[發明專利]一種基于Yolov5的小目標檢測模型的構建及檢測方法

在審

• 申請號: 202211047649.X
• 申請日: 2022-08-30
• 公開（公告）號: CN115331126A
• 公開（公告）日: 2022-11-11
• 發明（設計）人: 張濤;胡婷婷;朱嘉琪
• 申請（專利權）人: 江南大學
• 主分類號: G06V20/17
• 分類號: G06V20/17;G06V10/774;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 南京禹為知識產權代理事務所(特殊普通合伙) 32272
• 代理人: 王曉東

本發明公開了一種基于Yolov5的小目標模型構建及檢測方法，本方法首先是對基于Yolov5網絡模型進行改進，在模型中引入了注意力機制，部分卷積采用新的卷積算子，同時調整特征融合方式，增加了anchor框的檢測尺寸。將經過以上改進得到的模型應用于目標檢測中能夠有效提升其對小目標檢測的準確率，提高檢測性能，實驗證實，基于本發明模型的檢測方法的檢測性能明顯優于基于其他模型的檢測方法。

技術領域

本發明涉及目標檢測技術領域，尤其涉及一種基于Yolov5的小目標檢測模型的構建及檢測方法。

背景技術

小目標檢測一直是目標檢測中的重點與難點，為了克服目標檢測領域中的小目標檢測問題，研究者們改進了各種適應于小目標檢測的網絡模型，但仍然有不足。在現實場景中，由于小目標是的大量存在，因此小目標檢測具有廣泛的應用前景，在自動駕駛、智慧醫療、缺陷檢測和航拍圖像分析等諸多領域發揮著重要作用。近年來，深度學習技術的快速發展為小目標檢測注入了新鮮血液，使其成為研究熱點。

目前小目標檢測面臨的挑戰主要有以下幾點:1)可利用特征少；2)定位要求精度高；3)樣本不均衡；針對這些問題，一些學者提出了一些改進思路，例如通過不同的數據增強策略可以擴充訓練數據集的規模，豐富數據集的多樣性；通過多尺度學習來提升小目標性能，如圖像特征金字塔就是多尺度學習的一種典型方法。

然而，由于空間和細節特征信息的丟失，難以在深層特征圖中檢測小目標。在深度神經網絡中，淺層的感受野更小，語義信息弱，上下文信息缺乏，但是可以獲得更多空間和細節特征信息。從這一思路出發，Liu等提出一種多尺度目標檢測算法SSD，利用較淺層的特征圖來檢測較小的目標，而利用較深層的特征圖來檢測較大的目標；Cai等針對小目標信息少，難以匹配常規網絡的問題，提出統一多尺度深度卷積神經網絡，通過使用反卷積層來提高特征圖的分辨率，在減少內存和計算成本的同時顯著提升了小目標的檢測性能。

總體來說，多尺度特征融合同時考慮了淺層的表征信息和深層的語義信息，有利于小目標的特征提取，能夠有效地提升小目標檢測性能。然而，現有多尺度學習方法在提高檢測性能的同時也增加了額外的計算量，并且在特征融合過程中難以避免干擾噪聲的影響，這些問題導致了基于多尺度學習的小目標檢測性能難以得到進一步提升。

在真實世界中，“目標與場景”和“目標與目標”之間通常存在一種共存關系，通過利用這種關系將有助于提升小目標的檢測性能。在深度學習之前，已有研究證明通過對上下文進行適當的建模可以提升目標檢測性能，尤其是對于小目標這種外觀特征不明顯的目標。隨著深度神經網絡的廣泛應用，一些研究也試圖將目標周圍的上下文集成到深度神經網絡中，并取得了一定的成效，但是沒有考慮到場景中的上下文信息可能匱乏的問題。

發明內容

本部分的目的在于概述本發明的實施例的一些方面以及簡要介紹一些較佳實施例。在本部分以及本申請的說明書摘要和發明名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和發明名稱的目的模糊，而這種簡化或省略不能用于限制本發明的范圍。

鑒于上述現有存在的問題，提出了本發明。

因此，本發明的一個目的是提供一種基于Yolov5的小目標檢測模型的構建方法。

為解決上述技術問題，本發明提供如下技術方案：包括，

構建包括訓練樣本和測試樣本的數據集；

根據數據集對基于Yolov5的網絡模型進行訓練；

其中，所述基于Yolov5的網絡模型以Yolov5網絡為主干模型，包括特征提取模塊、頸部增強模塊、頭部預測模塊；

在所述頸部增強模塊引入GAM注意力機制，部分卷積采用新的卷積算子；

調整所述頭部預測模塊的特征融合方式，擴充初始anchor框的檢測尺寸；

輸出訓練完成后的目標檢測模型。