本发明专利技术公开了一种基于yolov5的遗留物小目标精准识别方法。该方法首先获取含有遗留物的小目标数据集，并划分为训练集和测试集。然后基于残差网络，将yolov5模型中骨干网络的特征信息输入Neck网络的特征融合层，并将注意力模块添加到融合层中，放大图像中小目标的信息。再构造损失函数，通过测试集，对加入残差和注意力模块的yolov5模型进行训练。最后将测试集输入步骤4训练好的yolov5模型，得到遗留物小目标的识别结果。本发明专利技术对遗留物中小目标的检测更加精准，速度也更快，使模型适用于各种小模型的目标检测。
【技术实现步骤摘要】
本专利技术属于深度学习中的目标检测领域，具体一种基于yolov5的遗留物小目标精准识别方法。
技术介绍
1、yolov5是目标检测领域中使用最广泛的模型之一，通过对不同的数据集的训练，使模型产生了一个权重，这可以使模型检测出与数据集类似的物品。yolov5是单阶段目标检测，检测速度较快，精度在同类模型中也比较高。
2、但是，当被检测的目标过小时，训练时所能提取到的特征较少，导致在检测时会漏检一些目标，准确率就不会特别高。在遗留物的检测和识别中，人们通常遗留的是小物品，这些物品可能由于过下导致传统模型不能检测出来，一般可以从两方面解决这个问题：1.在训练时尽量使用大目标训练。2.修改模型结构，使其在训练时提取更多的特征。本专利采取第二种方法，通过修改网络结构，添加注意力机制与更换损失函数，使模型能提取到更多的小目标特征。
技术实现思路
1、针对上述问题，本专利技术提出了一种基于yolov5的小目标精准识别方法，通过修改网络结构，添加注意力机制与更换损失函数，使模型能提取到更多的小目标特征。
2、本专利技术提供了一种基于yolov5的遗留物小目标精准识别方法，具体步骤如下：
3、步骤1：获取含有遗留物的小目标数据集，并划分为训练集和测试集。
4、步骤2：基于残差网络的思想，将yolov5模型中骨干网络的特征信息输入neck网络的特征融合层，有助于增强梯度的反向传播的同时，避免梯度衰减，减少小目标特征信息的损失，提取更多的特征。
>5、步骤3：将注意力模块添加到融合层中，放大图像中小目标的信息。对于小目标的检测，如果仅仅对原有图像进行提取，一定会提取出不少冗余特征。基于上述问题，本专利技术选择引入eca(encoder-context-attention)通道注意力机制这是一种用于机器翻译等自然语言处理任务的注意力模型。它在原始的注意力机制的基础上引入了编码器-上下文-注意力的概念，以改进模型的性能。本专利技术将eca注意模块添加到特征融合层中，放在neck层与output层之间，以此建立一种新的检测模型。6、步骤4：针对yolov5的回归损失问题，引入eiou损失函数替换原来损失函数，构造损失函数，减少回归损失，通过测试集，对加入残差和注意力模块的yolov5模型进行训练。
7、步骤5：将测试集输入步骤4训练好的yolov5模型，得到遗留物小目标的识别结果。
8、本专利技术还提供了一种基于yolov5的遗留物小目标精准识别装置，包括：存储器；以及与所述存储器连接的处理器，所述处理器被配置成用于上述方法。
9、本专利技术又提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被机器执行时实现上述的方法。
10、本专利技术有益效果：通过改进yolov5模型的框架，修改网络结构，融合注意力机制，更换损失函数，针对传统的yolov5模型解决不了图片或视频中目标过小而检测不到的问题，使模型对遗留物中小目标的检测更加精准，速度也更快，使模型适用于各种小模型的目标检测。
本文档来自技高网...
【技术保护点】
1.一种基于yolov5的遗留物小目标精准识别方法，其特征在于，包括一下步骤：
2.根据权利要求1所述的基于yolov5的遗留物小目标精准识别方法，其特征在于，步骤3具体为：引入通道注意力机制ECA，将ECA注意模块添加到特征融合层中，放在neck层与output层之间。
3.根据权利要求2所述的基于yolov5的遗留物小目标精准识别方法，其特征在于，步骤4所述构造损失函数具体为：引入EIOU损失函数，将其作为yolov5模型损失函数中的定位损失函数。
4.根据权利要求2所述的基于yolov5的遗留物小目标精准识别方法，其特征在于，步骤4所述损失函数具体如下：
5.根据权利要求4所述的基于yolov5的遗留物小目标精准识别方法，其特征在于，所述EIOU损失包括预测框和真实框的中心距离损失Ldis、预测框和真实框的重叠损失LIoU、预测框和真实框的宽和高损失Lasp。
6.基于yolov5的遗留物小目标精准识别装置，其特征在于，包括：存储器；以及与所述存储器连接的处理器，所述处理器被配置成用于执行权利要求1至5中任一项所述的方法。
7.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被机器执行时实现如权利要求1至5中任一项所述的方法。
...
【技术特征摘要】
1.一种基于yolov5的遗留物小目标精准识别方法，其特征在于，包括一下步骤：
2.根据权利要求1所述的基于yolov5的遗留物小目标精准识别方法，其特征在于，步骤3具体为：引入通道注意力机制eca，将eca注意模块添加到特征融合层中，放在neck层与output层之间。
3.根据权利要求2所述的基于yolov5的遗留物小目标精准识别方法，其特征在于，步骤4所述构造损失函数具体为：引入eiou损失函数，将其作为yolov5模型损失函数中的定位损失函数。
4.根据权利要求2所述的基于yolov5的遗留物小目标精准识别方法，其特征在...
【专利技术属性】
技术研发人员：魏贵义，戴卫，
申请(专利权)人：浙江工商大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。