[发明专利]一种基于M3-YOLOv5的指定移动目标检测方法

说明书

本发明公开了一种基于M3‑YOLOv5的指定移动目标检测方法，将YOLOv5的骨干网络替换为原始MobileNetV3算法网络的去除最后的平均池化层和两个逐点卷积层的部分，并添加了上采样模块。将YOLOv5的瓶颈网络中的与输出端最近的3个CBL模块替换为1个PDP_1模块和2个PDP_2模块。本发明将YOLOv5目标检测算法与MobileNetV3检测算法相结合，改进简便，构建出检测速度快、检测精度高的网络模型。本发明在保留检测精度的同时提高了检测速度，更适用于指定移动目标的检测。

技术领域

本发明属于目标检测领域，具体是一种基于MobileNetV3-YOLOv5的指定移动目标检测方法。

背景技术

目标检测是在图像或者视频中判断是否存在感兴趣的目标，若存在则确定目标在图像中的位置，同时对目标所属类别进行判断。基于深度学习的目标检测比传统方法的速度和精度更高，并广泛应用在各个领域，如道路上的行人车辆识别，生产制造过程中的产品瑕疵识别等等。目标检测是计算机视觉领域中重要的研究方向之一，随着人工智能、互联网等的快速发展，人们身边存在大量的图像与视频数据，使得计算机视觉技术对人类生活的影响越来越大。

YOLO(You Only Look Once)是一种单阶段的目标检测算法，其基本原理是把目标检测转变成一个回归问题，利用整张图片作为网络的输入，仅仅经过一个神经网络便得到边界框位置及其所属类别。YOLOv5是YOLO系列最新的网络模型，其检测效果优于YOLOv1-YOLOv4。

现有技术中，应用于不同场景的改进的YOLO算法有很多，并取得了良好的应用成果。申请号为202110274273.5的文献公开了一种基于MYOLOv3网络的杆塔图像检测方法，利用MobileNetV3-Large网络构建3个检测子网路，减少检测子网络中各个卷积层的通道数，提高了对杆塔图像的检测速度。但此改进方法中，杆塔是静止目标。针对指定移动目标的检测，受到同类目标干扰以及目标移动速度的影响，现有方法的应用效果并不理想，需要更高的检测速度及准确度。

发明内容

针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于MobileNetV3-YOLOv5的指定移动目标检测方法。

本发明解决所述技术问题的技术方案是，提供一种基于M3-YOLOv5的指定移动目标检测方法，其特征在于，该方法包括以下步骤：

步骤1、获取目标检测所需的图像数据；

步骤2、对图像数据进行划分，建立训练集和测试集；

步骤3、结合MobileNetV3算法对YOLOv5算法进行改进，得到MobileNetV3-YOLOv5算法的网络模型；

步骤4、使用步骤2得到的训练集对步骤3得到的MobileNetV3-YOLOv5网络模型进行训练，得到训练后的MobileNetV3-YOLOv5网络模型；

步骤5、将步骤2得到的测试集输入步骤4得到的训练后的MobileNetV3-YOLOv5网络模型中进行检测，得到检测结果。

与现有技术相比，本发明有益效果在于：

1、本发明将YOLOv5目标检测算法与MobileNetV3检测算法相结合，改进简便，构建出检测速度快、检测精度高的网络模型。本发明在保留检测精度的同时提高了检测速度，保证检测的实时性，更适用于指定移动目标的检测，使移动终端、嵌入式设备运行神经网络模型成为可能。

2、本发明将YOLOv5的骨干网络替换为原始MobileNetV3算法网络的去除最后的平均池化层和两个逐点卷积层的部分，并添加了上采样模块，便于瓶颈网络中的与最大尺度输出最近的拼接模块(Concat)的操作。