【技术实现步骤摘要】
本专利技术属于深度学习目标检测，特别是涉及一种基于yolov5s改进的目标检测方法及系统。
技术介绍
1、近年来，我国社会各个方面迎来了飞速发展，但与此同时，经济建设和城市化建设也带来了一系列环境问题。据调查，每年城市和农村的垃圾量多达上亿吨，严重超出了现有垃圾处理系统可以承受的最大负荷。目前我国垃圾处理的方法主要是通过填埋和焚烧处理。随着生活垃圾不断增加，现阶段的填埋空间已经不能满足垃圾填埋的需求，而且填埋和焚烧也会对环境造成二次污染。面对如此严峻的形势，我们必须从源头开始对垃圾进行分类处理。近年来，北京、上海等城市颁布了生活垃圾管理条例，通过一系列政策，加深了居民对垃圾分类的理解，并使其加入到垃圾分类的行动中。但是现阶段的垃圾分类主要依靠小区垃圾回收站志愿者的监督或者回收后垃圾站的人工分拣。因此，需要科学化、自动化、智能化的垃圾分类方法。
2、当前主流的垃圾分类算法可以识别多种垃圾种类并具有实时性，但对垃圾与垃圾之间存在的遮挡问题没有很好的解决办法。所以本专利技术建立了垃圾图片数据集，对yolov5s网络模型进行改进，提出了基于yolov5s改进的目标检测方法及系统，可以实时识别垃圾的种类并对垃圾与垃圾之间存在的遮挡问题也有一定程度的缓解，从而在减少人工投入的同时提高了垃圾分类的准确性，极具应用场景和市场价值。
技术实现思路
1、本专利技术目的在于解决现有技术中存在的问题，提供一种基于yolov5s改进的目标检测方法及系统。本系统可以实时检测图片或者视频流中垃圾的名
2、为了实现本专利技术目的，本专利技术公开了一种基于yolov5s改进的目标检测方法，包括以下步骤：
3、s1、制作数据集，获取垃圾图片，对获取的垃圾图片进行图像数据清洗后形成垃圾图像数据，并对垃圾图像数据集进行数据增强；对垃圾图像数据进行标注后分为训练集和测试集；
4、s2、构建目标检测模型，模型使用mobilenetv3或shufflenetv2或ghost三种轻量化网络进行轻量化改进；随后，改进后模型中加入se或cbam或ca注意力机制，以提高相互遮挡垃圾的识别率；
5、s3、将s1中得到的垃圾训练集图像送入s2构建的目标检测模型训练，经过多次迭代训练后，得到改进的垃圾检测模型；
6、s4、将测试集输入到训练好的目标检测模型中，得到模型的输出结果以及模型的性能指标；
7、s5、运行垃圾分类模型，进行垃圾目标检测。
8、进一步地，步骤s1中，首先，拍摄生活中产生的垃圾图片，并上网爬虫垃圾图片；再对所得的垃圾图片进行去除模糊图片、去除相似图片和去除已损坏图片的图像数据清洗；然后，针对垃圾图片中普遍存在的遮挡问题对清洗后的垃圾图片使用随机擦除的数据增强方法；最后，根据《南京市垃圾分类管理办法》将得到垃圾图片分为可回收垃圾、厨余垃圾、有害垃圾和其他垃圾四类。
9、进一步地，步骤s2中，改进后的yolov5s网络模型除了将yolov5s主干网络cspdarknet53替换为mobilenetv3网络，使网络模型更加轻量化，还将yolov5s-mobilenetv3中的senet注意力模块替换为cbam注意力模块，用来提高相互遮挡的垃圾的识别率。
10、进一步地，步骤s4中，模型的性能指标包括模型参数量和平均精确率均值map，具体如下：模型参数量表示模型训练中需要训练的参数总数，模型参数量越大，模型文件也越大，不仅影响了占用磁盘大小空间，也影响程序运行时所需内存大小；精确率p表示正确预测为正的占全部预测为正的比例，比如目标垃圾被预测为塑料瓶-可回收垃圾的个数与所有预测为塑料瓶-可回收垃圾的个数之比；平均精确率ap表示为精确率-召回率曲线上的精确率对召回率的积分，其值越大，表示模型对某个类别垃圾(比如塑料瓶-可回收垃圾)的检测效果越好；平均精确率均值map为所有垃圾类别平均精确率的均值，表示分类器对所有垃圾类别的检测效果。
11、进一步地，步骤s4中，模型的输出结果包含检测到的垃圾的名称、属于哪类垃圾、置信度和位置信息。
12、为了实现本专利技术的目的，本专利技术还公开了一种基于yolov5s改进的目标检测系统，包括预处理模块、训练模块和垃圾检测模块；
13、预处理模块，用于获取垃圾图像检测数据集；
14、训练模块，用于将垃圾图像训练数据集中的垃圾图像输入到改进后的yolov5s网络模型并经过gpu进行迭代训练，训练得到改进后的yolov5s网络模型的最优权重；改进后的yolov5s网络模型是在yolov5s网络模型上进行改进，具体为：将yolov5s网络模型的主干网络cspdarknet53替换为mobilenetv3网络，同时将yolov5s-mobilenetv3中的senet注意力模块替换为cbam注意力模块；
15、垃圾检测模块，用于将最优权重加载到改进后的yolov5s网络模型中，输入需要检测的垃圾图片，输出检测结果并得到目标垃圾的名称、所属的垃圾类别、置信度和位置信息。
16、为了实现本专利技术的目的，本专利技术还公开了一种电子设备，包括存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，处理器执行程序时实现一种基于yolov5s改进的目标检测方法。
17、为了实现本专利技术的目的，本专利技术还公开了一种计算机可读存储介质，其上存储计算机程序，该程序被处理执行时实现一种基于yolov5s改进的目标检测方法。
18、与现有技术相比，本专利技术的显著进步在于：基于yolov5s改进的目标检测方法与系统，可以实时识别垃圾名称、所属类别和位置。与其他现有方法相比，对有遮挡的垃圾图像的识别有一定程度的改善。本目标检测网络兼具实时性和准确率，可以用于生活垃圾小区回收站和垃圾分拣中心。
19、为更清楚说明本专利技术的功能特性以及结构参数，下面结合附图及具体实施方式进一步说明。
本文档来自技高网...【技术保护点】
1.一种基于YOLOv5s改进的目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于YOLOv5s改进的目标检测方法，其特征在于，步骤S1中，首先，拍摄生活中产生的垃圾图片，并上网爬虫垃圾图片；再对所得的垃圾图片进行去除模糊图片、去除相似图片和去除已损坏图片的图像数据清洗；然后，对清洗后的垃圾图片使用随机擦除的数据增强方法；最后，将得到垃圾图片分为可回收垃圾、厨余垃圾、有害垃圾和其他垃圾四类。
3.根据权利要求1所述的一种基于YOLOv5s改进的目标检测方法，其特征在于，步骤S2中，改进后的YOLOv5s网络模型除了将YOLOv5s主干网络CSPDarknet53替换为MobileNetV3网络，使网络模型更加轻量化，还将YOLOv5s-MobileNetV3中的SENet注意力模块替换为CBAM注意力模块，用来提高相互遮挡的垃圾的识别率。
4.根据权利要求1所述的一种基于YOLOv5s改进的目标检测方法，其特征在于，步骤S4中，所述模型的性能指标包括模型参数量和平均精确率均值mAP，具体如下：模型参数量表示模型训练中需要
5.根据权利要求1所述的一种基于YOLOv5s改进的目标检测方法，其特征在于，步骤S4中，所述模型的输出结果包含检测到的垃圾的名称、属于哪类垃圾、置信度和位置信息。
6.一种基于YOLOv5s改进的目标检测系统，所述系统基于权利要求1-5中任一项所述的一种基于YOLOv5s改进的目标检测方法，其特征在于，包括预处理模块、训练模块和垃圾检测模块；
7.一种电子设备，包括存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一所述的基于YOLOv5s改进的目标检测方法。
8.一种计算机可读存储介质，其上存储计算机程序，其特征在于，该程序被处理执行时实现如权利要求1-5中任一所述的基于YOLOv5s改进的目标检测方法。
...【技术特征摘要】
1.一种基于yolov5s改进的目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于yolov5s改进的目标检测方法，其特征在于，步骤s1中，首先，拍摄生活中产生的垃圾图片，并上网爬虫垃圾图片；再对所得的垃圾图片进行去除模糊图片、去除相似图片和去除已损坏图片的图像数据清洗；然后，对清洗后的垃圾图片使用随机擦除的数据增强方法；最后，将得到垃圾图片分为可回收垃圾、厨余垃圾、有害垃圾和其他垃圾四类。
3.根据权利要求1所述的一种基于yolov5s改进的目标检测方法，其特征在于，步骤s2中，改进后的yolov5s网络模型除了将yolov5s主干网络cspdarknet53替换为mobilenetv3网络，使网络模型更加轻量化，还将yolov5s-mobilenetv3中的senet注意力模块替换为cbam注意力模块，用来提高相互遮挡的垃圾的识别率。
4.根据权利要求1所述的一种基于yolov5s改进的目标检测方法，其特征在于，步骤s4中，所述模型的性能指标包括模型参数量和平均精确率均值map，具体如...
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。