[发明专利]一种基于Yolov5的小目标检测模型的构建及检测方法

说明书

本发明公开了一种基于Yolov5的小目标模型构建及检测方法，本方法首先是对基于Yolov5网络模型进行改进，在模型中引入了注意力机制，部分卷积采用新的卷积算子，同时调整特征融合方式，增加了anchor框的检测尺寸。将经过以上改进得到的模型应用于目标检测中能够有效提升其对小目标检测的准确率，提高检测性能，实验证实，基于本发明模型的检测方法的检测性能明显优于基于其他模型的检测方法。

技术领域

本发明涉及目标检测技术领域，尤其涉及一种基于Yolov5的小目标检测模型的构建及检测方法。

背景技术

小目标检测一直是目标检测中的重点与难点，为了克服目标检测领域中的小目标检测问题，研究者们改进了各种适应于小目标检测的网络模型，但仍然有不足。在现实场景中，由于小目标是的大量存在，因此小目标检测具有广泛的应用前景，在自动驾驶、智慧医疗、缺陷检测和航拍图像分析等诸多领域发挥着重要作用。近年来，深度学习技术的快速发展为小目标检测注入了新鲜血液，使其成为研究热点。

目前小目标检测面临的挑战主要有以下几点:1)可利用特征少；2)定位要求精度高；3)样本不均衡；针对这些问题，一些学者提出了一些改进思路，例如通过不同的数据增强策略可以扩充训练数据集的规模，丰富数据集的多样性；通过多尺度学习来提升小目标性能，如图像特征金字塔就是多尺度学习的一种典型方法。

然而，由于空间和细节特征信息的丢失，难以在深层特征图中检测小目标。在深度神经网络中，浅层的感受野更小，语义信息弱，上下文信息缺乏，但是可以获得更多空间和细节特征信息。从这一思路出发，Liu等提出一种多尺度目标检测算法SSD，利用较浅层的特征图来检测较小的目标，而利用较深层的特征图来检测较大的目标；Cai等针对小目标信息少，难以匹配常规网络的问题，提出统一多尺度深度卷积神经网络，通过使用反卷积层来提高特征图的分辨率，在减少内存和计算成本的同时显著提升了小目标的检测性能。

总体来说，多尺度特征融合同时考虑了浅层的表征信息和深层的语义信息，有利于小目标的特征提取，能够有效地提升小目标检测性能。然而，现有多尺度学习方法在提高检测性能的同时也增加了额外的计算量，并且在特征融合过程中难以避免干扰噪声的影响，这些问题导致了基于多尺度学习的小目标检测性能难以得到进一步提升。

在真实世界中，“目标与场景”和“目标与目标”之间通常存在一种共存关系，通过利用这种关系将有助于提升小目标的检测性能。在深度学习之前，已有研究证明通过对上下文进行适当的建模可以提升目标检测性能，尤其是对于小目标这种外观特征不明显的目标。随着深度神经网络的广泛应用，一些研究也试图将目标周围的上下文集成到深度神经网络中，并取得了一定的成效，但是没有考虑到场景中的上下文信息可能匮乏的问题。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明的一个目的是提供一种基于Yolov5的小目标检测模型的构建方法。

为解决上述技术问题，本发明提供如下技术方案：包括，

构建包括训练样本和测试样本的数据集；

根据数据集对基于Yolov5的网络模型进行训练；

其中，所述基于Yolov5的网络模型以Yolov5网络为主干模型，包括特征提取模块、颈部增强模块、头部预测模块；

在所述颈部增强模块引入GAM注意力机制，部分卷积采用新的卷积算子；

调整所述头部预测模块的特征融合方式，扩充初始anchor框的检测尺寸；

输出训练完成后的目标检测模型。