[发明专利]一种基于改进YOLOv5的密集小目标检测方法

说明书

本发明公开了一种基于改进YOLOv5算法的密集小目标检测方法，该方法对YOLOv5算法做出了进一步的改进。其思想为（1）在YOLOv5骨干提取网络中添加协调注意力机制（CA），通过把位置信息嵌入到通道注意力，从而使移动网络获得更大区域的信息而避免引入大的开销；（2）在YOLOv5的特征融合网络中，使用BiFPN代替PANet，引入权重，更好的平衡不同尺度的特征信息；（3）针对密集、相互遮挡的小目标，使用Varifocal Loss来训练密集目标，使得网络模型面对大面积聚簇重叠的目标时，能够准确识别。对物体自身现状颜色变化、复杂自然环境条件等也有较好的鲁棒性。

技术领域

本发明涉及目标检测技术领域，具体是一种基于改进YOLOv5的密集小目标检测方法。

背景技术

目标检测是机器视觉、人工智能领域的研究热点，也是人脸识别、物体分类、自动分拣等应用的核心技术。大量研究者围绕目标检测开展了大量研究，提出了一些解决方法。早起的方法主要是通过图像提取特征，包括图像的颜色特征、纹理特征、形状特征和空间关系特征。基于颜色直方图特征匹配方法主要有直方图相交法、参考颜色表法等，由于颜色无法衡量图像的方向和大小，所以不能很好提取图像的局部特征。基于纹理特征提取常用的方法是灰度共生矩阵法和半方差图，常用的模型有随机场模型和分形模型，而纹理是居于区域的概念，所以会导致过度区域化而忽略了全局特征。基于形状特征提取的方法主要有边界特征法、几何参数法等，而对于形变目标识别效果不佳。部分研究者提出基于机器视觉的果实自动识别技术，根据机器视觉原理, 进行图像采集。将果实的图像进行平滑、锐化等预处理后,在RGB颜色空间内计算果实颜色样本值, 并根据样本值进行图像分割, 最后利用分割的结果进行特征提取。传统基于图像特征的方法存在的主要问题是方法的扩展性不高，往往不同的目标需要用不同的特征。

近年来，机器学习，特别深度学习兴起，在计算机视觉领域引起了突破性的变革。有研究者提出了基于卷积神经网络的果实识别方法。这类方法通常首先获取果实的RGB图片，并进行预处理和标注，构建数据集，搭建好卷积神经网络，设置好网络模型的参数后，将训练集放入卷积神经网络进行训练，最后就能得到果实识别模型。由于深度学习技术的适用性更强，因此近年来在很多目标检测场合得到了推广应用。

总的来说，当前广泛应用的深度学习目标检测方法对于面积、体积较大、遮挡不严重的目标检测能取得较好的检测效果。但对于一些体型较小、密集且遮挡严重的目标，比如树上的叶子、果实、花朵，高空拍摄的野生动物群，等等，其准确、自动的检测仍然是一个挑战。同时，对于这些室外自然条件下的目标检测，还需要克服光照、雨雾等各种环境因素的影响。虽然也有一些方法，例如基于卷积神经网络的物体检测方法侧重在小目标的检测，但也还存在缺点，一是面对大量密集和重叠的目标时，无法做到精准识别，误识别较高；另一个不足是这些方法在识别目标时，过于注重对小目标的识别精度，没有考虑卷积神经网络的模型大小和检测速度，导致最终生成的检测模型难以在移动设备中部署使用。

在真实应用环境，还需要考虑具体目标的特点和应用场景。例如，在果园树上果实的检测应用中，果实的个体、颜色等特征随着生长周期而表现出差异，即使同一品种的果树，生长出的果实拥有不同特征、姿态和遮挡程度等，不同品种的果树更是有不同的性状特征。此外，在果实的生长过程中，光照的强弱，施肥的方式，水源的灌溉等复杂环境因素都会影响最终树上果实的识别。因此，目标检测算法也需要考虑目标对象在大小、颜色及周围环境条件等因素的变化。

发明内容