一种基于改进yolov5的无人机目标检测方法技术

本发明专利技术属于计算机视觉领域，具体涉及一种基于改进yolov5的无人机目标检测方法；包括采集无人机巡检图像集并标注得到对应的标签文件，标签文件包括目标的类别和目标框坐标；将标签文件转换为文本文件，目标框坐标归一化得到归一化框坐标，预处理无人机巡检图像集得到预处理图像集；划分预处理图像集及归一化坐标集得到训练集、验证集和测试集；通过聚类算法得到训练集的锚框样本；构建基于ECA的目标检测模型并训练；采用改进nms算法对训练好的目标检测模型进行后处理；采用得到的目标检测模型进行无人机目标检测；本发明专利技术改进yolov5检测精度低、对中小目标检测效果差的缺点，实现无人机检测过程高速且精准的需求。人机检测过程高速且精准的需求。人机检测过程高速且精准的需求。

【技术实现步骤摘要】
一种基于改进yolov5的无人机目标检测方法


[0001]本专利技术属于计算机视觉领域，具体涉及一种基于改进yolov5的无人机目标检测方法。

技术介绍

[0002]目标检测(Object Detection)是计算机视觉领域的基本任务之一，学术界已有将近二十年的研究历史，经过长期的发展和技术迭代，目标检测已广泛应用于人脸识别、缺陷检测、工业控制、航空航天等领域。当前无人机检测技术主要是基于机器学习中的目标检测模型。目标检测模型有两类算法：一阶段算法、二阶段算法，二者各有优劣；一阶段算法优势在于模型处理速度快，实时性较强，但精度不高，代表算法有yolo系列、SSD等；二阶段算法优势在于精度高，但训练速度慢，代表算法有Faster
‑
RCNN。
[0003]近年来，随着我国经济的飞速发展，无人机产业的应用需求不断扩大，这对无人机产业中检测技术的要求也进一步提高。当前无人机检测技术的主要问题在于不同高空飞行，目标尺度变化非常大，密集目标运动轨迹模糊，中、小型目标检测效果差，且由于无人机在检测过程中需要较快的检测和处理速度，所以本专利技术将提供一种基于改进yolov5目标检测算法，在实现高速检测和处理速度的同时，改进yolov5检测精度低、对中小目标检测效果差的缺点，实现无人机检测过程高速且精准的需求。

技术实现思路

[0004]为解决无人机在飞行过程中存在目标尺度变化大、密集目标运动轨迹模糊，中、小型目标检测效果差等问题，本专利技术提供了一种基于改进yolov5的无人机目标检测方法，包括以下步骤：
[0005]一种基于改进yolov5的无人机目标检测方法，其特征在于，包括以下步骤：
[0006]S1.采集无人机巡检图像集，对无人机巡检图像集中的每一张无人机巡检图像进行标注得到对应的标签文件，所有标签文件组成标签文件集；标签文件包括无人机巡检图像中目标的类别和目标框坐标；
[0007]S2.对标签文件集进行处理，将每一个标签文件转换为文本文件，并将其中的目标框坐标归一化得到归一化框坐标，所有的归一化框坐标组成归一化坐标集合；同时对无人机巡检图像集进行预处理得到预处理图像集；
[0008]S3.按比例划分预处理图像集及归一化坐标集合，得到训练集、验证集和测试集；将训练集馈入K
‑
means聚类算法，得到锚框样本；
[0009]S4.根据yolov5网络构建基于ECA的目标检测模型，通过训练集和锚框样本训练目标检测模型，采用总损失函数计算损失，反向传播更新网络参数；损失函数公式如下：
[0010]Loss＝a*loss
cls
+b*loss
box
+c*loss
confidence
[0011]其中，loss
cls
表示分类损失，loss
box
表示定位损失，loss
confidence
表示置信度损失，a、b、c分别对应三种损失的权重；
[0012]S5.基于soft
‑
nms算法设计一种shape
‑
nms算法，采用shape
‑
nms算法对训练完成的目标检测模型进行后处理，滤除冗余框；
[0013]S6.采用S5得到的目标检测模型进行无人机目标检测。
[0014]进一步的，基于ECA的目标检测模型包括backbone模块、neck模块和head模块，与原始yolov5网络结构相比，
[0015]backbone模块包括逐层连接的第一CBL层、第二CBL层、第一C3层、第三CBL层、第二C3层、第四CBL层、第三C3层、第五CBL层、第四C3层和SPP层，其中在SPP层引入ECA注意力模块；
[0016]neck模块除特征金字塔网络和路径聚合网络外，添加了一个生成新特征图的分支网络，该新特征图的尺寸为160
×
160；
[0017]head模块包括Xsmall、Small、Medium和Big四个输出。
[0018]进一步的，特征金字塔网络包括逐层连接的第六CBL层、第一上采样层、第一融合层、第五C3层、第七CBL层、第二上采样层、第二融合层和第六C3层；
[0019]分支网络包括逐层连接的第八CBL层、第三采样层、第三融合层、第七C3层；
[0020]路径聚合网络包括逐层连接的第九CBL层、第四融合层、第八C3层、第十CBL层、第五融合层、第九C3层、第十一CBL层、第六融合层、第十C3层；
[0021]其中第五C3层、第六C3层、第七C3层、第八C3层、第九C3层和第十C3层中均引入了ECA注意力模块。
[0022]进一步的，ECA注意力模块采用ECA注意力机制，其计算过程为：
[0023]S11.将输入的特征图进行全局平均池化；
[0024]S12.对S11的结果进行卷积核为1的卷积操作，并将卷积结果经过Sigmoid激活函数得到各通道的权重ω，计算公式为：
[0025]ω＝σ(C1D
k
(y))
[0026][0027]其中，σ表示Sigmoid激活函数，C1D
k
(y)表示一维卷积，D
k
(y)表示输入k维尺寸数，ψ(C)表示卷积尺寸变量，C表示通道数，b、γ表示实验系数；
[0028]S13.将权重与S11中输入特征图的对应元素相乘得到输出特征图。
[0029]进一步的，每一个上采样层的上采样方式为最邻近插值法。
[0030]进一步的，采用shape
‑
nms算法对任一个类别的候选框集合过滤冗余框的过程包括：
[0031]S21.设置置信度阈值、IOU阈值和shape阈值，目标检测模型输出的候选框集合用A1表示，候选框集合对应的置信度集合用S1表示，
[0032]S22.在置信度集合S1中选取最大置信度F，将该最大置信度F添加到预测框置信度集合S2中，在置信度集合S1中删除F；
[0033]S23.在候选框集合A1中找到与F对应的候选框B，将该候选框B添加到预测框集合A2中，在候选框集合A1中移除该候选框B；
[0034]S24.将候选框集合A1中剩余的候选框分别与候选框B计算Shape值，并判断Shape
值是否大于Shape阈值，若是，则将候选框的置信度降低，否则置信度不变；
[0035]S25.判断候选框集合A1中的候选框数量是否为1，若是，则进入步骤S26，否则返回步骤S22；
[0036]S26.将预测框集合A2中的候选框的置信度分别与置信度阈值作比较，若小于置信度阈值，则删除对应的候选框及其置信度，得到第二预测框集合A3；
[0037]S27.计算第二预测框集合中每两个候选框间的重合度，若重合度高于IOU阈值，则将两个候选框融合，最终得到一个融合框，该融合框的置信度为第二预测框集合A3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进yolov5的无人机目标检测方法，其特征在于，包括以下步骤：S1.采集无人机巡检图像集，对无人机巡检图像集中的每一张无人机巡检图像进行标注得到对应的标签文件，所有标签文件组成标签文件集；标签文件包括无人机巡检图像中目标的类别和目标框坐标；S2.对标签文件集进行处理，将每一个标签文件转换为文本文件，并将其中的目标框坐标归一化得到归一化框坐标，所有的归一化框坐标组成归一化坐标集合；同时对无人机巡检图像集进行预处理得到预处理图像集；S3.按比例划分预处理图像集及归一化坐标集合，得到训练集、验证集和测试集；将训练集馈入K
‑
means聚类算法，得到锚框样本；S4.根据yolov5网络构建基于ECA的目标检测模型，通过训练集和锚框样本训练目标检测模型，采用总损失函数计算损失，反向传播更新网络参数；损失函数公式如下：Loss＝a*loss
cls
+b*loss
box
+c*loss
confidence
其中，loss
cls
表示分类损失，loss
box
表示定位损失，loss
confidence
表示置信度损失，a、b、c分别对应三种损失的权重；S5.基于soft
‑
nms算法设计一种shape
‑
nms算法，采用shape
‑
nms算法对训练完成的目标检测模型进行后处理，滤除冗余框；S6.采用S5得到的目标检测模型进行无人机目标检测。2.根据权利要求1所述的一种基于改进yolov5的无人机目标检测方法，其特征在于，基于ECA的目标检测模型包括backbone模块、neck模块和head模块，与原始yolov5网络结构相比，backbone模块包括逐层连接的第一CBL层、第二CBL层、第一C3层、第三CBL层、第二C3层、第四CBL层、第三C3层、第五CBL层、第四C3层和SPP层，其中在SPP层引入ECA注意力模块；neck模块除特征金字塔网络和路径聚合网络外，添加了一个生成新特征图的分支网络，该新特征图的尺寸为160
×
160；head模块包括Xsmall、Small、Medium和Big四个输出。3.根据权利要求2所述的一种基于改进yolov5的无人机目标检测方法，其特征在于，特征金字塔网络包括逐层连接的第六CBL层、第一上采样层、第一融合层、第五C3层、第七CBL层、第二上采样层、第二融合层和第六C3层；分支网络包括逐层连接的第八CBL层、第三采样层、第三融合层、第七C3层；路径聚合网络包括逐层连接的第九CBL层、第四融合层、第八C3层、第十CBL层、第五融合层、第九C3层、第十一CBL层、第六融合层、第十C3层；其中第五C3层、第六C3层、第七C3层、第八C3层、第九C3层和...

【专利技术属性】
技术研发人员：张恒，程成，杭芹，赵洪坪，吕雪，何云玲，郭家新，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：