(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211163094.5 (22)申请日 2022.09.23 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区南 山街道崇文 路2号 (72)发明人 张恒　程成　杭芹　赵洪坪　吕雪　 何云玲　郭家新　 (74)专利代理 机构 重庆辉腾律师事务所 5 0215 专利代理师 卢胜斌 (51)Int.Cl. G06V 20/17(2022.01) G06V 10/20(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于改进yolov5的无人机目标检测方 法 (57)摘要 本发明属于计算机视觉领域， 具体涉及一种 基于改进yolov5的无人机目标检测方法； 包括采 集无人机巡检图像集并标注得到对应的标签文 件， 标签文件包括目标的类别和目标框坐标； 将 标签文件转换为文本文件， 目标框坐标归一化得 到归一化框坐标， 预处理无人机巡检图像集得到 预处理图像集； 划分预处理图像集及归一化坐标 集得到训练集、 验证集和测试集； 通过聚类算法 得到训练集的锚框样本； 构建基于ECA的目标检 测模型并训练； 采用改进nms算法对训练好的目 标检测模型进行后处理； 采用得到的目标检测模 型进行无人机目标检测； 本发明改进yolov5检测 精度低、 对中小目标检测 效果差的缺点， 实现无 人机检测过程高速且精准的需求。 权利要求书2页 说明书8页 附图3页 CN 115439766 A 2022.12.06 CN 115439766 A 1.一种基于改进yo lov5的无人机目标检测方法， 其特 征在于， 包括以下步骤： S1.采集无人机巡检 图像集， 对无人机巡检 图像集中的每一张无人机巡检图像进行标 注得到对应的标签文件， 所有标签文件组成标签文件集； 标签文件包括无人机巡检图像中 目标的类别和目标框坐标； S2.对标签文件集进行处理， 将每一个标签文件转换为文本文件， 并将其中的目标框坐 标归一化得到归一化框坐标， 所有的归一化框坐标组成归一化坐标集合； 同时对无人机巡 检图像集进行 预处理得到预处 理图像集； S3.按比例划分预处理图像集及归一化坐标集合， 得到训练集、 验证集和测试集； 将训 练集馈入K ‑means聚类算法， 得到锚框样本； S4.根据yolov5网络构 建基于ECA的目标检测模型， 通过训练集和锚框样本训练 目标检 测模型， 采用总损失函数计算损失， 反向传播更新网络参数； 损失函数公式如下： Loss＝a*losscls+b*lossbox+c*lossconfidence 其中， losscls表示分类损失， lossbox表示定位损失， lossconfidenc e表示置信度损失， a、 b、 c 分别对应三种损失的权 重； S5.基于soft ‑nms算法设计一种shape ‑nms算法， 采用shape ‑nms算法对训练完成的目 标检测模型进行后处 理， 滤除冗余框； S6.采用S5得到的目标检测模型进行 无人机目标检测。 2.根据权利 要求1所述的一种基于改进yolov5的无人机目标检测方法， 其特征在于， 基 于ECA的目标检测模型包括backbone模块、 neck模块和head模块， 与原始yolov5网络结构相 比， backbone模块包括逐层连接的第一CBL层、 第二CBL层、 第一C3层、 第三CBL层、 第二C3 层、 第四CBL层、 第三C 3层、 第五CBL层、 第四C 3层和SPP层， 其中在S PP层引入E CA注意力模块； neck模块除特征金字塔网络和路径聚合网络外， 添加了一个生成新特征图的分支网 络， 该新特 征图的尺寸 为160×160； head模块包括Xs mall、 Small、 Medium和Big四个输出。 3.根据权利 要求2所述的一种基于改进yolov5的无人机目标检测方法， 其特征在于， 特 征金字塔网络包括逐层连接的第六CBL层、 第一上采样层、 第一融合层、 第五C3层、 第七CBL 层、 第二上采样层、 第二融合层和第六C 3层； 分支网络包括逐层连接的第八CBL层、 第三采样层、 第三融合层、 第七C 3层； 路径聚合网络包括逐层连接的第九CBL层、 第四融合层、 第八C3层、 第十CBL层、 第五融 合层、 第九C 3层、 第十一CBL层、 第六融合层、 第十 C3层； 其中第五C3层、 第六C3层、 第七C3层、 第八C3层、 第九C3层和第十C3层中均引入了ECA注 意力模块。 4.根据权利要求2或3所述的一种基于改进yolov5的无人机目标检测方法， 其特征在 于， ECA注意力模块采用E CA注意力机制， 其计算过程 为： S11.将输入的特 征图进行全局平均池化； S12.对S11的结果进行卷积核为1的卷积操作， 并将卷积结果经过Sigmoid激活函数得 到各通道的权 重ω， 计算公式为： ω＝σ(C1Dk(y))权　利　要　求　书 1/2 页 2 CN 115439766 A 2其中， σ 表示Sigmoid激活函数， C1Dk(y)表示一 维卷积， ψ(C)表示卷积尺寸变量， C表示通 道数， b、 γ表示实验系数； S13.将权 重与S11中输入特 征图的对应元 素相乘得到 输出特征图。 5.根据权利 要求3所述的一种基于改进yolov5的无人机目标检测方法， 其特征在于， 每 一个上采样层的上采样方式为 最邻近插值法。 6.根据权利 要求1所述的一种基于改进yolov5的无人机目标检测方法， 其特征在于， 采 用shape‑nms算法对任一个类别的候选 框集合过滤冗余框的过程包括： S21.设置置信度 阈值、 IOU阈值和shape阈值， 目标检测模型输出的候选框集合用A1表 示， 候选框集合对应的置信度集 合用S1表示， S22.在置信度集合S1中选取最大置信度F， 将该最大置信度F添加到预测框置信度集合 S2中， 在置信度集 合S1中删除F； S23.在候选框集合A 1中找到与F对应的候选框B， 将该候选框B 添加到预测框集合A2中， 在候选框集合A1中移除该候选 框B； S24.将候选框集合A1中剩余的候选框分别与候选框B计算Shape值， 并判断Shape值是 否大于Shape阈值， 若是， 则将候选 框的置信度降低， 否则置信度不变； S25.判断候选框集合A1中的候选框数量是否为1， 若是， 则 进入步骤S26， 否则返回步骤 S22； S26.将预测框集合A2中的候选框的置信度分别与置信度阈值作比较， 若小于置信度阈 值， 则删除对应的候选 框及其置信度， 得到第二预测框集 合A3； S27.计算第二预测框集合A3中每两个候选框 间的重合度， 若重合度高于IOU阈值， 则将 两个候选框融合， 最终得到一个融合框， 该融合框的置信度为第二预测框集合A3对应的置 信度集合中的最大值。 7.根据权利 要求6所述的一种基于改进yolov5的无人机目标检测方法， 其特征在于， 候 选框的置信度的计算公式为： 其中， si表示置信度分数， M表示置信度最大的候选框， bi表示除置信度最大的候选框以 外的候选框， w表示分数权重， D表示候选框集合， widthi表示候选框bi的宽， widthM表示置信 度最大的候选框M的宽， heighti表示候选框bi的高， heightM表示置信度最大的候选框M的 高。权　利　要　求　书 2/2 页 3 CN 115439766 A 3