一种基于深度学习的图像目标检测方法技术

本发明专利技术属于计算机视觉领域，具体涉及一种基于深度学习的图像目标检测方法，包括：获取待检测图像，对待检测图像进行预处理；将预处理后的图像输入到的训练后的目标检测模型中，得到目标检测结果；所述目标检测模型为改进的Yolov5网络结构；改进的Yolov5网络包括：通过Kmeans++聚类算法和遗传算法对Yolov5网络中的锚框进行更新，对Yolov5网络预测层进行优化；本发明专利技术采用K‑means++算法和遗传算法对Yolov5网络中的锚框进行优化更新，使得Yolov5网络能够面对更加细小的目标进行检测。

【技术实现步骤摘要】

本专利技术属于计算机视觉领域，具体涉及一种基于深度学习的图像目标检测方法。

技术介绍

1、近年来，目标检测作为计算机视觉的一个重要分支在多个领域发挥了巨大作用。在现实场景中，由于存在大量的小目标，因此小目标检测在医疗、智能交通、智慧零售、安防刑侦以及国防安全等领域具备广泛的应用前景。在目标检测任务中目标检测的精度对事件触发起到至关重要的作用，但小目标的检测精度还不能令人满意，成为业界的一大难点。而yolov5网络是目标检测中的常用网络，其由于速度快、模型小、准确率高而常被应用于各种目标检测任务。但在菊花疏蕾任务中，菊花的花蕾在图像中常常很小，在目标检测任务中属于小目标，但是传统的yolov5网络检测小目标精准度不高，导致检测结果不理想。

技术实现思路

1、为解决以上现有技术存在的问题，本专利技术提出了一种基于深度学习的图像目标检测方法，该方法包括：获取待检测图像，对待检测图像进行预处理；将预处理后的图像输入到的训练后的目标检测模型中，得到目标检测结果；所述目标检测模型为改进的yolov5网络结构；改进的yol本文档来自技高网...

【技术保护点】

1.一种基于深度学习的图像目标检测方法，其特征在于，包括：获取待检测图像，对待检测图像进行预处理；将预处理后的图像输入到的训练后的目标检测模型中，得到目标检测结果；所述目标检测模型为改进的Yolov5网络结构；改进的Yolov5网络包括：通过Kmeans++聚类算法和遗传算法对Yolov5网络中的锚框进行更新，对Yolov5网络预测层进行优化；

2.根据权利要求1所述的一种基于深度学习的图像目标检测方法，其特征在于，待检测图像的像素为1920*1080。

3.根据权利要求1所述的一种基于深度学习的图像目标检测方法，其特征在于，对图像进行预处理包括：对图像进行仿射变...

【技术特征摘要】

1.一种基于深度学习的图像目标检测方法，其特征在于，包括：获取待检测图像，对待检测图像进行预处理；将预处理后的图像输入到的训练后的目标检测模型中，得到目标检测结果；所述目标检测模型为改进的yolov5网络结构；改进的yolov5网络包括：通过kmeans++聚类算法和遗传算法对yolov5网络中的锚框进行更新，对yolov5网络预测层进行优化；

2.根据权利要求1所述的一种基于深度学习的图像目标检测方法，其特征在于，待检测图像的像素为1920*1080。

3.根据权利要求1所述的一种基于深度学习的图像目标检测方法，其特征在于，对图像进行预处理包括：对图像进行仿射变换和添加高斯噪声；其中仿射变换包括对目标图像矩阵进行缩放、平移、旋转、拉伸、收缩等操作。

4.根据权利要求1所述的一种基于深度学习的图像目标检测方法，其特征在于，采用改进的yolov5网络对图像进行处理包括：

5.根据权利要求...

【专利技术属性】
技术研发人员：夏泽昊，李腊全，张桂铭，胡景怡，卢柄材，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：