一种基于改进YOLOv5模型的小目标检测方法

本发明属于目标检测领域，特别是一种基于改进yolov5模型的小目标检测方法。

背景技术：

1、小目标检测是图像分析处理领域的一个重要研究方向，利用计算机对远距离捕获的图像数据进行有效分析和处理，识别不同类别的目标并标注其所在位置，被广泛应用于城市智慧交通、抗灾救灾、边防安全等场景，这项研究节省大量人力和时间成本，因此小目标检测技术具有十分重要的研究意义和实用价值。所谓小目标指的是目标成像尺寸较小，通常有两种定义方式：(1)绝对尺寸大小，在coco数据集中，尺寸小于32×32像素的目标被认为是小目标；(2)相对尺寸大小，根据国际光学工程学会定义，小目标为256×256像素的图像中成像面积小于80像素的目标，即若目标的尺寸小于原图的0.12％则可以认为是小目标。小目标检测的难点主要在于以下几点：(1)目标像素面积小，包含的特征信息过少，尤其是红外图像特征信息缺失严重；(2)数据集分布不平衡，现有标准数据集中小目标占比较小，存在严重的图像级不平衡；(3)数据集中存在目标遮挡、模糊、不完整现象，导致小目标信息缺失严重。

技术实现思路

1、本发明所要解决的技术问题是提供一种基于改进yolov5模型的小目标检测方法及其制备方法。

2、一种基于改进yolov5模型的小目标检测方法，包括以下步骤：

3、步骤s1、构建改进的yolov5模型，采集用于小目标检测的数据，制作yolo标签格式的图像数据集；

4、步骤s2、将图像数据集输入到网络进行数据增强；

5、步骤s3、图像数据集进行数据增强后输入特征提取网络，特征提取的主干网络采用改进的cspdarknet，其中在原始yolov5的主干网络中删除了focus结构，五层网络结构分别由下采样条件卷积层、spp模块和条件残差单元res unit组成，分别从第三、四、五层得到三种不同尺度的特征图；

6、步骤s4、将步骤s3得到的特征图传输到目标检测网络的颈部，颈部结构采用基于ccsp2网络结构的fpn+pan特征融合网络，通过自顶向下和自底向上两种方式进行特征融合，最终得到三种不同尺度的强化特征图；

7、步骤s5、将步骤4得到的强化特征图输入到目标检测网络的头部，三种强化特征图分别再做一次条件卷积，进一步筛选并加强与特定类相关的特征，最终得到三种不同尺度的预测特征图；预测先验框由数据集聚类动态获得，预测网络通过非极大抑制输出最终预选框并映射为原图大小，最终得到目标物体的检测结果。

8、进一步的，所述步骤s1中构建改进的yolov5模型的方法包括以下步骤：

9、s11、构建通道-空间并行的注意力机制模块；

10、s12、将注意力模块添加至对应网络层中；

11、s13、将主干网络cspdarknet的21层输出的160x160尺寸的特征图与网络的第2层特征图进行concat操作，作为第4个检测头的输入模块。

12、进一步的，步骤s2中的数据增强采用4张图像随机缩放、随机裁剪、随机排列的方式进行拼接。

13、进一步的，所述步骤s11包括以下步骤：

14、步骤s111、注意力机制模块对特征图中的二维空间特征进行特征增强；

15、步骤s112、注意力模块对拼接特征图中的一维通道特征进行特征增强。

16、本发明的有益效果为：本发明通过主干网络特征提取部分加入子注意力机制模块，增强小指示灯周围的上下文信息，同时抑制没有指示灯的背景区域权重，达到增强特征图目标权重的目的，对通道和空间位置进行并行注意力机制提取，从而从整体提高网络的表征能力，在改进的网络中用条件残差单元res unit代替csp结构，直接将残差思想应用于单元中，条件残差单元中条件卷积更关注与目标相关的特征，相当于注意力机制，在对特征进行采样的同时，又能扩展特征通道。残差结构可以避免采样过程中梯度消失的问题，并且能更好地的保留底层特征，增强特征融合过程中特征的多样性。

技术特征：

1.一种基于改进yolov5模型的小目标检测方法，其特征在于：

2.根据权利要求1所述的基于改进yolov5模型的小目标检测方法，其特征在于：所述步骤s1中构建改进的yolov5模型的方法包括以下步骤：

3.根据权利要求1所述的基于改进yolov5模型的小目标检测方法，其特征在于：步骤s2中的数据增强采用4张图像随机缩放、随机裁剪、随机排列的方式进行拼接。

4.根据权利要求1所述的基于改进yolov5模型的小目标检测方法，其特征在于：所述步骤s11包括以下步骤：

技术总结
本发明涉及一种基于改进YOLOv5模型的小目标检测方法，本发明通过主干网络特征提取部分加入子注意力机制模块，增强小指示灯周围的上下文信息，同时抑制没有指示灯的背景区域权重，达到增强特征图目标权重的目的，对通道和空间位置进行并行注意力机制提取，从而从整体提高网络的表征能力，在改进的网络中用条件残差单元Res unit代替CSP结构，直接将残差思想应用于单元中，条件残差单元中条件卷积更关注与目标相关的特征，相当于注意力机制，在对特征进行采样的同时，又能扩展特征通道。残差结构可以避免采样过程中梯度消失的问题，并且能更好地的保留底层特征，增强特征融合过程中特征的多样性。

技术研发人员：姚冲
受保护的技术使用者：武汉纺织大学
技术研发日：
技术公布日：2024/1/13