一种基于改进yolov5的包裹破损检测算法检测方法

本发明涉及计算机视觉以及人工智能，具体涉及一种基于改进yolov5的包裹破损检测算法检测方法。

背景技术：

1、目前包裹破损检测主要分为两类：基于人工设计特征提取的包裹破损检测和基于深度学习的包裹破损检测。传统的人工设计特征提取的检测方法是指通过人工设计的特征来进行计算机实时检测，将检测目标与该特征进行比对，从而反馈检测结果，有着较好的实时性。然而环境的变化和场景的不同会导致识别准确率相差甚远，非常具有局限性。因此，随着深度学习技术的快速发展以及目标检测算法的不断创新，基于深度学习的包裹破损检测技术由此兴起。

2、基于深度学习的特征提取是指通过卷积神经网络自主地学习进行图像的特征提取，对目标检测的精度有了极大的提升。目前，通用的目标检测算法主要分为两大类：二阶段算法和一阶段算法。前者先进行区域生成一个可能包含待检测物体的预选框(regionproposal，rp)，再通过卷积神经网络进行样本分类。此类算法虽然具有很高的精确度，但在面对一些小目标时，效果相差甚远，同时实时性也很差，因此适用于检测高精度的大目标，代表算法有r-cnn、spp-net、faster r-cnn等。另一类算法是不用rp，直接在网络中提取特征来预测物体分类和位置。此类算法的实时性高，在检测堆积目标和小目标时精度较低，因此适用于实时目标检测。代表算法有yolo、ssd、retina-net等。

3、近几年，由于目标检测技术的盛行，越来越多的目标检测算法经过改良后有着非常不错的速度与精度提升。轻量级网络模型除了有着较高的检测速度外，还需有着较高的检测精度，同时模型大小与参数量都必须控制在一定的范围内，进一步体现了对模型简化程度的追求，从而有利于边缘计算设备部署。

技术实现思路

1、发明目的：本发明的目的是提供一种基于改进yolov5的包裹破损检测算法检测方法，提高模型检测速度，减少卷积神经网络对图像相关特征的重复提取，提高模型的检测精度。

2、技术方案：本发明所述的一种基于改进yolov5的包裹破损检测算法检测方法，其特征在于，包括以下步骤：

3、(1)获取数据集并进行数据预处理；

4、(2)在yolov5主干中，将原来的focus操作替换成改成一个3×3的卷积层，融合se注意力机制的sv1基本模块和sv2下采样模块进行特征提取；

5、(3)在yolov5模型中，采用fpn特征金字塔结构将不同层次的特征图融合在一起，生成多尺度的特征金字塔；

6、(4)在yolov5模型中，采用detect模块对图像特征进行表征；

7、(5)在yolov5模型中，采用ciou损失函数替换原有的iou；

8、(6)将数据集输入到改进后的yolo网络模型进行训练和预测，得到精确图像。

9、进一步的，所述步骤(1)具体步骤：

10、(11)对获取的原始数据集进行截取、翻转、色域形态变化变化，将数据集进行标签转换并对数据集进行划分；将数据集划分为训练、验证和测试集；

11、(12)利用矩阵的方式，使用4张图片的数据，经过固定裁剪后进行拼接，将4张图片组合成一张图片。

12、进一步的，所述步骤(11)所述色域形态变化参数具体设置为：色调0.015、饱和度0.7、明度0.4、水平和垂直平移0.1、缩放0.5、左右翻转0.5。

13、进一步的，所述步骤(2)包括以下步骤：

14、(21)将输入的图片进行降采样和通道混洗；

15、(22)在降采样时进行去除channel split操作；

16、(23)将完成通道混洗后的特征通过sv1基本模块的gap压缩空间信息，将原来的c×h×w维度信息压缩为c×1×1；再使用两个全连接层，第一个层降低维度，将c×1×1降维为c/r×1×1第二个层将特征重新映射回c×1×1，然后经过sigmoid之后得到各个通道的权重系数；将权重系数与原来的特征相乘，从而得到一个新的特征。

17、(24)将新的特征图进入c3模块后为两路，左路为conv和bottleneck，右路为conv，最后将两路concat，再经过conv；

18、(25)进行shortcut操作，把add修改为concat；

19、(26)通过一个标准卷积模块将输入通道减半，使用三个5x5的最大池化，对三次最大池化的结果与未进行池化操作的数据进行concat，最终合并后通道数是原来的两倍，以此来构建spsef模块。

20、进一步的，所述步骤(21)具体如下：采用sv1基本模块将输入图片分成两部分，一部分进行真正的深度可分离计算，将计算结果与另一部分进行通道concat，最后进行通道的混洗操作，完成信息互通。

21、进一步的，所述步骤(3)包括以下步骤：

22、(31)自上而下：通过上采样与更粗粒度的特征图融合实现不同层次特征的融合；

23、(32)对最后一层特征图进行上采样，得到更精细的特征图；

24、(33)将上采样后的特征图与上一层特征图进行融合，得到更丰富的特征表达；

25、(34)重复步骤(32)-(33)，直到达到最高层；

26、(35)自下而上：通过使用一个卷积层来融合来自不同层次的特征图；

27、(36)对最底层特征图进行卷积，得到更丰富的特征表达；

28、(37)将卷积后的特征图与上一层特征图进行融合，得到更丰富的特征表达；

29、(38)重复步骤(36)-(37)，直到达到最高层；

30、(39)将自上向下部分和自下而上的特征图进行融合，得到最终的特征图。

31、进一步的，所述步骤(4)具体如下：detect模块由三个1×1卷积构成，对应三个检测特征层，输出的三张特征图：三张特征图分别为80×80×256，40×40×512，20×20×1024。

32、进一步的，一种基于改进yolov5的包裹破损检测算法检测方法，其特征在于，所述步骤(5)计算公式为：

33、

34、其中，a为真实框，b为预测框，d为预测框和真实框中心点的距离，c为最小外接矩形的对角线距离，v是长宽比的相似性因子；

35、

36、其中，wb，hb为真实框的宽和高，wp，hp为预测框的宽和高。

37、本发明所述的一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现任一项所述的一种基于改进yolov5的包裹破损检测算法检测方法中的步骤。

38、本发明所述的一种存储介质，存储有计算机程序，所述计算机程序被设计为运行时实现任一项所述的一种基于改进yolov5的包裹破损检测算法检测方法中的步骤。

39、有益效果：与现有技术相比，本发明具有如下显著优点：①使用sv1与sv2作为轻量级主干网络来降低模型复杂度，从而提高模型检测速度；②使用融合金字塔池化注意力的spsef模块减少卷积神经网络对图像相关特征的重复提取，提高信息表征能力，从而提高轻量级优化后模型的检测精度；在不同尺度的特征图上进行特征提取，有效减少漏检与误检，进一步提高了模型对多尺度目标检测的精度。