基于YoloV5改进模型的汽车保险丝目标检测方法技术

本发明专利技术公开了一种基于YoloV5改进模型的汽车保险丝目标检测方法，其可实现图像中小目标保险丝有效识别，可提高目标检测准确性，该方法基于YoloV5改进模型实现，检测步骤包括：采集待测汽车保险丝原始图像，对原始图像中不同保险丝进行数据标注，将标注图像划分为训练集、测试集，将训练集导入YoloV5改进模型中进行训练，获取YoloV5改进模型，训练步骤包括：提取深层特征，将提取出的深层特征与浅层特征进行特征融合，对融合图像进行解耦，获取检测目标；基于YoloV5改进模型，对测试集进行目标检测，获取测试集的检测目标，若测试集检测目标与测试集实际目标一致，则表明检测准确，反之，则表明检测不准确。则表明检测不准确。则表明检测不准确。

【技术实现步骤摘要】
基于YoloV5改进模型的汽车保险丝目标检测方法


[0001]本专利技术涉及汽车保险丝检测
，具体为一种基于YoloV5改进模型的汽车保险丝目标检测方法。

技术介绍

[0002]汽车保险丝是一种用于保护汽车内部电路的设备，当电路电流超过保险丝额定电流时，保险丝会自动熔断，起到电路保护的作用。汽车保险丝生产时，需要将保险丝安装于保险丝盒1内，但实际加工生产过程中，极易出现保险丝2安装错误等问题，若将安装错误的保险丝用于汽车内，则无法起到电路保护作用，甚至可能因保险丝无法正常熔断而引起严重事故。因此，需要对保险丝盒内的保险丝进行检测。
[0003]传统的保险丝目标检测主要基于图像处理技术实现，但保险丝盒内背景较为复杂，对保险丝位置、光线亮度以及相机拍摄角度等具有严格要求，适应性较差。另外，在图像处理过程中，常采用图像拼接等方式对目标进行拼接处理，然后再通过图像分割、模板匹配等方式获取图像中保险丝目标，图像拼接使图像中面积较小的保险丝与面积较大的保险丝拼接为一体，导致后续目标检测时，无法实现小目标保险丝的有效识别，严重影响了保险丝目标检测准确性。

技术实现思路

[0004]针对现有技术中存在的保险丝目标检测准确性差的技术问题，本专利技术提供了一种基于YoloV5改进模型的汽车保险丝目标检测方法，其可实现图像中小目标保险丝的有效识别，可提高保险丝目标检测准确性。
[0005]为实现上述目的，本专利技术采用如下技术方案：
[0006]一种基于YoloV5改进模型的汽车保险丝目标检测方法，其特征在于，该方法基于YoloV5改进模型实现，具体步骤包括：
[0007]S1、使用工业相机采集待测汽车保险丝的原始图像；
[0008]S2、对所述原始图像中不同保险丝进行数据标注，获取标注图像；
[0009]S3、将所述标注图像划分为训练集、测试集；
[0010]S4、将所述训练集导入YoloV5改进模型中进行训练，获取YoloV5改进模型，训练步骤包括：
[0011]S41、在YoloV5模型中添加深层特征提取模块，提取深层特征；
[0012]S42、将提取出的深层特征与浅层特征进行特征融合，获取融合图像；
[0013]S43、对所述融合图像进行解耦，获取检测目标，实现YoloV5改进模型训练；
[0014]S5、基于建立的所述YoloV5改进模型，对所述测试集进行目标检测，获取测试集的检测目标；
[0015]S6、将测试集的检测目标与实际目标进行对比，判断检测准确性，若测试集的检测目标与测试集的实际目标一致，则表明检测准确，反之，则表明检测不准确。
[0016]其进一步特征在于，
[0017]所述YoloV5改进模型包括：特征提取和目标检测，其中，特征提取包括卷积模块、SPPF模块、特征耦合，所述卷积模块用于将原始图像中的特征处理为深层特征；SPPF模块用于对所述深层特征进行增强处理，
[0018]步骤S1中，所述原始图像为灰度图；
[0019]步骤S2中，使用图像标注工具(labelimg)对所述原始图像中不同保险丝进行标注，获取所述标注图像；
[0020]步骤S3中，将所述标注图像按比例7：3划分为训练集、测试集；
[0021]步骤S41中，所述深层特征提取模块包括所述卷积模块、SPPF模块，依次采用卷积模块、SPPF模块对所述标注图像进行分割、增强；
[0022]步骤S41中，深层特征为所述标注图像中的1/64尺度大小特征信息；
[0023]步骤S43中，所述解耦处理包括目标分类、目标回归，对所述融合图像进行解耦指：依次采用目标分类、目标回归对所述融合图像中不同层次的保险丝目标进行识别、定位，获取训练集的检测目标；
[0024]其中，不同层次的保险丝目标指图像中不同面积大小的保险丝目标。
[0025]采用本专利技术上述方法可以达到如下有益效果：本申请基于YoloV5改进模型对汽车保险丝进行检测，在YoloV5改进模型训练过程中，使用深层特征提取模块，提取标注图像中的深层特征信息，深层特征信息保留了图像中更加细化的图像特征信息，更加细化的图像特征信息主要用于表征面积较小的保险丝目标，从而防止了面积较小的保险丝目标未被有效识别而导致目标检测准确性降低的问题出现，因此，YoloV5改进模型中，深层特征信息的提取，有利于提高保险丝目标检测准确性。
[0026]本申请YoloV5改进模型中采用了特征融合方法，特征融合方法能够针对不同层次的目标信息进行分别处理，有利于识别和定位不同层次的目标信息，从而确保了原始图像中面积较小的保险丝被有效识别，提高了保险丝目标检测准确性。
附图说明
[0027]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0028]图1为本专利技术汽车保险丝检测方法的流程图；
[0029]图2为原始YoloV5模型的结构图；
[0030]图3为本专利技术改进YoloV5模型的结构图；
[0031]图4为在工业场景下通过相机获取的汽车保险丝示意图；
[0032]图5为采用原YoloV5模型与改进YoloV5模型对汽车保险丝的目标检测结果的对比效果图。
具体实施方式
[0033]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是
本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0034]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0035]本申请将汽车保险丝作为检测目标，镜子的镜面为高反光区域，采用工业相机采集汽车保险丝图像，并基于模型对汽车保险丝图像进行目标检测，常规的用于汽车保险丝检测的模型是YoloV5模型，其中YoloV5模型是一种常用的目标检测算法，该算法主要使用全卷积网络进行目标检测，见图2，原始YoloV5模型的结构包括特征提取、特征拼接和目标检测，其输入是一帧640pixel
×
640pixel的工业相机采集图像。
[0036]原始YoloV5模型的特征提取主要通过Focus模块、一系列特定卷积模块、空间金字塔池化(SPP模块)模块依次处理实现，特征提取的具体步骤包括：首先，通过聚焦(Focus)模块将原本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YoloV5改进模型的汽车保险丝目标检测方法，其特征在于，该方法基于YoloV5改进模型实现，具体步骤包括：S1、使用工业相机采集待测汽车保险丝的原始图像；S2、对所述原始图像中不同保险丝进行数据标注，获取标注图像；S3、将所述标注图像划分为训练集、测试集；S4、将所述训练集导入YoloV5改进模型中进行训练，获取YoloV5改进模型，训练步骤包括：S41、在YoloV5模型中添加深层特征提取模块，提取深层特征；S42、将提取出的深层特征与浅层特征进行特征融合，获取融合图像；S43、对所述融合图像进行解耦，获取检测目标，实现YoloV5改进模型训练；S5、基于建立的所述YoloV5改进模型，对所述测试集进行目标检测，获取测试集的检测目标；S6、将测试集的检测目标与实际目标进行对比，判断检测准确性，若测试集的检测目标与测试集的实际目标一致，则表明检测准确，反之，则表明检测不准确。2.根据权利要求1所述的基于YoloV5改进模型的汽车保险丝目标检测方法，其特征在于，步骤S1中，所述原始图像为灰度图。3.根据权利要求1所述的基于YoloV5改进模型的汽车保险丝目标检测方法，其特征在于，步骤S2中，使用图像标注工具对所述原始图像中不同保险丝进行标注，获取所述...

【专利技术属性】
技术研发人员：刘国营，陈鹏飞，席云斌，葛继，
申请(专利权)人：无锡图创智能科技有限公司，
类型：发明
国别省市：