CN116245732A - 一种基于YOLOv5的小目标反光衣识别检测方法 - Google Patents
一种基于YOLOv5的小目标反光衣识别检测方法 Download PDFInfo
- Publication number
- CN116245732A CN116245732A CN202310232217.4A CN202310232217A CN116245732A CN 116245732 A CN116245732 A CN 116245732A CN 202310232217 A CN202310232217 A CN 202310232217A CN 116245732 A CN116245732 A CN 116245732A
- Authority
- CN
- China
- Prior art keywords
- layer
- pixel
- steps
- yolov
- feature map
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000010586 diagram Methods 0.000 claims description 18
- 230000006835 compression Effects 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 description 16
- 238000012360 testing method Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 2
- 208000012260 Accidental injury Diseases 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于YOLOv5的小目标反光衣识别检测方法，其包括，在三层像素特征图上增加目标检测层拓展特征映射，采用双线性插值方法对所述三层像素特征图进行处理；增加SE注意力网络对像素特征图进行处理；以及，更新损失函数，加快模型收敛速度。本发明增加一个小的目标检测层，以提高系统识别远处工人是否穿着反光服装的能力；通过添加SE‑Net，使用权重来表示不同渠道的重要性；引入损失函数EIoU，增加了宽度和高度的损失，使目标盒和锚盒的宽度和高度差最小。
Description
技术领域
本发明涉及计算机视觉中目标检测的技术领域，尤其涉及一种基于YOLOv5的小目标反光衣识别检测方法。
背景技术
反光服装的出现成功地解决了“看见”和“被看见”的问题。由于优质反光服的反光质量可达数百米，反光服的可视性强，在工人操作施工任务时可起到预期的警示作用。在建筑工地，工人被要求穿反光服装，以避免被卡车、汽车、起重机或其他机器意外伤害。施工现场很多区域是非专业人员非常危险的禁区，只有高级施工人员才能进入。因此，在施工现场，反光服装不仅是安全的象征，而且这是区分工作类型的必要方法。一般来说，橙色代表安全监管人员，绿色代表管理人员。反光服装磨损检测是施工现场的一项重要检验项目，与工人的人身安全密切相关。为了实现工人反光服自动准确检测的任务，保证施工现场工人的安全，进一步研究反光服自动检测的方法是很重要的。
施工现场障碍物较多，施工现场摄像头实时监控图像质量较差，人员容易被堵塞。当人密集且远离镜头时，很容易失去人物形象与背景模糊之间的对比。直接应用YOLOv5等检测方法对施工现场的反光服装进行识别检出率很低。这将影响识别施工现场反光服装的目标检测算法的性能。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有基于YOLOv5的小目标反光衣识别检测方法存在的问题，提出了本发明。
因此，本发明目的是提供一种基于YOLOv5的小目标反光衣识别检测方法。
为解决上述技术问题，本发明提供如下技术方案：在三层像素特征图上增加目标检测层拓展特征映射，采用双线性插值方法对所述三层像素特征图进行处理；
增加SE注意力网络对像素特征图进行处理；以及，
更新损失函数，加快模型收敛速度。
作为本发明所述基于YOLOv5的小目标反光衣识别检测方法的一种优选方案，其中：所述三层像素特征图包括76×76像素特征图、38×38像素特征图和19×19像素特征图；
所述目标检测层对所述76×76像素的特征层做上采样、CONCAT和CSP2_1操作，输出152×152像素层，增强对小目标的检测效果。
作为本发明所述基于YOLOv5的小目标反光衣识别检测方法的一种优选方案，其中：所述插值法在原始图像像素的基础上，通过相邻的数据点估计值，公式如下，
其中，x0,y0和x1,y1分别表示两点的坐标，y1-y0表示两个点之间像素的差值，x1-x0表示两个点之间的距离,相除得到每个像素点变化的步长，x和y表示增强后的像素点。
作为本发明所述基于YOLOv5的小目标反光衣识别检测方法的一种优选方案，其中：所述SE网络包括压缩运算和激励运算，所述SE注意力网络采用平均池化处理像素特征图。
作为本发明所述基于YOLOv5的小目标反光衣识别检测方法的一种优选方案，其中：在所述压缩运算时，所述特征映射被压缩成1*1*C的一维向量，网络获得信道的特征信息；
在所述激励运算时，所述1*1*C的一维向量通过第一个完全连接层和第二个完全连接层构成一个瓶颈。
作为本发明所述基于YOLOv5的小目标反光衣识别检测方法的一种优选方案，其中：所述第一个完全连接层将所述信道的特征信息大小减少到1/16，并使用Sigmoid激活函数进行激活，得到不同信道的重要性，公式如下：
其中，z指自变量，即输入，e的值是2.718281828…，是基础的底数，所述第二个完全连接层将特征图激活到原始大小。
作为本发明所述基于YOLOv5的小目标反光衣识别检测方法的一种优选方案，其中：所述损失函数包括重叠损失、中心距损失和宽高损失；
对所述损失函数进行更新包括，将CIoU替换成EIoU优化算法，保留所述重叠损失和所述中心距损失，增加所述宽高损失将目标盒和锚盒的宽度和高度差最小化，优化了边界锚框回归任务中的模型不平衡问题，使得模型收敛速度更快。
作为本发明所述基于YOLOv5的小目标反光衣识别检测方法的一种优选方案，其中所述EIoU优化算法的公式如下：
其中，IoU代表交并比，b,bgt分别代表了预测框和真实框的中心点，ρ代表的是计算两个中心点间的欧式距离，c代表的是能够同时包含预测框和真实框的最小闭包区域的对角线距离，w,wgt和h,hgt分别代表了预测框和真实框的宽和高的中心点，cw和ch是覆盖两个Box的最小外接框的宽度和高度，Box指锚框。
一种基于YOLOv5的小目标反光衣识别检测系统，其特征在于：包括骨干模块、颈部模块以及输出模块；
骨干模块，包括骨干网，所述骨干模块通过多次卷积和池化从输入图像中提取不同大小的特征映射；
其中，我们加入了SE注意力机制来增强通道之间的交互；
颈部模块，由76×76像素、38×38像素和19×19像素三个特征图组成，利用所述骨干网的152×152像素特征，增加第四层特征图用于小目标的识别；
输出模块，根据所述颈部模块增加的一层小目标检测层，所述输出模块的锚框也进行改变，在数据后处理中，更换了损失函数，使回归过程聚焦于高质量的锚盒，让模型更好的收敛。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
本发明的有益效果：增加一个小的目标检测层，以提高系统识别远处工人是否穿着反光服装的能力；通过添加SE-Net，使用权重来表示不同渠道的重要性；引入损失函数EIoU，增加了宽度和高度的损失，使目标盒和锚盒的宽度和高度差最小。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为流程图。
图2为标准三层检测层结构图。
图3为本发明基于YOLOv5的小目标反光衣识别检测方法所述的增加一层小目标检测层的四层结构图。
图4为STYOLO的网络结构图。
图5为STYOLO算法模块结构图。
图6为STYOLO算法与YOLOv5s算法对比结构图
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
再其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
实施例1
参照图1～图5，一种基于YOLOv5的小目标反光衣识别检测方法包括在三层像素特征图上增加目标检测层拓展特征映射，采用双线性上采样插值方法对图像进行处理；增加SE注意力网络对像素特征图进行处理；并更新损失函数，加快收敛速度。
具体的，三层像素特征图包括76×76像素特征图、38×38像素特征图和19×19像素特征图。
本发明在原有三层76×76像素、38×38像素和19×19像素特征图的基础上增加了一个小的目标检测层来扩展特征映射。
具体的，目标检测层对76×76像素的特征层做上采样、CONCAT和CSP2_1操作，输出152×152像素层，增强对小目标的检测效果。
特征层采用双线性上采样插值方法对图像进行处理，既能放大原始图像，又能获得高分辨率的图像。采用插值法，即在原始图像像素的基础上，通过相邻的数据点估计值，插值法公式如下，
其中，x0,y0和x1,y1分别表示两点的坐标，y1-y0表示两个点之间像素的差值，x1-x0表示两个点之间的距离,相除得到每个像素点变化的步长，x和y表示增强后的像素点。
如图4，上采样(upsample)中采用了双线性插值法将76*76的特征图放大成152*152，然后连接(CONCAT)操作连接了骨干部(backbone)中的152*152的那一层特征图，再采用CSP2_1，指两次CBL和Conv的残差运算经过CONCAT,BN和Leaky RELU层后，在经过一次CBL运算，解决了网络模型中梯度信息重复的问题。
其中，CBL指Convolution(conv/卷积)，Batch Normalization(BN/批量归一化/规范化)，Leaky RELU(一种激活函数)其中，
其中，α为常数，通常α的值为0.01，Resunit是x个残差组件。
进一步的，增加了一种SE注意力网络来增强通道之间的交互。
具体的，SE网络包括压缩运算和激励运算，所述SE注意力网络采用平均池化处理像素特征图；压缩运算用来总结所有特征信息，激励运算用来衡量每个特征的重要性。
SE注意力网络在本质上明确表达了隐式和局部信道关系，并显示了卷积特征信道之间的相互依赖性，提高了网络生成的质量。网络可以通过两步改进信息访问功能和重新校准过滤器，可以大大提高模型的性能。
SE采用平均池化处理特征图；在压缩运算部分，特征映射被压缩成1*1*C的一维向量，网络获得信道的特征信息；在激励运算部分，1*1*C的一维向量通过两个完全连接FC层，它们构成一个瓶颈。
第一个完全连接层将特征大小减少到1/16，然后使用Sigmoid激活函数进行激活，其表达式如下：
Sigmoid激活函数作用是引入非线性，并得到不同通道的重要性，然后应用到前面特征图对应的通道上。
第二个完全连接层将其激活到原始大小，在这个过程中，通过拟合通道之间的相关性得到每个通道的不同重要性，并将评分应用到相应的通道上，得到映射；最后，将一个原始的h*w*c和1*1*c的特征图矩阵全乘，得到不同通道重要度的特征图。
进一步的，损失函数包括重叠损失、中心距损失和宽高损失；对损失函数进行更新包括，添加EIoU优化算法，保留重叠损失和中心距损失的算法，宽高损失将目标盒和锚盒的宽度和高度差最小化，使得收敛速度更快。
考虑到bbox回归中训练样本的不平衡性，小误差锚框的图片数量远远少于大误差的图片数量，质量差的样本会产生过多的梯度，影响训练过程。
EIoU从梯度的角度将高质量的锚架和低质量的锚架分开；将长宽比的损失项分为预测宽高与最小外框宽高之差，加快了收敛速度，提高了回归精度；引入焦点损失对边界盒回归任务中的样本不平衡问题进行优化，即减少大量与目标盒重叠较少的锚盒对盒回归的优化贡献，使回归过程聚焦于高质量的锚盒。
EIoU优化算法的公式如下：
其中，IoU代表交并比，b,bgt分别代表了预测框和真实框的中心点，ρ代表的是计算两个中心点间的欧式距离，c代表的是能够同时包含预测框和真实框的最小闭包区域的对角线距离，w,wgt和h,hgt分别代表了预测框和真实框的宽和高的中心点，cw和ch是覆盖两个Box的最小外接框的宽度和高度。
实施例2
一种基于YOLOv5的小目标反光衣识别检测系统，称为STYOLO，即改进后的改进后的YOLOv5，包括骨干模块、颈部模块以及输出模块。
具体的，骨干模块，包括骨干网，骨干网是一种卷积神经网络，通过多次卷积和池化从输入图像中提取不同大小的特征映射。
其中，加入了SE注意力机制来增强通道之间的交互。
原颈部网络由76×76像素、38×38像素和19×19像素三个特征图组成，利用骨干网的152×152像素特征，增加了第四层特征图用于小目标的识别；这些不同大小的特征图，应用不同层次的特征图，获取更多的上下文信息，减少信息丢失。
在融合过程中，采用了FPN和PAN的特征金字塔结构；FPN结构将强语义特征从顶部特征映射转移到底部特征映射；泛结构将较低特征图的强定位特征转移到较高特征图。
这两种结构共同增强了颈部网络的特征融合能力；由于颈部增加了一层小目标检测层，输出部分的锚框也随之变为了四个；在数据后处理中，我们更换了损失函数，使回归过程聚焦于高质量的锚盒，让模型更好的收敛。
实施例3
参照图6，为本发明的第3个实施例，该实施例不同于第一个实施例的是，提供了一种基于YOLOv5的小目标反光衣识别检测方法的验证测试，对本方法中采用的技术效果加以验证说明。
传统的技术方案直接使用YOLOv5等检测方法对施工现场的反光服装进行识别，准确度和召回率不高，这将影响识别施工现场反光服装的实际应用效果。
为验证本方法相对传统方法具有较高的精确度和召回率；本实施例中将采用传统YOLOv5方法和本方法分别对施工现场反光衣的识别进行测量对比。
测试环境：python3.9，采用pytorch框架实现YOLO算法的构建，采用施工现场反光衣数据集作为测试样本，分别利用原始YOLOv5算法的各个版本和STYOLO进行测试并获得测试结果数据。
结果如下表所示，其中precision为精确率，recall为召回率，mAP为均值平均精度，是目标检测中衡量检测精度的指标，parameters为参数个数，参数越小表示模型越小，速度越快。
从表1可以看出，相对YOLOv5s来说，我们的算法极大地增强了平均精度，参数数量只有少量增加，相对其他版本的YOLO算法来说，我们的算法参数数量更少，检测精度也有显而易见的提升。
表1
| Network | Image-Size | Precision | Recall | mAP@.5 | mAP@.5-0.95 | parameters |
| YOLOv5s | 2012 | 0.909 | 0.689 | 0.743 | 0.341 | 7,059,304 |
| YOLOv5m | 2012 | 0.887 | 0.725 | 0.754 | 0.354 | 21,045,720 |
| YOLOv5l | 2012 | 0.908 | 0.725 | 0.765 | 0.376 | 46,611,336 |
| YOLOv5x | 2012 | 0.947 | 0.82 | 0.852 | 0.547 | 87,257,832 |
| STYOLO | 2012 | 0.946 | 0.84 | 0.921 | 0.543 | 7,908,480 |
与YOLOv5s检测图片的对比结果如图6所示，图6第一行为原图，第二行为YOLOv5s检测结果，第三行为STYOLO检测结果。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于YOLOv5的小目标反光衣识别检测方法，其特征在于：包括，
在三层像素特征图上增加目标检测层拓展特征映射，采用双线性插值方法对所述三层像素特征图进行处理；
增加SE注意力网络对像素特征图进行处理；以及，
更新损失函数，加快模型收敛速度。
2.如权利要求1所述的基于YOLOv5的小目标反光衣识别检测方法，其特征在于：所述三层像素特征图包括76×76像素特征图、38×38像素特征图和19×19像素特征图；
所述目标检测层对所述76×76像素的特征层做上采样、CONCAT和CSP2_1操作，输出152×152像素层，增强对小目标的检测效果。
3.如权利要求1所述的基于YOLOv5的小目标反光衣识别检测方法，其特征在于：所述插值法在原始图像像素的基础上，通过相邻的数据点估计值，公式如下，
其中，x0,y0和x1,y1分别表示两点的坐标，y1-y0表示两个点之间像素的差值，x1-x0表示两个点之间的距离,相除得到每个像素点变化的步长，x和y表示增强后的像素点。
4.如权利要求1所述的基于YOLOv5的小目标反光衣识别检测方法，其特征在于：所述SE网络包括压缩运算和激励运算，所述SE注意力网络采用平均池化处理像素特征图。
5.如权利要求4所述的基于YOLOv5的小目标反光衣识别检测方法，其特征在于：在所述压缩运算时，所述特征映射被压缩成1*1*C的一维向量，网络获得信道的特征信息；
在所述激励运算时，所述1*1*C的一维向量通过第一个完全连接层和第二个完全连接层构成一个瓶颈。
6.如权利要求5所述的基于YOLOv5的小目标反光衣识别检测方法，其特征在于：所述第一个完全连接层将所述信道的特征信息大小减少到1/16，并使用Sigmoid激活函数进行激活，得到不同信道的重要性，公式如下：
其中，z指自变量，即输入，e的值是2.718281828…，是基础的底数，所述第二个完全连接层将特征图激活到原始大小。
7.如权利要求1所述的基于YOLOv5的小目标反光衣识别检测方法，其特征在于：所述损失函数包括重叠损失、中心距损失和宽高损失；
对所述损失函数进行更新包括，将CIoU替换成EIoU优化算法，保留所述重叠损失和所述中心距损失，增加所述宽高损失将目标盒和锚盒的宽度和高度差最小化，优化了边界锚框回归任务中的模型不平衡问题，使得模型收敛速度更快。
8.如权利要求7所述的基于YOLOv5的小目标反光衣识别检测方法，其特征在于：所述EIoU优化算法的公式如下：
其中，IoU代表交并比，b,bgt分别代表了预测框和真实框的中心点，ρ代表的是计算两个中心点间的欧式距离，c代表的是能够同时包含预测框和真实框的最小闭包区域的对角线距离，w,wgt和h,hgt分别代表了预测框和真实框的宽和高的中心点，cw和ch是覆盖两个Box的最小外接框的宽度和高度，Box指锚框。
9.基于YOLOv5的小目标反光衣识别检测系统，其特征在于：包括骨干模块、颈部模块以及输出模块；
骨干模块，包括骨干网，所述骨干模块通过多次卷积和池化从输入图像中提取不同大小的特征映射；
其中，我们加入了SE注意力机制来增强通道之间的交互；
颈部模块，由76×76像素、38×38像素和19×19像素三个特征图组成，利用所述骨干网的152×152像素特征，增加第四层特征图用于小目标的识别；
输出模块，根据所述颈部模块增加的一层小目标检测层，所述输出模块的锚框也进行改变，在数据后处理中，更换了损失函数，使回归过程聚焦于高质量的锚盒，让模型更好的收敛。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310232217.4A CN116245732A (zh) | 2023-03-13 | 2023-03-13 | 一种基于YOLOv5的小目标反光衣识别检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310232217.4A CN116245732A (zh) | 2023-03-13 | 2023-03-13 | 一种基于YOLOv5的小目标反光衣识别检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116245732A true CN116245732A (zh) | 2023-06-09 |
Family
ID=86631138
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310232217.4A Pending CN116245732A (zh) | 2023-03-13 | 2023-03-13 | 一种基于YOLOv5的小目标反光衣识别检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116245732A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114565900A (zh) * | 2022-01-18 | 2022-05-31 | 广州软件应用技术研究院 | 基于改进YOLOv5和双目立体视觉的目标检测方法 |
| CN114821246A (zh) * | 2022-06-28 | 2022-07-29 | 山东省人工智能研究院 | 基于多层次残差网络感知和注意力机制的小目标检测方法 |
| US20220292311A1 (en) * | 2021-03-12 | 2022-09-15 | Dibi (Chongqing) Intelligent Technology Research Institute Co., Ltd. | Method for object detection and recognition based on neural network |
| CN115620180A (zh) * | 2022-10-24 | 2023-01-17 | 湖南师范大学 | 一种基于改进YOLOv5的航拍图像目标检测方法 |
| CN115661628A (zh) * | 2022-10-28 | 2023-01-31 | 桂林理工大学 | 一种基于改进YOLOv5S模型的鱼类检测方法 |
-
2023
- 2023-03-13 CN CN202310232217.4A patent/CN116245732A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220292311A1 (en) * | 2021-03-12 | 2022-09-15 | Dibi (Chongqing) Intelligent Technology Research Institute Co., Ltd. | Method for object detection and recognition based on neural network |
| CN114565900A (zh) * | 2022-01-18 | 2022-05-31 | 广州软件应用技术研究院 | 基于改进YOLOv5和双目立体视觉的目标检测方法 |
| CN114821246A (zh) * | 2022-06-28 | 2022-07-29 | 山东省人工智能研究院 | 基于多层次残差网络感知和注意力机制的小目标检测方法 |
| CN115620180A (zh) * | 2022-10-24 | 2023-01-17 | 湖南师范大学 | 一种基于改进YOLOv5的航拍图像目标检测方法 |
| CN115661628A (zh) * | 2022-10-28 | 2023-01-31 | 桂林理工大学 | 一种基于改进YOLOv5S模型的鱼类检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 许竞翔 等: "基于改进YOLOv5 的水产养殖细菌性鱼病病原细菌检测算法", 《渔业现代化》, vol. 49, no. 2, pages 2 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10977521B2 (en) | Multi-scale aware pedestrian detection method based on improved full convolutional network | |
| CN113920107A (zh) | 一种基于改进yolov5算法的绝缘子破损检测方法 | |
| CN108009543A (zh) | 一种车牌识别方法及装置 | |
| CN111461213B (zh) | 一种目标检测模型的训练方法、目标快速检测方法 | |
| CN113657409A (zh) | 车辆损失检测方法、装置、电子设备及存储介质 | |
| CN111553914B (zh) | 基于视觉的货物检测方法、装置、终端及可读存储介质 | |
| CN111080600A (zh) | 一种铁路货车弹簧托板上开口销的故障识别方法 | |
| CN106650615A (zh) | 一种图像处理方法及终端 | |
| CN114332473B (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
| KR101130284B1 (ko) | 수치지도를 이용한 실감정사영상 정확도 검사 시스템 및 검사방법 | |
| CN113095404B (zh) | 基于前后背景分卷积神经网络的x光违禁物品检测方法 | |
| CN111461101A (zh) | 工服标志的识别方法、装置、设备及存储介质 | |
| CN110163208A (zh) | 一种基于深度学习的场景文字检测方法和系统 | |
| CN112749741B (zh) | 一种基于深度学习的手闸紧固故障识别方法 | |
| CN113191204B (zh) | 一种多尺度遮挡行人检测方法及系统 | |
| CN116645586A (zh) | 一种基于改进YOLOv5的港口集装箱损伤检测方法及系统 | |
| CN116824335A (zh) | 一种基于YOLOv5改进算法的火灾预警方法及系统 | |
| CN116129135A (zh) | 基于小目标视觉识别和虚拟实体映射的塔吊安全预警方法 | |
| CN112989958A (zh) | 基于YOLOv4与显著性检测的安全帽佩戴识别方法 | |
| CN117315584A (zh) | 一种基于改进YOLOv7-tiny的危化品车辆目标检测方法 | |
| CN116228644A (zh) | 图像检测方法、电子设备及存储介质 | |
| US8126275B2 (en) | Interest point detection | |
| CN111798516B (zh) | 一种桥式起重机设备运行状态量的检测及误差分析方法 | |
| CN116245732A (zh) | 一种基于YOLOv5的小目标反光衣识别检测方法 | |
| CN113793364B (zh) | 目标跟踪方法、装置、计算机设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |