(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 202210463011.8 (22)申请日 2022.04.28 (71)申请人 哈尔滨理工大 学 地址 150080 黑龙江省哈尔滨市南岗区学 府路52号 (72)发明人 李双全　盛国良　 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/766(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06T 3/40(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于YOLO v5的改进目标检测系统 (57)摘要 本发明公开了一种基于YOLO  v5的改进目标 检测系统， 涉及目标检测技术领域； 包括如下步 骤： 步骤一： 数据增强； 步骤二： 目标定位损失函 数； 步骤三： 多尺度融合结构框架； 步骤四： 使用 软件对算法进行验证和比较： 学习深度学习框架 搭建方法， 将设计的数据集预处理方法、 损失函 数和多尺度融合框架与骨干网络进行融合， 从而 设计出改进YOLO算法， 将改进算法的在MS   COCO2017训练集上训练和测试， 验证算法的可行 性； 本发明 改进的算 法框架将在MSCOCO数据集上 进行训练和测试， 使新的算法在基本维持YOL O算 法FPS的情况下， 使其拥有更好的检测准确度指 标。 权利要求书1页 说明书4页 附图1页 CN 114882276 A 2022.08.09 CN 114882276 A 1.一种基于 YOLO v5的改进目标检测系统， 其特 征在于： 包括如下步骤： 步骤一： 数据增强： YOLOv5算法主要采用的数据增强方式是Mosaic方法， 将不 同的图片进行拼接， 形成新 的图片以增 加鲁棒性； 步骤二： 目标定位损失函数： 2.1、 将对角线长度和宽高比关系结合， 建立一个新的损失函数； 将其引入YOLOv5进行 训练， 得到实验数据； 2.2、 寻找宽高比和最小外接矩形框的关系， 对损失函数进行优化， 并将其引入YOLOv5 进行训练， 得到实验数据； 2.3、 思考标定框和预测框是否有新的位置关系， 并尝试用新的关系对损失函数进行改 进， 将其引入YOLOv5进行训练， 得到实验数据； 比较不同损失函数对算法预测框准确度的影响， 选择表现更好的损失函数作为改进算 法的损失函数， 已达 到使算法定位 准确度更高的要求； 步骤三： 多尺度融合结构框架： 3.1、 在颈部网络高层的骨干 网络连接处引入1 ×1卷积遍历高层特征图， 以减小高层网 络的通道数， 在保持高层信息不丢失的情况 下降低计算 量， 使改进算法的速度有一个提升； 3.2、 在颈部网络的采用分别上采样加融合下采样的方式， 增加对骨干网络特征的利用 层数， 增加可利用信息， 达 到增加算法精度的目标； 3.3、 对颈部网络的第一步对算法速度进行了提升， 为第 二步预计增加的计算量进行一 定控制； 通过设立选择不同的层数进行对比实验， 找到一个FPS没有明显下降， 而准确度得 到提升的算法框架； 步骤四： 使用软件 对算法进行验证和比较： 学习深度学习框架搭建方法， 将设计的数据集预处理方法、 损 失函数和多尺度融合框 架与骨干网络进行融合， 从而设计出改进YOLO算法， 将改进算法的在MS  COCO2017训练集上 训练和测试， 验证算法的可 行性。 2.根据权利要求1所述的一种基于YOLO  v5的改进目标检测系 统， 其特征在于： 所述数 据增强对预处 理算法进行如下处 理： (1)、 首先将小目标通过对原始目标中的非小目标进行缩放形成小目标和直接将原始 图像中的小目标提取出来两种 方法将小目标提取出来， 形成新的图片， 以增加小目标丰富 度； (2)、 然后通过随机数量复制， 随机粘贴方式， 将提取出的小目标和原始图像以CutMix 方法进行处 理， 将小目标插 入原始图像的随机位置， 以减小图片数量； (3)、 对第二步输出的结果用Mosaic方式进行处理； 并得出经过预处理后的输入图像和 输入坐标； 通过以上方式， 目的在于进一步增大小目标的数量和复杂度， 以达到增强算法对小目 标敏感度的需求。权　利　要　求　书 1/1 页 2 CN 114882276 A 2一种基于 YOLO v5的改进目标 检测系统 技术领域 [0001]本发明属于目标检测技 术领域， 具体涉及一种基于 YOLO v5的改进目标检测系统。 背景技术 [0002]目标检测是对图像中感兴趣目标进行识别和定位的技术， 解决了图像中物体是什 么和在哪里 的问题， 在很多领域都有着非常重要的作用。 目标检测算法经常需要被应用在 一些需要实时处理图像(如视频、 监控画 面等)的地方， 所以对算法的实时性也提出了要求， 通常称处 理图像的速度达 到30FPS以上的算法为实时目标检测算法。 [0003]YOLO目标检测算法是一个一般场景下的实时目标检测算法， 在日常学习和生活中 应用广泛。 但是Y OLO算法本身的性能依然存在一些问题， 如对小尺度目标的敏感度低、 定位 准确度不足等。 所以， 能否通过对YOLO算法进行优化使其拥有更好多性能指标也是目标检 测领域需要研究的问题。 发明内容 [0004]为解决背景技术中的问题； 本发明的目的在于提供一种基于YOLO  v5的改进目标 检测系统。 [0005]本发明的一种基于 YOLO v5的改进目标检测系统， 包括如下步骤： [0006]步骤一： 数据增强： [0007]YOLOv5算法主要采用的数据增强方式是Mosaic方法， 将不同的图片进行拼接， 形 成新的图片以增 加鲁棒性。 [0008]步骤二： 目标定位损失函数： [0009]2.1、 将对角线长度和宽高比关系结合， 建立一个新的损失函数； 将其引入YOLOv5 进行训练， 得到实验数据； [0010]2.2、 寻找宽高比和最小外接矩形框的关系， 对损失函数进行优化， 并将其引入 YOLOv5进行训练， 得到实验数据； [0011]2.3、 思考标定框和预测框是否有新的位置关系， 并尝试用新的关系对损失函数进 行改进， 将其引入YOLOv5进行训练， 得到实验数据； [0012]比较不同损失函数对算法预测框准确度的影响， 选择表现更好的损失函数作为改 进算法的损失函数， 已达 到使算法定位 准确度更高的要求； [0013]步骤三： 多尺度融合结构框架： [0014]3.1、 在颈部网络高层的骨干网络连接处引入1 ×1卷积遍历高层特征图， 以减小高 层网络的通道数， 在保持高层信息不丢失的情况下降低计算量， 使 改进算法的速度有一个 提升； [0015]3.2、 在颈部网络的采用分别上采样加融合下采样的方式， 增加对骨干网络特征的 利用层数， 增 加可利用信息， 达 到增加算法精度的目标； [0016]3.3、 对颈部网络的第一步对算法速度进行了提升， 为第二步预计增加的计算量进说　明　书 1/4 页 3 CN 114882276 A 3