[发明专利]基于改进YOLOv5算法的煤炭异物检测系统及方法

权利要求书

1.一种基于改进YOLOv5算法的煤炭异物检测系统，其特征在于，所述系统包括：

煤炭异物数据集模块，用以采集并制作煤炭异物类型图像数据集；

数据集扩充模块，用以通过图像增强操作，扩充所述煤炭异物类型数据集，所述数据集扩充模块与所述煤炭异物数据集模块连接；

网络训练模块，用以利用YOLOv5网络模型从所述煤炭异物类型数据集中提取得到异物多尺度特征，并训练所述YOLOv5网络模型中的卷积神经网络，所述网络训练模块与所述数据集扩充模块连接；

适用锚框计算模块，用以使用K均值聚类算法计算适用于煤炭异物类型图像数据集的数据集适用锚框，所述适用锚框计算模块与所述网络训练模块连接；

改进YOLOv5网络模型，其连接所述网络训练模块，所述改进YOLOv5网络模型包括：

输入端，用以对原始图像进行马赛克数据增强及随机透视变换，以得到增强图像，对所述原始图像采用K均值聚类算法，处理获取适用锚框，对所述增强图像进行预置尺寸的缩放处理，以获取并输入异物特征图至所述骨干网络结构模块；

骨干网络结构模块，用以采用MobileNet V3网络结构对所述异物特征图进行深度可分离卷积、残差反转及轻量级注意力数据处理操作，并利用Mish()激活函数获取预置精度的轻量级注意力图像特征，据以利用预置激活函数处理得到骨干网络结构特征图，所述骨干网络结构模块与所述输入端连接；

颈部网络结构模块，用以采用自上而下的方式，与所述骨干网络结构特征图融合，以利用传递强定位特征，以得到颈部网络结构特征图，所述颈部网络结构模块与所述骨干网络结构模块连接；

输出端，用以根据所述颈部网络特征图消除冗余的边界框，以得到适用目标边界框，并以预置损失逻辑获取并加权处理置信度损失、矩形框损失及分类损失，以得到总体损失，所述输出端与所述颈部网络结构模块连接；

网络再训练模块，用以根据所述总体损失再训练所述改进YOLOv5网络模型中的卷积神经网络，据以检测得到煤炭异物识别结果，所述网络再训练模块与所述改进YOLOv5网络模型连接。

2.根据权利要求1一种基于改进YOLOv5算法的煤炭异物检测系统，其特征在于，所述输入端包括：

数据增强单元，用以对所述原始进行包括马赛克数据增强和随机透视变换；

手动计算锚框单元，用以根据输入图像待检测目标的大小，使用所述K均值聚类算法计算适用于煤炭异物类型图像数据集使用的锚框；

自适应图片缩放单元，用以对使用马赛克数据增强后的图像进行预置固定尺寸的缩放处理，并获取所述异物特征图，所述自适应图片缩放单元与所述数据增强单元及所述手动计算锚框单元连接。

3.根据权利要求1一种基于改进YOLOv5算法的煤炭异物检测系统，其特征在于，所述骨干网络结构模块包括：轻量级网络MobileNet V3。

4.根据权利要求3一种基于改进YOLOv5算法的煤炭异物检测系统，其特征在于，所述轻量级网络MobileNet V3包括：

深度可分离卷积模块，用以对所述异物特征图进行深度可分离卷积操作，以获取深度卷积特征图；

反转残差结构模块，用以对所述深度卷积特征图，进行残差反转及轻量级注意力数据处理操作，所述反转残差结构模块与所述深度可分离卷积模块连接；

轻量级注意力模块，用以基于ECA通道注意力机制以及新激活函数h-Swish优化网络精度，所述轻量级注意力模块与所述深度可分离卷积模块及所述反转残差结构模块连接。

5.根据权利要求4一种基于改进YOLOv5算法的煤炭异物检测系统，其特征在于，采用下述逻辑定义所述新激活函数h-Swish：

6.根据权利要求1一种基于改进YOLOv5算法的煤炭异物检测系统，其特征在于，所述颈部网络结构模块包括：

异构卷积模块，用以自上而下的方式与所述骨干网络结构特征图融合，据以实现语义特征传递；

特征金字塔网络FPN结构及感知对抗网络PAN结构，用以自下而上的方式实现强定位特征传递，所述特征金字塔网络FPN结构及感知对抗网络PAN结构与所述异构卷积模块连接。