一种基于改进的Yolov5水面目标检测方法及装置制造方法及图纸

本发明专利技术提供了一种基于改进的Yolov5水面目标检测方法及装置，其包括以下步骤：1)采集图像，经过数据增强后构造水面目标集；2)利用高斯滤波器对浅层特征图做平滑操作实现图像预处理；3)在Yolov5网络中嵌入多角度注意力机制，使得提取到的特征更丰富，改善普通方法导致的分辨率下降、局部信息丢失问题；4)特征尺度转换迁移融合Yolov5网络中进行特征处理；5)采用Distance

【技术实现步骤摘要】
一种基于改进的Yolov5水面目标检测方法及装置


[0001]本专利技术涉及计算机视觉领域以及检测领域，具体为一种基于改进的Yolov5水面目标检测方法及装置。

技术介绍

[0002]随着现代船舶技术的迅速发展和国家海洋强国战略目标的提出，海洋被提升到国家战略高度。从国内来看，我国的海岸线长、海洋资源环境条件良好，但当前的海洋资源总体利用开发程度不够高，海洋资源支撑国家社会经济发展的潜力巨大。从国际来看，海洋强国之间在海洋开发中竞争不断，我国的海洋建设也面临着种种国际挑战。为了更好地利用海洋资源、缓解现代社会发展对资源供给的迫切需求并提高在国际海洋竞争中的主动性，有关如何进一步地提高船舶的智能化水平、保障船舶的航行安全，正成为船舶领域研究的热点问题。随着物联网、云计算、人工智能等新理念的相继提出，以及传感器设备、计算机硬件水平的不断更新换代，目标检测技术发挥的作用越来越大。
[0003]但是目前的目标检测算法都存在一定的普适性，其对单一、简单的目标检测效果良好，而对多目标类型的检测能力较差。而水面目标检测任务中存在水面场景复杂、水上目标种类具有多样性且其类内差异较大、水面目标尺度分布差别较大和遮挡多等问题，这些问题会导致目标检测结果不理想。对水上目标进行正确的识别分类、提升目标检测的精度是研究重点，这对于后续实际应用具有重要意义。

技术实现思路

[0004]为解决上述问题，本专利技术提供一种基于改进的Yolov5水面目标检测方法及装置，利用高斯滤波做平滑操作，引入多角度注意力机制，将特征尺度转换迁移融合Yolov5网络，提高检测精度。
[0005]本专利技术提供一种基于改进的Yolov5水面目标检测方法，包括以下步骤：
[0006]步骤S1：使用无人船搭载的摄像机采集若干张水面环境图片，采用随机缩放、随机裁剪、随机排布、Mix Up和马赛克等方法进行数据增强，创建水面目标数据集；
[0007]步骤S2：引入高斯滤波，在PAN结构浅层特征与深层特征融合前，利用卷积核尺寸和方差较小的高斯滤波器对浅层特征图做平滑操作，这样既能保留有用的高频信息，又能减小高斯噪声对融合后特征的影响；
[0008]步骤S3：引入多角度注意力机制，首先将图像进行三次90
°
翻转，得到四组不同方位的样本，再分别对四组样本采用二维卷积进行特征提取，将四组提取到的特征进行拼接，通过二维卷积后再经过Batch Normalization和ReLU操作形成新的特征；对形成的新特征再进行180
°
翻转得到两组样本，其中，操作为拼接、卷积、归一、ReLU，输出提取的特征；
[0009]步骤S4：特征尺度转换迁移融合Yolov5网络，在保留特征的原始数据不被破坏的情况下变换特征图的尺度大小，将低级特征做特征尺度缩小处理，再通过卷积降维操作、卷积提取特征、卷积升维操作，最后与融合层相加作为后序网络的输入；
[0010]步骤S5：改进损失计算，采用Distance
‑
IoU loss方法对localization loss进行改进，加快收敛速度，消除边框冗余，同时对3个预测分支上的目标置信度损失先进性加权，然后进行相加，得到总的目标置信度损失，采用加权旨在提高目标的检测精度。
[0011]进一步地，所述步骤S1中，检测类别标签至少包括分类舰船、游艇、帆船、人类、鸟类和瓶子；
[0012]进一步地，所述步骤S3中，引入多角度注意力机制，首先将图像进行三次90
°
翻转，得到四组不同方位的样本，再分别对四组样本采用二维卷积进行特征提取，将四组提取到的特征进行拼接，通过二维卷积后再经过Batch Normalization和ReLU操作形成新的特征；对形成的新特征再进行180
°
翻转得到两组样本，分别对四组样本采用二维卷积进行特征提取，将两组特征进行拼接，通过二维卷积后再经过Batch Normalization和ReLU操作后输出；
[0013]进一步地，所述步骤S4中，特征尺度转换迁移融合Yolov5网络，保留特征的原始数据不被破坏的情况下变换特征图的尺度大小，将低级特征做特征尺度缩小操作，以采样因子为2进行下采样后，先经过1
×
1的卷积核进行卷积降维操作，然后通过3
×
3卷积核的卷积操作提取特征，再与融合层数量匹配的1
×
1的卷积核进行卷积升维操作，最后与融合层相加作为后序网络的输入；
[0014]进一步地，所述步骤S5中，采用Distance
‑
IoU loss函数计算损失，定义为：
[0015][0016]其中IoU为交并比，b和b
gt
代表预测框,真实框的中心点，ρ(
·
)代表欧几里得距离，而c是覆盖两个框的最小包围框的对角线长度。
[0017]本专利技术提供一种水面目标检测装置，所述装置包括：
[0018]图像预处理模块，被配置为获取若干张图片，分别对各张图片随机缩放、随机裁剪、随机排布、Mix Up和马赛克进行数据增强，并进行图片和先验框的拼接；
[0019]高斯滤波模块，在PAN结构中将浅层特征与深层特征融合前，先利用卷积核尺寸和标准方差较小的高斯滤波器对浅层特征图做一个很小的平滑操作，这样既能保留有用的高频信息，又能减小高斯噪声对融合后特征的影响；
[0020]多角度注意力机制模块，将图像进行翻转，得到多组不同方位样本，再对样本采用二维卷积分别进行特征提取，将提取到的特征进行拼接后再通过二维卷积、BN层、ReLU函数，形成新特征；对新特征翻转后与新特征拼接，采用相同操作完成特征提取。多角度注意力机制模块旨在处理一些复杂背景问题的时候，减少重回按错检漏检的问题；
[0021]特征尺度转换模块，迁移融合Yolov5网络，保留特征的原始数据不被破坏的情况下变换特征图的尺度大小，将低级特征做特征尺度缩小操作后进行卷积降维处理，然后经过卷积操作提取特征，再进行卷积升维，最后与融合层相加作为后序网络的输入；
[0022]损失计算模块，被配置为采用DIoU损失函数来计算localization loss，并于其他损失结合，以改善由于样本分类不均导致的过拟合与准确度低的问题，提升检测框的回归精度，得到最终的目标检测网络。
[0023]本专利技术的有益效果：
[0024]1、引入高斯滤波，在PAN结构浅层特征与深层特征融合前，利用高斯滤波器对浅层
特征图做平滑操作，既能保留有用的高频信息，又能减小高斯噪声对融合后特征的影响；引入多角度注意力机制，对图像进行多次翻转并采用ReLU操作，多方位提取特征，使提取到的特征更加丰富，改善普通方法导致分辨率下降、局部信息丢失的问题，有利于后续检测与分类、提高识别准确度；
[0025]2、采用Distance
‑
IoU loss方法，在与目标框不重叠时，仍然可以为边界框提供移动方向并加本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的Yolov5水面目标检测方法，其特征在于，包括以下步骤：步骤S1：使用无人船搭载的摄像机采集若干张水面环境图片，采用随机缩放、随机裁剪、随机排布、Mix Up和马赛克等方法进行数据增强，创建水面目标数据集；步骤S2：引入高斯滤波，在PAN结构浅层特征与深层特征融合前，利用卷积核尺寸和方差较小的高斯滤波器对浅层特征图做平滑操作，这样既能保留有用的高频信息，又能减小高斯噪声对融合后特征的影响；步骤S3：引入多角度注意力机制；骤S4：特征尺度转换迁移融合Yolov5网络，在保留特征的原始数据不被破坏的情况下变换特征图的尺度大小，将低级特征做特征尺度缩小处理，再通过卷积降维操作、卷积提取特征、卷积升维操作，最后与融合层相加作为后序网络的输入；步骤S5：改进损失计算，采用Distance
‑
IoU loss方法对localization loss进行改进，加快收敛速度，消除边框冗余，同时对3个预测分支上的目标置信度损失先进性加权，然后进行相加，得到总的目标置信度损失，采用加权旨在提高目标的检测精度。2.根据权利要求1所述的一种基于Yolov5的水面目标检测方法，其特征在于：所述步骤S1中，方法的检测类别标签至少包括分类舰船、游艇、帆船、人类、鸟类和瓶子。3.根据权利要求1所述的一种基于Yolov5的水面目标检测方法，其特征在于，在所述步骤3中，构建的多角度注意力机制包括以下步骤：步骤3.1：将图像进行三次90
°
翻转，得到四组不同方位的样本，再分别对四组样本采用二维卷积进行特征提取，将四组提取到的特征进行拼接，通过二维卷积后再经过Batch Normal ization和ReLU操作形成新的特征；步骤3.2：对形成的新特征再进行180
°
翻转得到两组样本，分别对四组样本采用二维卷积进行特征提取，将两组特征进行拼接，通过二维卷积后再经过Batch Normalization和ReLU操作后输出。4.根据权利要求1所述的一种基于Yolov5的水面目标检测方法，其特征在于：所述步骤S4具体包括以下过程：以采样因子为2进行...

【专利技术属性】
技术研发人员：金世俊，杨怡，
申请(专利权)人：东南大学，
类型：发明
国别省市：