胡文杰，雷兵強(qiáng)

（咸陽(yáng)職業(yè)技術(shù)學(xué)院 陜西 咸陽(yáng) 712000）

0 引 言

目前，基于深度神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)視覺(jué)技術(shù)通過(guò)模擬生物視覺(jué)，使用經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型來(lái)執(zhí)行多項(xiàng)任務(wù)，例如圖像分類(lèi)、圖像分割和目標(biāo)檢測(cè)等。計(jì)算機(jī)視覺(jué)的主要應(yīng)用領(lǐng)域是無(wú)人駕駛，幾乎所有的路徑規(guī)劃和無(wú)人化控制都需要借助計(jì)算機(jī)視覺(jué)技術(shù)來(lái)實(shí)現(xiàn)，通過(guò)將基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)視覺(jué)任務(wù)的結(jié)果輸入到路徑規(guī)劃、導(dǎo)航算法中，求得最優(yōu)和避障路徑。如果在無(wú)人機(jī)上加載一個(gè)有效的計(jì)算機(jī)視覺(jué)系統(tǒng)和決策系統(tǒng)，那么無(wú)人機(jī)將擁有與人類(lèi)相仿的眼睛和大腦，在多維復(fù)雜的環(huán)境中，可以實(shí)時(shí)有效地檢測(cè)到周?chē)奈矬w并進(jìn)行目標(biāo)檢測(cè)、物體分類(lèi)、障礙物劃分、危險(xiǎn)等級(jí)劃分等處理，從而在路徑規(guī)劃問(wèn)題上及時(shí)做出最佳決策。

計(jì)算機(jī)視覺(jué)包含許多復(fù)雜的任務(wù)，這些任務(wù)可以切分為語(yǔ)義分割、實(shí)例分割、圖像分類(lèi)和目標(biāo)檢測(cè)等基本任務(wù)。它們的簡(jiǎn)單定義如圖1所示。

圖1 計(jì)算機(jī)視覺(jué)任務(wù)

（1）語(yǔ)義分割需要預(yù)測(cè)所輸入圖像的每個(gè)像素屬于哪種類(lèi)型的標(biāo)簽。

（2）實(shí)例分割還需要在語(yǔ)義分割的基礎(chǔ)上確定同一類(lèi)型不同個(gè)體的具體個(gè)數(shù)。

（3）圖像分類(lèi)需要預(yù)測(cè)圖像中物體的類(lèi)別。

（4）目標(biāo)檢測(cè)需要在圖像分類(lèi)的基礎(chǔ)上進(jìn)一步識(shí)別物體的位置。

1 目標(biāo)檢測(cè)

目標(biāo)檢測(cè)是一項(xiàng)比較實(shí)用且極具挑戰(zhàn)性的計(jì)算機(jī)視覺(jué)任務(wù)，可以看作是圖像分類(lèi)和目標(biāo)定位的結(jié)合。給定一張圖片，目標(biāo)檢測(cè)系統(tǒng)需要識(shí)別圖片中指定對(duì)象的類(lèi)別并給出其位置。由于圖片中物體的數(shù)量是不確定的，而且還要給出物體的精確位置，所以目標(biāo)檢測(cè)比分類(lèi)任務(wù)更加復(fù)雜。隨著計(jì)算機(jī)視覺(jué)技術(shù)的不斷發(fā)展，目標(biāo)檢測(cè)已滲透到航天航空、智能交通、農(nóng)業(yè)、高空安防、物流、森林防火等各個(gè)領(lǐng)域。由于在復(fù)雜的場(chǎng)景中，存在檢測(cè)對(duì)象種類(lèi)繁多、維度復(fù)雜等情況，常用的目標(biāo)檢測(cè)算法會(huì)出現(xiàn)精確度和完整度低等問(wèn)題。近年來(lái)，隨著深度學(xué)習(xí)的不斷發(fā)展，各式各樣基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法被陸續(xù)提出。卷積神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)數(shù)據(jù)的自主訓(xùn)練學(xué)習(xí)，更新參數(shù)得到一個(gè)比較準(zhǔn)確的模型?；诰矸e神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法可以分為兩大類(lèi)：一類(lèi)是基于Region Proposal 的R-CNN（Region-Conventional Neural Network）雙步目標(biāo)檢測(cè)算法，包括R-CNN、Fast R-CNN、FasterR-CNN 等；另一類(lèi)是單步目標(biāo)檢測(cè)算法，包括YOLO（You Look Only Once）、SSD 等，其發(fā)展如圖2所示。

圖2 目標(biāo)檢測(cè)主流算法發(fā)展史

自2012年Alex net 贏得ImageNet 比賽以來(lái)，卷積神經(jīng)網(wǎng)絡(luò)（CNN）已成為圖像分類(lèi)的基準(zhǔn)。CNN 方法在ImageNet 挑戰(zhàn)中的表現(xiàn)優(yōu)于人類(lèi)。最近，CNN 在對(duì)圖像中物體的檢測(cè)、分割和識(shí)別方面取得了巨大成功。例如，基于CNN 的方法應(yīng)用于車(chē)輛檢測(cè)、醫(yī)學(xué)圖像檢測(cè)等計(jì)算機(jī)視覺(jué)任務(wù)中。雙步目標(biāo)檢測(cè)算法分兩步執(zhí)行，首先是利用選擇算法或卷積神經(jīng)網(wǎng)絡(luò)生成候選區(qū)（Region Proposal），然后將候選區(qū)送入網(wǎng)絡(luò)結(jié)構(gòu)中提取特征，最終生成檢測(cè)目標(biāo)的位置和類(lèi)別。Faster Region-based CNN（Faster R-CNN）是一種基于CNN 的雙步目標(biāo)檢測(cè)算法，其結(jié)構(gòu)圖如圖3所示。

圖3 Faster R-CNN 算法結(jié)構(gòu)

單步目標(biāo)檢測(cè)算法不用生成候選區(qū)，把圖像分為M×M個(gè)網(wǎng)格單元后，使用卷積神經(jīng)網(wǎng)絡(luò)直接預(yù)測(cè)不同對(duì)象的類(lèi)別和位置。在雙步目標(biāo)檢測(cè)算法中，由于生成一些候選區(qū)花費(fèi)了不少的時(shí)間，故其檢測(cè)速度比單步目標(biāo)檢測(cè)算法要慢，但準(zhǔn)確率卻相對(duì)較高。單目標(biāo)檢測(cè)算法是在圖片直接劃分的網(wǎng)格上進(jìn)行的，因此其檢測(cè)速度較快。早期的雙步目標(biāo)檢測(cè)算法在檢測(cè)精確度上不夠理想，經(jīng)過(guò)不斷的改進(jìn)和完善，這一問(wèn)題慢慢得以解決，尤其是YOLOv5 算法在很大程度上提高了目標(biāo)檢測(cè)的精確度。

2 YOLOv5 網(wǎng)絡(luò)結(jié)構(gòu)

按照網(wǎng)絡(luò)深度和網(wǎng)絡(luò)寬度的不同，YOLOv5 可以分為YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x。本文使用YOLOv5s，其網(wǎng)絡(luò)結(jié)構(gòu)最為小巧，圖像推理速度最快（高達(dá)0.007 s）。采用COCO 數(shù)據(jù)集進(jìn)行測(cè)試，YOLOv5s 的推理速度可以達(dá)到140 FPS，其他版本的推理速度優(yōu)于谷歌于2018年推出的Efficient Net。YOLOv5 的網(wǎng)絡(luò)結(jié)構(gòu)包括Input、Backbone、Neck、Output，它們之間的關(guān)系如圖4所示。

圖4 YOLOv5s 網(wǎng)絡(luò)結(jié)構(gòu)

下面介紹YOLOv5s 的主要組成部分：

（1）輸入端。輸入端完成對(duì)輸入數(shù)據(jù)的預(yù)處理，主要涉及對(duì)圖片進(jìn)行統(tǒng)一大小、增強(qiáng)、翻轉(zhuǎn)，色域變化等操作。YOLOv5 的輸入端采用Mosaic 數(shù)據(jù)增強(qiáng)的方法并且以隨機(jī)縮放、隨機(jī)裁剪、隨機(jī)排布的方式對(duì)原數(shù)據(jù)和增強(qiáng)數(shù)據(jù)進(jìn)行拼接，再將拼接結(jié)果傳入卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)，因此其對(duì)小目標(biāo)的檢測(cè)具有很好的檢測(cè)效果。

（2）Backbone（網(wǎng)絡(luò)主干）。Backbone 在不同圖像細(xì)粒度上聚合并形成基于圖像特征的卷積神經(jīng)網(wǎng)絡(luò)，其主要包含F(xiàn)ocus、CSP 和SPP。Backbone 的第一層是Focus，從高分辨率圖像中周期性抽出像素點(diǎn)并將其重構(gòu)到低分辨率的圖像中，提高每個(gè)點(diǎn)感受野，并減少原始信息的丟失，該模塊的目的主要是減少計(jì)算量從而加快檢測(cè)速度。YOLOv5 默認(rèn)640×640×3 的輸入，先將其復(fù)制四份，通過(guò)切片操作將這四個(gè)圖片切分成四個(gè)320×320×3 的切片，然后連接這四個(gè)切邊，再通過(guò)64 核的卷積層進(jìn)行卷積操作，生成320×320×64 的輸出，最后再通過(guò)激活函數(shù)將結(jié)果輸入到下一個(gè)卷積層。YOLOv5s 的CSP 結(jié)構(gòu)用于將原輸入分成兩個(gè)分支，分別對(duì)兩個(gè)分支進(jìn)行卷積操作使得通道數(shù)減半，再對(duì)其中一個(gè)分支進(jìn)行Bottleneck*M操作，然后拼接兩個(gè)分支，使得BottlenneckCSP 的輸入與輸出大小相同，從而使網(wǎng)絡(luò)模型學(xué)習(xí)到更多的特征，提高目標(biāo)檢測(cè)的精確度。YOLOv5 中的CSP 有兩種結(jié)構(gòu)CSP1_X 和CSP2_X。SPP（Spatial Pyramid Pooling）模塊（即空間金字塔池化模塊）先采用4 種不同大小的卷積核進(jìn)行最大池化操作，再進(jìn)行張量拼接，從而使最終的輸入特征保持一致。

（3）YOLOv5s 的Neck 部分仍然采用FPN+PAN 進(jìn)行采樣，但是它在YOLOv4 的基礎(chǔ)上做了優(yōu)化改進(jìn)，采用CSPnet 設(shè)計(jì)的CSP2 結(jié)構(gòu)，以此加強(qiáng)網(wǎng)絡(luò)特征融合能力。Neck 主要用于增強(qiáng)模型對(duì)不同縮放尺度對(duì)象的檢測(cè)，使其能夠識(shí)別出不同大小的同一個(gè)物體。YOLOv5 采用CSP2結(jié)構(gòu)替代YOLOv4 中的部分CBL 模塊，其具體結(jié)構(gòu)如圖5所示。

圖5 YOLOv5s 的Neck 結(jié)構(gòu)

（4）Output YOLOv5 采用GIoU_Loss 作為損失函數(shù)，GIoU_Loss 解決了無(wú)法區(qū)分Prediction Box 與Ground Truth Box 相交的問(wèn)題，增加了相交尺度的衡量手段，緩解了單純IOU_Loss 時(shí)存在的一些問(wèn)題。CIOU_Loss 在DIOU_Loss的基礎(chǔ)上增加了一個(gè)影響因子，將Prediction Box 和Ground Truth Box 的長(zhǎng)寬比也考慮在內(nèi)。即CIOU_Loss 將GT 框的重疊面積、中心點(diǎn)距離和長(zhǎng)寬比全部納入考慮范圍。

3 強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)（Reinforcement Learning,RL）是指agent 在與環(huán)境的交互中，通過(guò)狀態(tài)值的改變不斷調(diào)整的action，從而獲取最大價(jià)值的無(wú)監(jiān)督學(xué)習(xí)。RL 已經(jīng)廣泛應(yīng)用于無(wú)人機(jī)和自主系統(tǒng)的決策確定（尤其是路徑規(guī)劃和導(dǎo)航任務(wù)），Agent 與環(huán)境的交互如圖6所示。

圖6 RL 中Agent 與環(huán)境交互結(jié)構(gòu)

深度強(qiáng)化學(xué)習(xí)是指將深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)相結(jié)合處理復(fù)雜多維度環(huán)境中遇到的問(wèn)題。深度強(qiáng)化學(xué)習(xí)有機(jī)結(jié)合了深度學(xué)習(xí)的感知能力和強(qiáng)化學(xué)習(xí)的決策能力，并可根據(jù)輸入的圖像直接控制決策過(guò)程。它是一種更接近于人類(lèi)思維的人工智能方法。此外，深度強(qiáng)化學(xué)習(xí)的最新技術(shù)已經(jīng)擴(kuò)展到解決自主系統(tǒng)路徑規(guī)劃的難題中。

4 實(shí)驗(yàn)步驟與結(jié)果分析

實(shí)驗(yàn)流程及優(yōu)化效果如下：

（1）搭建Anaconda 集成開(kāi)發(fā)環(huán)境。Anaconda 是一個(gè)開(kāi)源的包、環(huán)境管理器，可以用于在同一個(gè)機(jī)器上安裝不同版本的軟件包及其依賴(lài)，并能夠在不同的環(huán)境之間切換：

1）下載并安裝Anaconda 開(kāi)源軟件；

2）為提高Anaconda 中所創(chuàng)建環(huán)境安裝指定軟件的速度，配置Anaconda 下載通道為清華鏡像路徑，命令如圖7所示。

圖7 配置Anaconda 下載通道命令

3）配置YOLOv5s 的工程環(huán)境進(jìn)行目標(biāo)檢測(cè)任務(wù)時(shí)，務(wù)必要注意各軟件包版本的兼容性。在本項(xiàng)目中，在requirement.txt 文件中指定了對(duì)于各個(gè)軟件版本的要求，具體要求為：

matplotlib＞=3.2.2

numpy＞=1.18.5

opencv-python＞=4.1.2

Pillow

PyYAML＞=5.3.1

scipy＞=1.4.1

torch＞=1.7.0

torchvision＞=0.8.1

tqdm＞=4.41.0

tensorboard＞=2.4.1

seaborn＞=0.11.0

pandas

thop

pycocotools＞=2.0

（2）使用YOLOv5s網(wǎng)絡(luò)模型訓(xùn)練數(shù)據(jù)并對(duì)訓(xùn)練結(jié)果（例如精確度、閾值等）進(jìn)行相關(guān)分析，最后優(yōu)化YOLOv5s 網(wǎng)絡(luò)模型：

1）將無(wú)人機(jī)拍攝的照片或視頻中截取的照片作為訓(xùn)練數(shù)據(jù)，在數(shù)據(jù)被訓(xùn)練之前，首先進(jìn)行resize 的操作，將訓(xùn)練數(shù)據(jù)調(diào)整為720×720 大小的圖片；

2）配置YOLOv5s 配置文件conf.yaml 中的參數(shù)，指定訓(xùn)練數(shù)據(jù)的文件路徑；

3）運(yùn)行應(yīng)用程序train.py 訓(xùn)練數(shù)據(jù)；

4）對(duì)運(yùn)行結(jié)果進(jìn)行分析并優(yōu)化YOLOv5s 模型相關(guān)參數(shù)的設(shè)置。

（3）運(yùn)用優(yōu)化后的YOLOv5s 模型和參數(shù)值對(duì)測(cè)試圖像進(jìn)行目標(biāo)檢測(cè)：

1）將無(wú)人機(jī)拍攝的照片或視頻中截取的照片作為訓(xùn)練數(shù)據(jù)，在數(shù)據(jù)被訓(xùn)練之前，首先進(jìn)行resize 的操作，將訓(xùn)練數(shù)據(jù)調(diào)整為720×720 大小的圖片；

2）配置YOLOv5s 配置文件conf.yaml 中的參數(shù)，指定訓(xùn)練數(shù)據(jù)的文件路徑；

3）運(yùn)行應(yīng)用程序test.py 訓(xùn)練數(shù)據(jù)。

（4）將計(jì)算機(jī)視覺(jué)任務(wù)的處理結(jié)果輸入到深度強(qiáng)化學(xué)習(xí)決策算法中，選擇合適的策略算法，獲取預(yù)期價(jià)值。

5 結(jié) 論

鑒于傳統(tǒng)位置固定的攝像頭、照相機(jī)所拍攝的圖像和視頻采集設(shè)備采集的視頻角度單一、畫(huà)面不全的弊端，本項(xiàng)目將圖像、視頻采集設(shè)備安裝在無(wú)人機(jī)上，在無(wú)人機(jī)飛行的過(guò)程中實(shí)時(shí)動(dòng)態(tài)采集數(shù)據(jù)，這些設(shè)備的位置會(huì)隨環(huán)境和需要發(fā)生動(dòng)態(tài)改變，能更為準(zhǔn)確地模擬和創(chuàng)建真實(shí)的環(huán)境模型。其次，將基于神經(jīng)網(wǎng)絡(luò)模型的計(jì)算機(jī)視覺(jué)任務(wù)的有效輸出結(jié)果作為強(qiáng)化學(xué)習(xí)中路徑規(guī)劃問(wèn)題的狀態(tài)輸入，而不是直接使用采集到的原始圖片和視頻，從而提高了強(qiáng)化學(xué)習(xí)策略算法的執(zhí)行效率和精確度。