(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 202211019534.X (22)申请日 2022.08.24 (71)申请人 武汉兴图新科电子股份有限公司 地址 430000 湖北省武汉市东湖新 技术开 发区关山大道1号软件产业三期A3栋8 层 (72)发明人 程家明　向东　徐浩　孔繁东　 (74)专利代理 机构 武汉知产时代知识产权代理 有限公司 42 238 专利代理师 万文广 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/70(2017.01) G06V 10/764(2022.01) G06V 10/80(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的飞机起落架检测方 法 (57)摘要 本发明公开了一种基于改进yolov5的飞机 起落架检测方法， 方法包括： 获取飞机起、 落图 像， 并进行标注， 得到飞机起落架数据集； 构建改 进Yolov5模型， 将传统Yolov5模型的检测头解 耦， 引入焦点损失函数计算置信度损失， 同时将 原有的位置损失函数进行替换； 利用飞机起落架 数据集训练改进Yolov5模型， 得到训练后的模 型； 利用训练后的模型， 完成飞机起落时， 起落架 的检测。 本发明有益效果是： 整体提升了改进后 的YOLOv5模型整体性能， 通过制作的飞机起落架 数据集进行验证， 其准确率从83.6％提升到了 97.5％。 实现了精准检测飞机和起 落架。 权利要求书2页 说明书4页 附图2页 CN 115471456 A 2022.12.13 CN 115471456 A 1.一种基于改进yo lov5的飞机起 落架检测方法， 其特 征在于： 包括： S1、 获取飞机起、 落图像， 并进行 标注， 得到飞机起 落架数据集； S2、 构建改进Yolov5模型， 将传统Yolov5模型的检测头解耦， 引入焦点损失函数计算置 信度损失， 同时将原有的位置损失函数进行替换； S3、 利用飞机起 落架数据集训练改进Yo lov5模型， 得到训练后的模型； S4、 利用训练后的模型， 完成飞机起 落时， 起落架的检测。 2.如权利 要求1所述的一种基于改进yolov5的飞机起落架检测方法， 其特征在于： 步骤 S2中， Yolov5模型的检测头解耦， 具体指： 将Yolov5模型的检测头分为两个分支， 其中一个 分支负责飞机起 落架的分类， 另一个分支负责飞机起 落架的位置 定位。 3.如权利 要求2所述的一种基于改进yolov5的飞机起落架检测方法， 其特征在于： 步骤 S2中引入焦点损失函数， 具体指： 将Yolov5中用于计算置信度的交叉熵损失函数， 替换为焦 点损失函数， 焦点损失函数通过引入参数α 控制正负 样本权重和分类样本 权重。 4.如权利 要求3所述的一种基于改进yolov5的飞机起落架检测方法， 其特征在于： 焦点 损失函数的计算式如式(1)： 式(1)中， S2表示一张特征图的网格数量， B表示一个网格生成 的预测框数量， i表示第i 个网格， j表示第j个预测框， 表示第i个网格的第j个预测框是否有预测目标， 如 果有则为1， 反之为0； 为置信度的真实值， Ci为置信度的预测值， γ为焦点函数的一个超 参数， α 为焦点 函数的一个权 重系数， λnoobj为权重系数。 5.如权利 要求1所述的一种基于改进yolov5的飞机起落架检测方法， 其特征在于： 步骤 S2中替换位置损失函数， 具体指： 将Yolov5的位置损失函数由原来的GIOULoss替换为 CIOULoss， 其计算公式如式(2)： CIOULoss＝1‑CIOU   (2) 其中： 式(2)～式(5)中真实框的高宽为wt与ht， 预测框的高宽为w和h， 计算得到的ν用于衡量 高宽比， IOU表 示真实框和预测框的交并比， β 是一个预置参数， 不参与计算梯度值， b_c表 示 预测框的中心点， t_c表示真实框的中心点， d(b_c,t_c)则表示两个中心点之间的欧氏距 离， c表示同时包 含真实框与预测框的最小矩形框的对角线距离 。 6.如权利 要求4所述的一种基于改进yolov5的飞机起落架检测方法， 其特征在于： 步骤 S3中模型的训练过程具体如下：权　利　要　求　书 1/2 页 2 CN 115471456 A 2S31、 将飞机起 落架数据集中的样本进行 预处理， 得到预处 理后的图像； S32、 预处理后的图像输入至改进Yolov5模型的主干部分进行特征提取， 得到图像共享 特征； S33、 图像共享特征输入至Yolov5模型的颈部部分， 获得三个不同尺度的高级图像特 征； S34、 利用解耦的Yolov5检测头网络结构对飞机和起落架的类别和位置分别 进行预测； 分类网络分支对飞机和起落架的类别进行分类， 定位分支对飞机和起落架的位置进行回 归； 最后将分类损失， 位置损失和 置信度损失进行相加， 得到 改进YOLOv5模型的损失函数， 利用改进YOLOv5模型的损失函数完成模型训练。权　利　要　求　书 2/2 页 3 CN 115471456 A 3