn)x2、x3所對(duì)應(yīng)曲線上的點(diǎn)，做延長(zhǎng)線與x=x1直線相交，交點(diǎn)即為x1對(duì)應(yīng)縱坐標(biāo)值)

(9)

(10)

圖11是類別”face”對(duì)應(yīng)的P-R曲線，在圖中可得出M_YOLOv3的PR曲線略優(yōu)于未改動(dòng)的算法。本次實(shí)驗(yàn)總共有兩個(gè)類，”face_mask”類和”face”類。mAP值就是對(duì)兩個(gè)類的AP值求和取平均。

3.3.4 實(shí)驗(yàn)結(jié)果

經(jīng)實(shí)驗(yàn)得出，M_YOLOv3算法對(duì)比原版Tiny_YOLOv3和YOLOv3算法在mAP值上分別提升了15.9和7.2，檢測(cè)能力優(yōu)于原版算法。M_YOLOv3的fps值為24，能夠在一定程度上做到實(shí)時(shí)檢測(cè)口罩佩戴情況，見(jiàn)表2。

表2 各算法實(shí)驗(yàn)結(jié)果

4 結(jié)束語(yǔ)

改進(jìn)算法M_YOLOv3算法在YOLOv3的基礎(chǔ)上加深特征提取網(wǎng)絡(luò)并增添預(yù)測(cè)通道，且使用了更合理的損失函

數(shù)，改善了YOLOv3算法對(duì)小尺寸目標(biāo)識(shí)別困難的問(wèn)題，適用于小目標(biāo)物體的檢測(cè)。在基于小尺寸目標(biāo)偏多的口罩?jǐn)?shù)據(jù)集實(shí)驗(yàn)中得出結(jié)論，mAP指數(shù)相較于原版YOLOv3提升了7.2。

在實(shí)驗(yàn)中，部分?jǐn)?shù)據(jù)迷惑性極強(qiáng)，例如圖10中女性用紙折扇遮擋口部，文中幾個(gè)算法都全部錯(cuò)誤判定它是口罩。針對(duì)這個(gè)問(wèn)題，暫時(shí)無(wú)法解決，值得下一步去思考并尋找答案，或許使用類似DOTA數(shù)據(jù)集四點(diǎn)坐標(biāo)的數(shù)據(jù)格式會(huì)改善這一問(wèn)題。

除YOLOv3算法外，其它目標(biāo)檢測(cè)算法也百家爭(zhēng)鳴。作為學(xué)者應(yīng)該緊隨時(shí)代腳步，不斷地學(xué)習(xí)理解其它的目標(biāo)檢測(cè)算法及其網(wǎng)絡(luò)結(jié)構(gòu)，如單階段的RetinaNet[13]、YOLOv4，雙階段的DCR、SNIP[14]、SNIPER等。