一种基于YOLOv5的智能电厂小目标检测方法及系统技术方案

本发明专利技术公开了一种基于YOLOv5的智能电厂小目标检测方法及系统，构建增加anchor机制，并重构输出端的YOLO v5网络训练模型；利用训练数据集对YOLO v5网络训练模型进行训练，再利用验证数据集对训练好的YOLO v5网络训练模型进行验证，保存最优模型权重的YOLO v5网络训练模型；将测试数据集输入步骤S3得到的YOLO v5网络训练模型中，实现小目标检测；本发明专利技术将成熟的深度学习视频目标检测算法YOLO v5通过合理改进，应用于光伏场站9类异常目标的实时检测与预警分析，以提高光伏电站发电的生产作业安全性，并为光伏电站赋能，提升安全生产的智能管控水平。智能管控水平。智能管控水平。

【技术实现步骤摘要】
一种基于YOLOv5的智能电厂小目标检测方法及系统


[0001]本专利技术属于目标检测
，具体涉及一种基于YOLOv5的智能电厂小目标检测方法及系统。

技术介绍

[0002]智慧安全是指基于明智的理论、依循科学的规律、应用智能的工具，实施本质安全战略、综合治理对策、系统防范工程，在生产、生活、生存中达到的一种理想、理智、合理的安全状态或水平。在工业生产和建设中，安全问题永远是重中之重，除了相关的安全理论普及教育，实践过程中，对危险因素的监控与规避，一直是保障工人安全的必要手段。在实际生产中，如果没有规范穿戴安全帽、工作服，在施工过程中将会产生严重的安全隐患，直接威胁到工人的生命安全。此外，对烟雾、明火和易燃物的预警也十分必要，每年因火灾导致的生命财产损失触目惊心，火警防护工作不容小视。
[0003]模型方法选择的必要性：目标检测技术的引入，可以充分发挥机器学习算法的优势，快速准确地实现预警，最大限度地降低事故发生导致的生命财产损失。
[0004]目前，针对数据集层面：现有技术缺乏烟雾烟火的小目标数据集，大多为大目标的烟雾烟火数据，这与我们想要实现的预警不符，实用意义不大；针对模型层面：现有的目标检测算法对于大目标的物体检测效果比较好，但对于小目标的物体检测效果较差。

技术实现思路

[0005]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于YOLOv5的智能电厂小目标检测方法及系统，用于解决小目标物体检测效果差的技术问题。
[0006]本专利技术采用以下技术方案：
[0007]一种基于YOLOv5的智能电厂小目标检测方法，包括以下步骤：
[0008]S1、采集数据集并标注训练数据集、验证数据集和测试数据集；
[0009]S2、构建增加锚框anchor机制，并重构输出端的YOLO v5网络训练模型；
[0010]S3、利用步骤S1得到的训练数据集对步骤S2得到的YOLO v5网络训练模型进行训练，再利用步骤S1得到的验证数据集对训练好的YOLO v5网络训练模型进行验证，保存最优模型权重的YOLO v5网络训练模型；
[0011]S4、将步骤S1得到的测试数据集输入步骤S3得到的最优模型权重的YOLO v5网络训练模型中，实现小目标检测。
[0012]具体的，步骤S1具体为：
[0013]S101、采集PASCAL VOC数据集和MS
‑
COCO数据集，并将PASCAL VOC数据集转换为COCO格式；
[0014]S102、从步骤S101得到的数据集中收集工服数据集、安全帽数据集、烟雾数据集、火焰数据集、垃圾瓶数据集、人体数据集、反光衣数据集、非工服数据集和人体头部数据集；
[0015]S103、将步骤S102得到的工服数据集、安全帽数据集、烟雾数据集、火焰数据集、垃
圾瓶数据集和人体头部数据集按比例分割为训练数据集、验证数据集和测试数据集。
[0016]进一步的，步骤S102中，当步骤S101得到的数据集中有标注好的标签，将标签数据统一转换为COCO格式并导出；当步骤S101得到的数据集中只有图片数据，使用LabelImage工具对图片数据进行标注，并导出为COCO格式的标签。
[0017]进一步的，步骤S103中，训练数据集占总数据集的76％，验证数据集占总数据集的15％，测试数据集占总数据集的9％。
[0018]具体的，步骤S2中，YOLO v5网络训练模型包括输入端、骨干网络、颈部网络和输出端，输入端采用马赛克数据增强、自适应图片缩放和自适应锚框计算方式对输入的数据进行数据增强和数据预处理；骨干网络采用Focus模块、CSP模块和SPP模块对输入图像的特征进行提取；颈部网络采用FPN+PAN结构聚合不同尺度的特征；输出端用于获取特征映射，并利用颈部网络获取的聚合特征映射预测边界框和类。
[0019]进一步的，骨干网络使用CSP1，CSP1中的输入分为两个分支，一个分支先通过CBL，经过包括多个残差结构的残差单元模块Resunit，再进行一次卷积；另一个分支直接进行卷积；然后将两个分支进行级联，再经过BN层和SiLU激活函数，最后进行一次CBL；
[0020]颈部网络使用CSP2，CSP2将CSP1中的Resunit转换成2X个CBL；骨干网络的SPP模块通过一个标准卷积模块将输入通道减半，然后分别做池化核大小为5、9、13的最大池化操作；填充padding以适应不同的核大小，对三次最大池化的结果与未进行池化操作的数据进行级联操作，最终合并得到原通道2倍的通道数。
[0021]进一步的，输出端采用shape规则匹配，计算候选框bbox和当前层锚框anchor的宽高比，当宽高比例大于设定阈值时，过滤后的候选框bbox作为背景；计算剩余能够与锚框anchor匹配的候选框bbox所在的网格，根据四舍五入规则找出最近的两个网格，将与锚框anchor匹配的候选框bbox所在的网格，以及相邻的两个网格与预测对应的候选框bbox关联，作为负责预测候选框bbox的网格。
[0022]更进一步的，输出端在第17层后，继续对特征图进行上采样处理；将第20层获取到的大小为160*160的特征图与骨干网络中第2层的特征图进行级联融合操作；在第31层设置小目标检测层，一共使用四层[21，24，27，30]进行检测。
[0023]进一步的，输出端采用Bounding box损失函数，具体为：
[0024][0025]其中，IOU为预测框与真实框的交集A和并集B之比；Distance_2为预测框与真实框的两个中心点的欧式距离；C为预测框与真实框的交集A和并集B的最小外接矩形，Distance_C为C的对角线距离；ν是衡量长宽比一致性的参数。
[0026]第二方面，本专利技术实施例提供了一种基于YOLOv5的智能电厂小目标检测系统，包括：
[0027]数据模块，采集公开数据集并标注训练数据集、验证数据集和测试数据集；
[0028]重构模块，构建增加锚框anchor机制，并重构输出端的YOLO v5网络训练模型；
[0029]训练模块，利用数据模块得到的训练数据集对重构模块得到的YOLO v5网络训练模型进行训练，再利用数据模块得到的验证数据集对训练好的YOLO v5网络训练模型进行
验证，保存最优模型权重的YOLO v5网络训练模型；
[0030]检测模块，将数据模块得到的测试数据集输入训练模块得到的最优模型权重的YOLO v5网络训练模型中，实现小目标检测。
[0031]与现有技术相比，本专利技术至少具有以下有益效果：
[0032]一种基于YOLOv5的智能电厂小目标检测方法，构建增加anchor机制，并重构输出端的YOLO v5网络训练模型；利用训练数据集对YOLO v5网络训练模型进行训练，再利用验证数据集对训练好的YOLO v5网络训练模型进行验证，保存最优模型权重的YOLO v5网络训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv5的智能电厂小目标检测方法，其特征在于，包括以下步骤：S1、采集数据集并标注训练数据集、验证数据集和测试数据集；S2、构建增加锚框anchor机制，并重构输出端的YOLO v5网络训练模型；S3、利用步骤S1得到的训练数据集对步骤S2得到的YOLO v5网络训练模型进行训练，再利用步骤S1得到的验证数据集对训练好的YOLO v5网络训练模型进行验证，保存最优模型权重的YOLO v5网络训练模型；S4、将步骤S1得到的测试数据集输入步骤S3得到的最优模型权重的YOLO v5网络训练模型中，实现小目标检测。2.根据权利要求1所述的基于YOLOv5的智能电厂小目标检测方法，其特征在于，步骤S1具体为：S101、采集PASCAL VOC数据集和MS
‑
COCO数据集，并将PASCAL VOC数据集转换为COCO格式；S102、从步骤S101得到的数据集中收集工服数据集、安全帽数据集、烟雾数据集、火焰数据集、垃圾瓶数据集、人体数据集、反光衣数据集、非工服数据集和人体头部数据集；S103、将步骤S102得到的工服数据集、安全帽数据集、烟雾数据集、火焰数据集、垃圾瓶数据集和人体头部数据集按比例分割为训练数据集、验证数据集和测试数据集。3.根据权利要求2所述的基于YOLOv5的智能电厂小目标检测方法，其特征在于，步骤S102中，当步骤S101得到的数据集中有标注好的标签，将标签数据统一转换为COCO格式并导出；当步骤S101得到的数据集中只有图片数据，使用LabelImage工具对图片数据进行标注，并导出为COCO格式的标签。4.根据权利要求2所述的基于YOLOv5的智能电厂小目标检测方法，其特征在于，步骤S103中，训练数据集占总数据集的76％，验证数据集占总数据集的15％，测试数据集占总数据集的9％。5.根据权利要求1所述的基于YOLOv5的智能电厂小目标检测方法，其特征在于，步骤S2中，YOLO v5网络训练模型包括输入端、骨干网络、颈部网络和输出端，输入端采用马赛克数据增强、自适应图片缩放和自适应锚框计算方式对输入的数据进行数据增强和数据预处理；骨干网络采用Focus模块、CSP模块和SPP模块对输入图像的特征进行提取；颈部网络采用FPN+PAN结构聚合不同尺度的特征；输出端用于获取特征映射，并利用颈部网络获取的聚合特征映射预测边界框和类。6.根据权利要求5所述的基于YOLOv5的智能电厂小目标检测方法，其特征在于，骨干网络使用CSP1，CSP1中的输入分为两个分支，一个分支先通...

【专利技术属性】
技术研发人员：杨端，孙建永，薛江，韩志英，孙曼，王鑫，谭金鑫，谢国庆，石唯怡，徐代，
申请(专利权)人：西安君能清洁能源有限公司，
类型：发明
国别省市：