[发明专利]基于YOLOv5网络的头盔检测方法

权利要求书

1.一种基于YOLOv5网络的头盔检测方法，其特征在于，包括：

采用Mosaic-8图像增强算法对原始图片进行预处理；

将预处理后的图片输入到引入了注意力机制的YOLOv5网络中进行迭代训练，通过反复迭代训练获得最优权重模型；

将待检测图片进行预处理后输入最优权重模型进行头盔检测。

2.根据权利要求1所述的基于YOLOv5网络的头盔检测方法，其特征在于，通过网络爬取与自行拍摄相结合制作原始图片数据集，其中80％图片来源于网络，20％来源于实际拍摄。

3.根据权利要求1所述的基于YOLOv5网络的头盔检测方法，其特征在于，对原始图片进行标签标注，标签分为两种，分别是yes和no，其中no表示电动车骑行者未佩戴头盔，yes表示佩戴头盔，使用图像增强算法对标签为yes的图片进行图像平移、翻转、旋转、缩放，分离三个颜色通道并添加随机噪声。

4.根据权利要求1所述的基于YOLOv5网络的头盔检测方法，其特征在于，目标YOLOv5算法模型中的所有C3-n模块均添加了卷积注意力模块CBAM。

5.根据权利要求4所述的基于YOLOv5网络的头盔检测方法，其特征在于，所述C3-n模块包含三个标准卷积层以及n个Bottleneck模块，C3-n模块用于对残差特征进行学习，其结构分为两支，一支指定n个Bottleneck模块和1个标准卷积层，另一支经过1个标准卷积层，最后将两支进行特征融合操作后经过1个标准卷积层，其中，每个Bottleneck模块的最后添加卷积注意力模块CBAM。

6.根据权利要求4或5所述的基于YOLOv5网络的头盔检测方法，其特征在于，所述卷积注意力模块CBAM通道注意力模块CAM和空间注意力模块SAM，所述通道注意力模块CAM对输入的特征F∈R^C×H×W分别采用基于宽和高的最大池化操作和全局平均池化于在空间维度上进行压缩，得到两个特征图与R^C×H×W为输入特征图，两个特征图共享一个两层的神经网络MLP，第一层神经元的个数为C/r，r为减少率，激活函数是ReLU，第二层的神经元个数是C，对MLP输出的两个特征图使用基于元素的加和操作，再经过Sigmoid激活函数进行归一化处理，得到最终的通道注意力特征图M_c∈R^C×1×1；

空间注意力模块SAM将通道注意力模块CAM的输出特征图作为输入，对输入的特征图分别进行基于通道的全局最大池化和全局平均池化，得到两个特征图与将两个特征图串联，基于通道做拼接操作，再经过一个7×7卷积操作生成空间注意力特征M_s∈R^1×H×W。

7.根据权利要求1所述的基于YOLOv5网络的头盔检测方法，其特征在于，所述目标YOLOv5算法模型的损失函数由分类损失、定位损失和目标置信度损失组成。

8.根据权利要求7所述的基于YOLOv5网络的头盔检测方法，其特征在于，所述目标YOLOv5算法模型采用CIOU Loss作为目标框回归的损失函数，具体为：

其中，d₁表示预测框与目标框两个中心点的欧式距离，d₂表示最小外接矩形的对角线距离。和分别表示目标框和预测框各自的宽高比，

9.根据权利要求7所述的基于YOLOv5网络的头盔检测方法，其特征在于，使用二元交叉熵损失函数来计算分类损失和目标置信度损失，具体为：

式中，K表示网络最后输出的特征图划分为K×K个格子，M表示每个格子对应的锚框的个数，表示有目标的锚框，表示没有目标的锚框，λ_{no_obj}表示没有目标锚框的置信度损失权重系数，C_i和分别代表第i个网格存在物体的预测置信度和真实置信度，p_i(c)和分别表示物体属于类别c的预测概和真实概率。