一种基于改进YOLOv5算法的煤矸目标检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114120093A(43)申请公布日2022.03.01(21)申请号202111451670.1(22)申请日2021.12.01(71)申请人安徽理工大学地址232001安徽省淮南市山南新区泰丰大街168号(72)发明人郭永存刘普壮程刚何磊王爽赵艳秋(51)Int.Cl.G06V20/00(2022.01)G06V10/762(2022.01)G06V10/774(2022.01)G06V10/82(2022.01)G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书7页附图2页(54)发明名称一种基于改进YOLOv5算法的煤矸目标检测方法(57)摘要为了克服现有煤矸识别算法不稳定的问题，本发明提供一种基于改进YOLOv5算法的煤矸目标检测方法，通过在骨干网络中引入深度可分离卷积来精简原网络模型参数数量从而提高网络的检测速度；通过引入卷积块注意模型增强煤矸目标在图像中的显著度，解决煤矸目标在输送带上由于光照等因素使得煤矸目标显著下降进而导致目标难以准确检测的问题；针对煤矸小目标难以检测的问题，在原有网络head部分增加一层检测层，实现head部分的多尺度检测；最后对改进的YOLOv5算法进行训练，得到最终的检测网络，本发明不仅可以准确快速的分辨煤矸目标，同时对煤矸小目标也有较好的检测效果。CN114120093ACN114120093A权利要求书1/2页1.一种基于改进YOLOv5算法的煤矸目标检测方法，其特征在于，包括以下步骤：步骤1：构建基于改进YOLOv5的煤矸目标检测模型步骤1.1：引入深度可卷积分离网络代替骨干网络中的标准卷积网络，引入深度卷积网络可以将原有网络的计算量降低和参数减少，实现对输入特征图的降维从而提高网络的检测速度；步骤1.2：引入卷积块注意模型，在原有网络模型的骨干网络后添加并联的的通道注意力机制和空间注意力机制，所述的卷积块注意模型用于骨干网络特征提取过程中加强煤矸图像中目标特征的提取，进一步解决煤矸目标在输送带上由于光照等因素使得煤矸目标显著性下降进而导致目标难以准确检测的问题；步骤1.3：增加煤矸小目标检测层，基于改进YOLOv5的煤矸目标检测模型增加为4尺度的预测层，实现head部分的多尺度检测；步骤1.4：由于步骤1.3中增加了一层检测层，在先验框部分增加一组小目标尺寸的锚点框，采用K‑means自适应算法获取符合煤矸目标尺度特点的锚点框；步骤2：采集煤矸图像步骤2.1通过采集选煤厂运动皮带上的煤矸图像，采用旋转、水平镜像的方法来增加不同角度的煤矸图像，建立煤矸目标检测训练集、验证集和测试集；步骤2.2：采用mosaic算法实现煤矸图像的数据增强，通过随机将四张图片随机缩放、随机裁剪、随机排布的方式进行拼接；步骤3：优化损失函数步骤3.1：采用DIoU损失函数代替原有的损失函数GIoU，原有的损失函数当预测框和目标框相互包含时，损失函数会退化成IoU，使得定位不准确，丢失优化和收敛方向，影响检测精度；步骤3.2：对改进YOLOv5算法的预测框筛选方法，采用非极大值抑制NMS方法进行优化，选取最佳预测框；步骤4：训练步骤1中构建的改进YOLOv5算法的煤矸目标检测模型步骤4.1：设置训练参数；步骤4.2：将步骤2中采集的煤矸图像中的训练集和验证集送入构建的基于改进YOLOv5算法的煤矸目标检测模型中进行训练；步骤4.3：设置自适应缩放图片尺寸为608x608，根据网络设定的输入尺寸大小实现自适应煤矸图像检测训练集和验证集图片的自适应缩放；步骤4.4：训练基于改进YOLOv5算法的煤矸目标检测模型；步骤4.5：训练后的改进YOLOv5算法的煤矸检测模型，进行性能评估与评价，得到收敛良好的网络模型；步骤4.6：将步骤2.1设置的测试集输送带步骤4.5训练好的基于改进YOLOv5算法的煤矸检测模型中，测试基于改进YOLOv5算法的煤矸检测模型性能；步骤5：评估模型步骤5.1：根据步骤4.4训练的基于改进YOLOv5算法的煤矸目标检测模型，从平均检测精度、检测速度等评价指标对模型进行评估；步骤5.2：判断基于改进YOLOv5的煤矸目标检测模型评估结果的检测精度和检测速度2CN114120093A权利要求书2/2页是否满足实际选煤厂的工况应用需求，如果基于改进YOLOv5算法的煤矸目标检测模型满足选煤厂实际工况需求则执行步骤7，如果基于改进YOLOv5算法的煤矸目标检测模型不能满足选煤厂实际工况需求则执行步骤6；步骤6：修正步骤1中构建的基于改进YOLOv5的煤矸目标检测模型；步骤7：将步骤5中评估的满足选煤厂实际工况的基于改进YOLOv5算法的煤矸检