(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 202210983532.6 (22)申请日 2022.08.16 (71)申请人 四川旌城电科科技发展 有限公司 地址 618029 四川省德阳市旌阳区渤海路 与贺兰山路交汇处 (72)发明人 张可　龙淼　陈洁　 (74)专利代理 机构 重庆蕴博君晟知识产权代理 事务所(普通 合伙) 50223 专利代理师 王玉芝 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 一种超轻量级高性能检测识别方法 (57)摘要 本发明涉及自动驾驶技术领域， 具体涉及一 种超轻量级高性能检测识别方法， 包括对深度学 习模型进行压缩， 得到压缩模型； 调整压缩模型 的特征提取模块的深度， 提升了特征提取性能， 得到调整模 型； 优化调整模块的特征融合模块并 添加SPP模块， 得到初步检测识别模型； 优化初步 检测识别模 型的贪心算法， 得到最终检测识别模 型； 使用最终检测识别模型对待检测图片进行车 辆检测识别， 得到识别结果， 本发明通过对深度 学习模型进行改进， 降低了漏检率， 进一步提高 了最终检测识别模型在交通相对密集的场景中 检测的召回率和准确率， 解决了现有的单级检测 器的漏检率较高的问题。 权利要求书1页 说明书5页 附图4页 CN 115249314 A 2022.10.28 CN 115249314 A 1.一种超轻量级高性能检测识别方法， 其特 征在于， 包括以下步骤： 对深度学习模型进行压缩， 得到 压缩模型； 调整所述压缩 模型的特 征提取模块的深度， 得到调整模型； 优化所述调整模块的特 征融合模块并添加S PP模块， 得到初步检测识别模型； 优化所述初步检测识别模型的贪心算法， 得到最终检测识别模型； 使用所述 最终检测识别模型对待检测图片进行 车辆检测识别， 得到识别结果。 2.如权利要求1所述的超轻量级高性能检测识别方法， 其特 征在于， 所述对深度学习模型进行压缩， 得到 压缩模型的具体方式为： 降低所述深度 学习模型的图像分别率， 同时将所述深度 学习模型的前三个卷积层卷积 核个数均调整为12， 得到 压缩模型。 3.如权利要求2所述的超轻量级高性能检测识别方法， 其特 征在于， 所述降低所述深度学习模型的图像分别率的具体方式为： 通过Focus结构对输入所述深度学习模型的图片进行切片操作， 将所述 图片长宽压缩 为通道信息 。 4.如权利要求3所述的超轻量级高性能检测识别方法， 其特 征在于， 所述调整所述压缩 模型的特 征提取模块的深度， 得到调整模型的具体方式为： 将所述压缩模型的特征提取模块的卷积层调整为12层， 并引入残差模块， 得到调整模 型。 5.如权利要求 4所述的超轻量级高性能检测识别方法， 其特 征在于， 所述优化所述调整模块的特 征融合模块的具体方式为： 在所述调整模块的特征融合模块上增加一级特征融合模块， 并采用FPN结构进行特征 融合。权　利　要　求　书 1/1 页 2 CN 115249314 A 2一种超轻量级高性能检测识别方 法 技术领域 [0001]本发明涉及自动驾驶 技术领域， 尤其涉及一种超轻量级高性能检测识别方法。 背景技术 [0002]目标检测一直是计算机视觉领域的一个重要研究课题， 它广泛应用于车辆检测、 行人跟踪、 车牌识别、 无人驾驶等领域。 随着 硬件以及算法的不断发展， 基于深度CNN的目标 检测算法分为两级检测器和一级检测器。 [0003]两级检测器将图像上的所有位置视为潜在目标， 并直接生成预测框 的坐标、 目标 的置信度和类别， 但检测速度慢。 [0004]单级检测器没有一个明显 的候选框提取过程。 它首先将图像缩放到固定的大小， 并将图像在空间上划分为固定数量的网格(例如7X7)， 每个网格生成一个预测 框。 然后， 它 对每个网格返回进行分类和置信度以及预测框位置信息。 单级检测器极大地提高了物体的 检测速度， 但对于小尺寸物体的定位和检测性能较差， 导 致漏检率较高。 发明内容 [0005]本发明的目的在于提供一种超轻量级高性能检测识别方法， 旨在解决现有的单级 检测器的漏检率较高的问题。 [0006]为实现上述目的， 本发明提供了一种超轻量级高性能检测识别方法， 包括以下步 骤： [0007]对深度学习模型进行压缩， 得到 压缩模型； [0008]调整所述压缩 模型的特 征提取模块的深度， 得到调整模型； [0009]优化所述调整模块的特 征融合模块并添加S PP模块， 得到初步检测识别模型； [0010]优化所述初步检测识别模型的贪心算法， 得到最终检测识别模型； [0011]使用所述 最终检测识别模型对待检测图片进行 车辆检测识别， 得到识别结果。 [0012]其中， 所述对深度学习模型进行压缩， 得到 压缩模型的具体方式为： [0013]降低所述深度学习模型的图像分别率， 同时将所述深度学习模型的前三个卷积层 卷积核个数均调整为12， 得到 压缩模型。 [0014]其中， 所述降低所述深度学习模型的图像分别率的具体方式为： [0015]通过Focus结构对输入所述深度学习模型的图片进行切片操作， 将所述图片长宽 压缩为通道信息 。 [0016]其中， 所述调整所述压缩模型的特征提取模块的深度， 得到调整模型的具体方式 为： [0017]将所述压缩模型的特征提取模块的卷积层调整为12层， 并引入残差模块， 得到调 整模型。 [0018]其中， 所述优化所述调整模块的特 征融合模块的具体方式为： [0019]在所述调整模块的特征融合模块上增加一级特征融合模块， 并采用FPN结构进行说　明　书 1/5 页 3 CN 115249314 A 3