(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 20221024026 5.3 (22)申请日 2022.03.10 (71)申请人 安徽农业大 学 地址 230061 安徽省合肥市长江西路13 0号 安徽农业大 学 (72)发明人 李广博　查文文　焦俊　陈成鹏　 辜丽川　时国龙　马慧敏　陶亮　 彭硕　 (74)专利代理 机构 西安铭泽知识产权代理事务 所(普通合伙) 61223 专利代理师 姬莉 (51)Int.Cl. G06V 40/10(2022.01) G06T 3/40(2006.01) G06N 3/08(2006.01)G06K 9/62(2022.01) G06V 10/762(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于改进YOLOv5的目标识别检测方法 (57)摘要 本发明提供了一种基于改进YOLOv5的目标 识别检测方法， 属于目标检测领域， 包括： 采集目 标图像样本数据， 构建样本数据集； 对样本数据 集进行扩容处理， 得到待识别数据集； 对目标检 测算法YOLOv5进行改进， 获得改进的目标检测算 法YOLOv5， 具体包括： 优化目标锚框、 添加协调注 意力机制CA及特征融合BiFP； 利用改进的目标检 测算法YOLOv5对待识别数据集中的图像信息进 行识别， 获得识别结果。 该方法采用改进的目标 检测算法YOLOv5不仅提升了一般情况下的生猪 个体识别准确率， 还改善了在生猪密集以及远距 离小目标情境下的检测性能。 权利要求书2页 说明书10页 附图8页 CN 114627502 A 2022.06.14 CN 114627502 A 1.一种基于改进YOLOv5的目标识别检测方法， 其特 征在于， 包括以下步骤： 采集目标图像样本数据， 构建样本数据集； 对样本数据集进行扩容处 理， 得到待识别数据集； 对目标检测算法YOLOv5进行改进， 获得改进的目标检测算法YOLOv5， 具体包括： 将K均值维度聚类算法K ‑Means的欧氏距离改为1 ‑IOU， 采用K ‑Means算法确定先验锚 框， 优化目标检测算法YOLOv5的目标锚框； 在目标检测算法YOLOv5的主干网络中引入协调注意力机制CA； 采用BiFPN改进目标检测算法YOLOv5的双向跨尺度连接， 并进行加权特征融合， 获得改 进后的目标检测算法YOLOv5； 利用改进的目标检测算法YOLOv5对待识别数据集中的图像信息进行识别， 获得识别结 果。 2.根据权利 要求1所述的基于改进YOLOv5的目标识别检测方法， 其特征在于， 所述采集 目标图像样本数据具体包括： 通过远程控制系统操控摄像头进 行旋转， 实现分时采集， 获得 包含不同特 征的图像样本数据。 3.根据权利 要求1所述的基于改进YOLOv5的目标识别检测方法， 其特征在于， 所述样本 数据集进行扩容处 理， 包括以下步骤： 对样本数据集进行随机裁剪、 随机偏移、 Mosaic数据增强， 并使用图片标注工具 labelImg手动对图像标框并赋标签名后 保存， 保存的XML文件包含了目标图像的目标框坐 标与类别 信息； 将目标标签后的数据集划分为训练集与测试集样本； 所述Mosaic数据增强即把训练集中的多张实验图片图像拼凑成一张， 用于对改进后的 目标检测算法YOLOv5进行训练。 4.根据权利 要求3所述的基于改进YOLOv5的目标识别检测方法， 其特征在于， 在对样本 数据集进行扩容处 理前， 对样本数据集进行筛 选和整合。 5.根据权利 要求1所述的基于改进YOLOv5的目标识别检测方法， 其特征在于， 所述在目 标检测算法YOLOv5的主干网络中引入协调注意力机制CA时， 对全局池化的方式进行分解， 转化为两个一维特 征编码， 具体包括： 首先给定输入图像X， 使用尺寸为(H,1)以及(1,W)的平均池化分别沿着水平坐标和垂 直坐标对每 个通道进行编码， H为 坐标高度， W 为坐标宽度； 高度为h和宽度为 w的第c通道的输出分别表示 为下式： 式中i和w分别为宽度和高度的变化量， 上述2种变换分别沿两个空间方向聚合特征， 得 到一对方向感知的特 征图； 通过信息嵌入中的变换后， 将输出的高度zh,和宽度zw进行拼接操作， 并通过1 ×1卷积 F1运算， 生成空间信息在垂直和水平方向的特 征映射图， 公式表示如下：权　利　要　求　书 1/2 页 2 CN 114627502 A 2f＝ δ(F1([zh,zw])) 然后将f沿着空间信息分解为张量fh和张量fw； 其中， δ是系数， 对Fh和Fw进行1×1卷积变 换分别将fh和fw变换为具有相同通道数的张量， 公式表示如下： 上式中 是sigmoid激活函数， 同时通过合 适的缩减比r降低f的通道数， 最后再将gh和gw进行扩展操作， 分别作为注意力权 重， 以下式作为输出： 6.根据权利 要求1所述的基于改进YOLOv5的目标识别检测方法， 其特征在于， 所述采用 BiFPN改进目标检测算法YOLOv5的双向跨尺度连接， 并进行加权特 征融合， 具体包括： 删除不相邻的两个融合特征网络中贡献不达标的节点即只有一条输入边而没有特征 融合的节点； 在所述不相邻的两个融合特 征网络中间从原 始输入到 输出节点添加额外的边； 将一对路径视为 一个特征层， 然后重复多次以得到更多高层特 征融合。 7.根据权利 要求6所述的基于改进YOLOv5的目标识别检测方法， 其特征在于， 在所述高 层特征融合中通过 快速归一 化融合添加额外的权 重。 8.根据权利 要求1所述的基于改进YOLOv5的目标识别检测方法， 其特征在于， 所述利用 改进的目标检测算法YOLOv5对待识别数据集中的图像信息进行识别， 具体包括： 将测试集样本输入改进后的目标检测算法YOLOv5， 通过目标锚框对目标图像进行检 测， 获得目标框； 通过主干网络提取目标框中的特 征信息； 对特征信息进行加权特 征融合， 获得识别结果。 9.根据权利 要求8所述的基于改进YOLOv5的目标识别检测方法， 其特征在于， 在利用改 进的目标检测算法YOLOv5对待识别数据进行识别之前， 对改进的目标检测算法YOLOv5进行 评估， 评价指标包括： 召回率Recall， 简称R； 精度Precision， 简称P； 平均精度AP以及对所有 类别的AP值 求均值平均精度MAP； 其中， TP为正确的目标检测个数， FN为漏检的目标个数， FP为虚检的目标个数， 具体公 式表示如下： 权　利　要　求　书 2/2 页 3 CN 114627502 A 3