CN114627502B 一种基于改进YOLOv5的目标识别检测方法 （安徽农业大学）

本发明提供了一种基于改进YOLOv5的目标测算法YOLOv5对待识别数据集中的图像信息进检测算法YOLOv5不仅提升了一般情况下的生猪2将K均值维度聚类算法K-Means的欧氏距离改为1-IOU，采用K-Means算法确定先验锚在目标检测算法YOLOv5的主干网络中引入协调注删除不相邻的两个融合特征网络中贡献不达标的节点即只有一条输入边而没有特征在所述不相邻的两个融合特征网络中间从原始输入到输出节对样本数据集进行随机裁剪、随机偏移、Mosaic数据增强，并使用图片标注工具labelImg手动对图像标框并赋标签名后保存，保存的XML文件包含了目标图像的目标框坐所述Mosaic数据增强即把训练集中的多张实验图片图像拼凑成一张标检测算法YOLOv5的主干网络中引入协调注意力机制CA时，对全局池化的方式进行分解，首先给定输入图像X，使用尺寸为(H,1)以及(1,W)的平均池化分别沿着水平坐标和垂3g"=p(F,("))将测试集样本输入改进后的目标检测算法YOLOv5，通过目标锚框对目标图像进行检4[0001]本发明属于目标检测技术领域，具体涉及一种基于改进YOLOv5的目标识别检测[0003]近年来随着机器学习的发展，当代养殖业逐渐采用神经网络对生猪个体进行非络的自适应猪脸识别方法，准确率达到了83何屿彤等提出基于改进YOLOv3的猪脸识猪脸识别效果上有所提升。燕红文等提出改进Tiny-YOLO模型的生猪脸部姿准确率达到了82.38EricT.Psota等搭建一种全卷积神经网络对生猪进行实例分割，[0005]为了克服上述现有技术存在的不足，本发明提供了一种基于改进YOLOv5的目标[0011]将K均值维度聚类算法K-Means的欧氏距离改为1-IOU，采用K-Means算法确定先[0013]采用BiFPN改进目标检测[0014]利用改进的目标检测算法YOLOv5对待识别数据集中的图像信息进行识别，获得5[0019]所述Mosaic数据增强即把训练集中的多张实验图片图像拼凑成一张，用于对改是用来控制采样大小的缩减率，再对Fh和Fw进行1×1卷积变换分别将fh和fw变换为具有相[0031]g"=p(F,("))[0035]优选地，所述采用BiFPN改进目标检测算法YOLO[0036]删除不相邻的两个融合特征网络中贡献不达标的节点即只有一条输入边而没有6[0040]优选地，所述利用改进的目标检测算法YOLOv5对待识别数据集中的图像信息进[0041]将测试集样本输入改进后的目标检测算法YOLOv5，通过目标锚框对目标图像进[0051]为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的附图7[0064]为了使本领域技术人员更好的理解本发明的技术方案并能予以实施，下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的[0066]本发明提供了一种基于改进YOLOv5的目标识别检测方法，本实施例以安徽蒙城[0068]采集工具为罗技C920Pro摄像头。为了能建立了远程操控采集装置的系统，通过控制系统可以远程操控采集装置的摄像头进行旋[0072]对样本数据集进行随机裁剪、随机偏移、Mosaic等数据增强将实验样本扩容到[0077]Backbone主干网络的作用主要是提取特征，主要包含了Focus、BottleneckCSP、8[0079]Prediction输出端主要是检测部分，它在特征图上应用锚定框，并生成分类概均值维度聚类(K-Means)的方式确定先验锚框，本发明将K-Means聚类算法所用的欧氏距[0083]本发明实验硬件均采用16G内存、NVIDIAGeForceRTX2080Ti的显卡，Intel自制猪脸数据集，共有2126张，先验框的数目均为9个等等。先验框采用手工设计的记为AnchorBoxes、采用原版K-Means聚类的记为ClusterSSE以及采用改进后的聚类记为[0088]为了从输入图片信息中选择出对当前任务更关键的特征信息，本发明引入了注意力机制用于深度神经网络可以很好的提升性能，但带来的计算开销对于模型比较小的移动网络难以承担，所以本发明主要引入SE(Squeeze-and-Excitation)、CBAM(ConvolutionalBlockAttentionModule)、CA(CoordinateAtt行实验，最终采用了新颖且高效的注意力机制CA通过精确的位置信息对通道关系和长期[0089]为了促使注意力模块能够捕捉具有精确位置的特征信息，对传统全局池化的方9是用来控制采样大小的缩减率。再对Fh和Fw进行1×1卷积变换分别将fh和fw变换为具有相[0096]g"=p(F,(f")(4)[0102]在神经网络经过主干网络提取特征之后，高层特征与低层特征的使用对提升模[0103]所以本发明引入轻量级通用上采样算子(CARAFE)特征融合、自适应空间特征融合(ASFF)以及BiFPN特征融合进行实验，最终选择效果较好的B中贡献较小的节点即只有一条输入边而没有特征融合的节点；然后在P4从原始输入到输[0108]在利用改进的目标检测算法YOLOv5对待识别数据进行识别之前，对改进的目标个数，FN(FalseNegatives)为漏检的猪脸个数，FP(FalsePositives)为虚检的猪脸个[0115]为了进一步衡量优化目标锚框改进对于猪脸识别检测的性能，在自制的猪脸数及平均精确率都不同程度优于原模型，其中引入CA的模型在平均精确率和召回率更是优息的重要性的SE，也优于在通道上进行全局池化来引入位置信息，但只能捕获局部的信的检测效果图9(b)，有效的提升了模型对于位置信息的学习能力，增加模型的抗干扰能[0124]为了更深入观察改进特征融合的模型在猪脸检测上的效果，采用一致的猪脸数改进前后均能正确检测出猪脸目标，但是改进后的模型的更加有针对性的利用了高层和于目标检测框的学习效率；其次由于CA对于位置信息和通道关系具有长期的依赖性所以简了特征融合贡献较小的节点，通过赋予权重等方式加强对贡献较大而更有效地融合了低层与高层的特征图，提高模型对于特征的使用效率达到更好的检测[0130]再对表5改进纵向对比可知，其中本发明采用的模型11(本发明的改进的目标检测算法YOLOv5)除了在召回率上稍微低于单独引入CA的模型4与混合引入CA和BiFPN的模引入两个改进点(模型8,9,10)和引入三个改进点(本发明模型11)较原版YOLOv5模型其提升幅度依次递增，从而更加有力的说明了本发明改进的三个方式不仅单独对于原模型有和准确率92.6分别比原版YOLOv5提升2.2％和13.2进一步说明了改进算法的可行11可以检出在生猪样本密集环境下有遮挡且目标较小的pig4，有效的减少模型漏检率并据集下不仅对单独改进点进行了对比试验并且对多个改进点的算法也进行了对比试验。任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案