基于改进制造技术

本发明专利技术提供了一种基于改进

【技术实现步骤摘要】
基于改进YOLOv5的目标检测方法、装置及电子设备


[0001]本专利技术涉及遥感图像目标检测
，尤其是涉及一种基于改进
YOLOv5
的目标检测方法
、
装置及电子设备
。

技术介绍

[0002]针对小目标检测是遥感图像目标检测中的一个重要问题，因为在遥感图像中，很多目标的尺寸都比较小，这对目标检测算法提出了更高的要求
。
目前采用的深度学习算法主要包括二阶段检测算法如
R
‑
CNN、Faster R
‑
CNN
以及单阶段检测算法
SSD、YOLO
等，这些算法直接使用在遥感图像的检测性能不佳，虽然也有针对小目标的算法改进，但也并未针对遥感及无人机图像中的目标的特征进行针对性的改进，导致即使使用目前的优化的算法，也并不能对遥感及无人机图像的目标检测性能有明显的提升
。
[0003]现有的遥感图像目标检测技术主要是针对普通小目标单纯增加一个检测层，来提高对小目标的检测能力，但由于小目标的特征很少同时目标框内的噪声比重较大，导致对小目标的检测并没有明显的提升
。
[0004]整体而言，现有的遥感图像的目标检测方法的精度偏低
。

技术实现思路

[0005]本专利技术的目的在于提供一种基于改进
YOLOv5
的目标检测方法
、
装置及电子设备，以缓解现有技术中遥感图像目标过小且目标框内的噪声比重较大的问题，从而提升遥感图像的目标检测精度
。
[0006]第一方面，本专利技术实施例提供了一种基于改进
YOLOv5
的目标检测方法，包括：获取待检测遥感图像；将上述待检测遥感图像输入预先训练好的基于
YOLOv5
的目标检测模型中，输出上述待检测遥感图像的目标检测结果；上述基于
YOLOv5
的目标检测模型通过采用旋转目标框进行标注的
VEDAI
遥感数据进行训练得到；根据上述目标检测结果，确定上述待检测遥感图像中的目标物体
。
[0007]在本专利技术较佳的实施方式中，上述基于
YOLOv5
的目标检测模型基于下述步骤训练得到：获取初始
VEDAI
遥感图像数据；运用图像标注工具对上述初始
VEDAI
遥感图像数据中的目标物体采用旋转目标框进行标注，得到携带有标注信息的预处理图像；基于预设比例将上述预处理图像划分为训练集
、
验证集及测试集；将上述训练集输入采用
YOLOv5
网络搭建的初始目标检测模型进行训练，直到达到预设的训练结束标准，得到第一中间检测模型；将上述验证集输入上述第一中间检测模型进行验证，直到达到预设的验证结束标准，得到第二中间检测模型；将上述测试集输入上述第二中间检测模型进行验证，直到达到预设的测试结束标准，得到基于
YOLOv5
的目标检测模型
。
[0008]在本专利技术较佳的实施方式中，上述的初始目标检测模型通过下述步骤进行搭建：获取
YOLOv5
网络；在上述
YOLOv5
网络中增加预设尺寸的目标检测层，得到中间
YOLOv5
网络；在上述中间
YOLOv5
网络的函数存储文件增加预设的注意力检测代码，并在上述中间
YOLOv5
网络的函数调用文件的第二次下采样的第一调用指令后增加上述注意力检测代码的第二调用指令，得到基于注意力模块的
YOLOv5
网络；设置上述基于注意力模块的
YOLOv5
网络的配置信息，得到配置后的注意力模块的
YOLOv5
网络；根据上述配置后的注意力模块的
YOLOv5
网络确定初始目标检测模型
。
[0009]在本专利技术较佳的实施方式中，上述注意力检测代码对应的池化方式为全局最大池化
。
[0010]在本专利技术较佳的实施方式中，根据上述配置后的注意力模块的
YOLOv5
网络，确定初始目标检测模型的步骤，包括：基于预设的权重参数表达式以及预设的超参数，调整上述配置后的注意力模块的
YOLOv5
网络的损失函数中的目标框回归损失和角度分类损失的权重，并在上述目标框回归损失增加预设的基于特征的第一损失函数，得到调整后的第二损失函数；基于上述第二损失函数，确定改进
YOLOv5
网络；将上述改进
YOLOv5
网络确定为初始目标检测模型
。
[0011]在本专利技术较佳的实施方式中，上述配置信息包括：上述基于注意力模块的
YOLOv5
网络的先验框参数
、
特征提取参数
、
类别预测参数
。
[0012]在本专利技术较佳的实施方式中，上述特征提取参数包括：与上述注意力检测代码对应的注意力模块参数
。
[0013]在本专利技术较佳的实施方式中，将上述测试集输入上述第二中间检测模型进行验证，直到达到预设的测试结束标准，得到基于
YOLOv5
的目标检测模型的步骤之后，上述方法还包括：对上述基于
YOLOv5
的目标检测模型进行性能评价，确定上述基于
YOLOv5
的目标检测模型的平均精确度
。
[0014]第二方面，本专利技术实施例提供了一种基于改进
YOLOv5
的目标检测装置，包括：数据获取模块，用于获取待检测遥感图像；模型检测模块，用于将上述待检测遥感图像输入预先训练好的基于
YOLOv5
的目标检测模型中，输出上述待检测遥感图像的目标检测结果；上述基于
YOLOv5
的目标检测模型通过采用旋转目标框进行标注的
VEDAI
遥感数据进行训练得到；目标物体确定模块，用于根据上述目标检测结果，确定上述待检测遥感图像中的目标物体
。
[0015]第三方面，本专利技术实施例提供了一种电子设备，上述电子设备包括处理器和存储器，上述存储器存储有能够被上述处理器执行的计算机可执行指令，上述处理器执行上述计算机可执行指令以实现第一方面至第一方面的第七种可能的实施方式任一项上述的基于改进
YOLOv5
的目标检测方法
。
[0016]本专利技术实施例具有下述有益技术效果：
[0017]本专利技术实施例提供了一种基于改进
YOLOv5
的目标检测方法
、
装置及电子设备，包括：获取待检测遥感图像；将上述待检测遥感图像输入预先训练好的基于
YOLOv5
的目标检测模型中，输出上述待检测遥感图像的目标检测结果；上述基于
YOLOv5
的目标检测模型通过采用旋转目标框进行标注的
V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
的目标检测方法，其特征在于，包括：获取待检测遥感图像；将所述待检测遥感图像输入预先训练好的基于
YOLOv5
的目标检测模型中，输出所述待检测遥感图像的目标检测结果；所述基于
YOLOv5
的目标检测模型通过采用旋转目标框进行标注的
VEDAI
遥感数据进行训练得到；根据所述目标检测结果，确定所述待检测遥感图像中的目标物体
。2.
根据权利要求1所述的基于改进
YOLOv5
的目标检测方法，其特征在于，所述基于
YOLOv5
的目标检测模型基于下述步骤训练得到：获取初始
VEDAI
遥感图像数据；运用图像标注工具对所述初始
VEDAI
遥感图像数据中的目标物体采用旋转目标框进行标注，得到携带有标注信息的预处理图像；基于预设比例将所述预处理图像划分为训练集
、
验证集及测试集；将所述训练集输入采用
YOLOv5
网络搭建的初始目标检测模型进行训练，直到达到预设的训练结束标准，得到第一中间检测模型；将所述验证集输入所述第一中间检测模型进行验证，直到达到预设的验证结束标准，得到第二中间检测模型；将所述测试集输入所述第二中间检测模型进行验证，直到达到预设的测试结束标准，得到基于
YOLOv5
的目标检测模型
。3.
根据权利要求2所述的基于改进
YOLOv5
的目标检测方法，其特征在于，所述的初始目标检测模型通过下述步骤进行搭建：获取
YOLOv5
网络；在所述
YOLOv5
网络中增加预设尺寸的目标检测层，得到中间
YOLOv5
网络；在所述中间
YOLOv5
网络的函数存储文件增加预设的注意力检测代码，并在所述中间
YOLOv5
网络的函数调用文件的第二次下采样的第一调用指令后增加所述注意力检测代码的第二调用指令，得到基于注意力模块的
YOLOv5
网络；设置所述基于注意力模块的
YOLOv5
网络的配置信息，得到配置后的注意力模块的
YOLOv5
网络；根据所述配置后的注意力模块的
YOLOv5
网络，确定初始目标检测模型
。4.
根据权利要求3所述的基于改进
YOLOv5
的目标检测方法，其特征在于，所述注意力检测代码对应的池化方式为全局最大池化
...

【专利技术属性】
技术研发人员：于忠杰，宗孝鹏，韩晓明，蔡振，钟昊，
申请(专利权)人：佳讯飞鸿北京智能科技研究院有限公司，
类型：发明
国别省市：