一种基于改进yolov5的飞机起落架检测方法与流程

1.本发明涉及目标检测领域，尤其涉及一种基于改进yolov5的飞机起落架检测方法。


背景技术：

2.计算机视觉领域中，目标检测是其基础任务之一，可以广泛应用于智慧交通、工业检测、人脸识别、军事等领域。
3.飞机起落架是飞机起飞和降落的唯一支撑结构，起落架的正常运行可以保障飞机的安全性。国内外的多起飞机事故中，就有一部分是由于起落架无法正常运行引起的。在飞机降落过程中，除了飞机上的指示装备外，还有塔台上的管制员用望远镜对飞机起落架是否正常运行进行人工的监测。若将计算机视觉引入，利用算法自动检测飞机起落架，既可以节约人力资源，也可以减少人为错误导致的飞行事故。因此对飞机起落架进行检测可以及时识别飞机的起落架是否正常打开，对保障飞机的正常起飞和降落具有重要的意义。
4.目前利用计算机视觉的方法检测起落架是否放下的研究应用较少，技术相对老旧，误报警率较高。目标检测分为one-stage和two-stage两大类。
5.two-stage算法第一阶段需要先获取感兴趣区域，第二阶段再识别出感兴趣区域的物体类别和位置信息。
6.yolov5算法是一种one-stage算法，可以直接预测出物体类别和位置信息，但是yolov5的检测头耦合度高，降低了网络的整体性能。训练过程中存在着正负样本数量不均衡的问题。
7.此外，yolov5中的giou作为位置坐标loss函数时，在一个候选框包含另一个候选框时，giou则会退化成iou，使得iou作为损失函数时梯度无法计算的问题再次暴露出来。


技术实现要素：

8.本发明所解决的技术问题为：针对现有yolov5技术缺点，如检测头耦合度高，训练过程中正负样本数量不均衡，giouloss在一个候选框包含另一个候选框时，会出现退化，导致飞机起落架检测速度慢，检测精度不高的问题，提供一种基于改进yolov5的飞机起落架检测方法，方法包括以下步骤：
9.s1、获取飞机起、落图像，并进行标注，得到飞机起落架数据集；
10.s2、构建改进yolov5模型，将传统yolov5模型的检测头解耦，引入焦点损失函数计算置信度损失，同时将原有的位置损失函数进行替换；
11.s3、利用飞机起落架数据集训练改进yolov5模型，得到训练后的模型；
12.s4、利用训练后的模型，完成飞机起落时，起落架的检测。
13.本发明提供的有益效果是：整体提升了改进后的yolov5模型整体性能，通过制作的飞机起落架数据集进行验证，其准确率从83.6％提升到了97.5％。实现了精准检测飞机和起落架。
附图说明
14.图1是本发明方法流程示意图；
15.图2是原yolov5效果图；
16.图3是改进后的yolov5检测效果图。
具体实施方式
17.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
18.请参考图1，图1是本发明方法流程示意图。
19.一种基于改进yolov5的飞机起落架检测方法，包括以下步骤：
20.s1、获取飞机起、落图像，并进行标注，得到飞机起落架数据集；
21.需要说明的是，获取飞机起飞和降落的图像，并对图像中的飞机和飞机的起落架进行标注，最终制作出一个飞机起落架数据集。
22.s2、构建改进yolov5模型，将传统yolov5模型的检测头解耦，引入焦点损失函数计算置信度损失，同时将原有的位置损失函数进行替换；
23.需要说明的是，原本yolov5的检测头结构通过一个分支即可完成对飞机和起落架的分类和定位。
24.而分类和定位这两个任务所感兴趣的方向不同，分类任务对提取的特征与某一类相近更感兴趣，而定位则对候选框位置和真实框位置更加关注，从而方便进行预测框的修正。将两个任务放在统一分支网络结构进行完成，会使得耦合度高，彼此影响，从而降低准确度。
25.因此在本技术中，将yolov5模型的检测头进行解耦。请参考图2，图2是解耦示意图。图2中左边为原有的yolov模型的检测头，右边为解耦后的。步骤s2中，yolov5模型的检测头解耦，具体指：将yolov5模型的检测头分为两个分支，其中一个分支负责飞机起落架的分类，另一个分支负责飞机起落架的位置定位。解耦后的yolov5-head可以提升模型的整体性能。
26.需要说明的是，进行飞机起落架检测时，一张图像就会生成成千上万个候选框，通过设置iou值，真实框与候选框的iou值大于设定的阈值则标记为正样本，反之低于该阈值，则标记为负样本。因此，飞机起落架检测会进行密集的采样，而图像中的检测的飞机和起落架数量较少，会造成正负样本严重失衡，以至于降低模型的泛化能力。
27.因此将yolov5的置信度的损失函数是交叉熵损失函数，将其替换成focal loss损失函数。通过引入α来控制正负样本的权重和控制难分类样本的权重。以此提升模型的性能。
28.焦点损失函数的计算式如式(1)：
[0029][0030]
式(1)中s2表示一张特征图的网格数量，b表示一个网格生成的预测框数量，i表示第i个网格，j表示第j个预测框，表示第i个网格的第j个预测框是否有预测目
标，如果有则为1，反之为0。为置信度的真实值，ci为置信度的预测值，γ为焦点函数的一个超参数，α为焦点函数的一个权重系数，λ
noobj
为权重系数。
[0031]
需要说明的是，本技术中，位置损失函数将原来的giouloss替换成ciouloss。
[0032]
giouloss主要解决了iouloss两框不相交时，无法优化的问题。
[0033]
但是当一个框包含另一个框时，giouloss与iouloss相同，又暴露出了iouloss的缺陷。因此将该损失函数替换成ciouloss，ciouloss不仅仅考虑到了iou的面积和两框中心点之间的距离，还考虑到了宽高比的损失，因此ciouloss更适合用作位置回归损失函数。其计算方式如式2所示。
[0034]
ciouloss＝1-ciou
ꢀꢀꢀꢀ
(2)
[0035]
其中：
[0036][0037][0038][0039]
式(2)～式(5)中真实框的高宽为w
t
与h
t
，预测框的高宽为w和h，计算得到的ν可以衡量高宽比，iou表示真实框和预测框的交并比，β是一个参数，不参与计算梯度值，b_c表示预测框的中心点，t_c表示真实框的中心点，d(b_c,t_c)则表示两个中心点之间的欧氏距离，c则表示同时包含真实框与预测框的最小矩形框的对角线距离。
[0040]
s3、利用飞机起落架数据集训练改进yolov5模型，得到训练后的模型；
[0041]
需要说明的是，传统的yolov5模型，包括三个部分，主干部分，颈部和检测头部，这一部分可以参考现有内容，本技术不再详细阐述。
[0042]
步骤s3中模型的训练过程具体如下：
[0043]
s31、将飞机起落架数据集中的样本进行预处理，得到预处理后的图像；
[0044]
预处理的手段具体为：输入训练图片数据并进行格式转化，获得转化后图片，并对所述转化后图片进行mosaic方式的训练图像数据增强,mosaic数据增强是将多张图片进行旋转裁剪再拼接。最终的训练图像大小为640
×
640。
[0045]
s32、预处理后的图像输入至改进yolov5模型的主干部分进行特征提取，得到图像共享特征；
[0046]
需要说明的是，主干网络部分中，采用focus结构和csp1_n(n个残差结构)结构进行特征提取，得到图像的共享图像特征；
[0047]
s33、图像共享特征输入至yolov5模型的颈部部分，获得三个不同尺度的高级图像特征；
[0048]
需要说明的是，颈部部分主要有fan和pan两个网络构成，通过将深层下采样的低分辨率强语义信息但空间位置信息缺失的特征图和浅层的下采样的高分辨率弱语义信息但空间位置信息准确的特征图相互融合，实现多尺度的特征进行融合，实现了信息传递，让低分辨率强语义信息的特征图获得精准的位置信息，也让高分辨率空间位置信息精准的特
征图获得强语义信息，从而可以获得三个不同尺度的高级图像特征，增加模型的鲁棒性；
[0049]
s34、利用解耦的yolov5检测头网络结构对飞机和起落架的类别和位置分别进行预测；分类网络分支对飞机和起落架的类别进行分类，定位分支对飞机和起落架的位置进行回归；最后将分类损失，位置损失和置信度损失进行相加，得到改进yolov5模型的损失函数，利用改进yolov5模型的损失函数完成模型训练。
[0050]
需要说明的是，本技术中，基于训练的结果对模型进行优化(模型训练的迭代过程，这里为常规手段，不作进一步说明)，对超参数进行调整，最后获得最优的飞机起落架检测模型。
[0051]
s4、利用训练后的模型，完成飞机起落时，起落架的检测。
[0052]
需要说明的是，在本技术实施例中，获取飞机起飞或者降落的视频，以抽帧方式读取视频数据，将视频数据转化为帧图片，然后利用最优的改进yolov5模型进行每帧图片检测，将检测的结果标注在帧图片上，最后将检测结果输出，得到飞机起落架检测结果。
[0053]
为飞机的正常起飞和降落提供安全保障。原yolov5效果图如图2所示。改进后的yolov5检测效果图如图3所示。可以看出原yolov5检测精准度远不如改进后的yolov5,甚至原yolov5还会出现误检。
[0054]
本发明的有益效果是：通过针对yolov5存在的不足进行改进，解决了yolov5-head的耦合度高导致影响模型的准确率问题，解决了yolov5由于正负样本不均衡导致的过拟合问题，解决了yolov5位置损失函数的缺陷。通过这三点改进，整体提升了改进后的yolov5模型整体性能，通过制作的飞机起落架数据集进行验证，其准确率从83.6％提升到了97.5％。实现了精准检测飞机和起落架。
[0055]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。