[发明专利]一种基于改进YOLOv5的港口集装箱损伤检测方法及系统

说明书

本发明公开了一种基于改进YOLOv5的港口集装箱损伤检测方法及系统，所述方法包括以下步骤：对获取到的港口集装箱损伤图像进行预处理和标注，划分为训练集和测试集；改进YOLOv5模型：以YOLOv5模型为基本架构，构造损伤检测模型，在Backbone网络结构中最后一层之后加入CBAM注意力机制；Neck网络结构中加入BiFPN网络来进行目标特征的融合；设置损失函数EIOU Loss替代原YOLOv5网络中定位损失函数；利用训练集对损伤检测模型进行训练，直到所述损伤检测模型的目标损失函数收敛；利用训练好的损伤检测模型对测试集进行检测，输出港口集装箱损伤图像检测结果，计算平均精度AP和平均精度均值mAP。通过本发明方法，实现复杂港口环境下集装箱多种损伤类型的高精度检测。

技术领域

本发明涉及图像技术领域，具体涉及一种基于改进YOLOv5的港口集装箱损伤检测方法及系统。

背景技术

现阶段，我国传统港口向智慧港口转型升级的行业热度持续升温，其中，智能验箱是港口企业自动化改革建设中的关键环节。集装箱作为长距离运输大量货物的装货容器和载体，是港口物流运输中必不可少的一部分。为保证货物运输质量和集装箱箱体结构的安全性，港口企业需要在集装箱使用期间定期对箱体进行检查。

在传统港口业务流程中，集装箱损伤检测通常由安全检查员通过目视检查集装箱结构和附件的损伤情况，然而，这种检测方法不仅费时费力，而且对工作人员的招聘要求很高，其次，人工评估结果存在不稳定性，此外，现实港口内复杂的堆场环境难以有效保障工作人员的人身安全，与智慧港口的无人化、智能化理念背道而驰。

近年来，随着目标检测技术的不断发展，在港口集装箱的损伤检测领域取得了一定成功。然而，现有的基于传统机器学习的检测方法大多只针对某种特定类别进行检测，但实际港口条件下集装箱的损伤往往是多种损伤类型的组合，少部分针对多类别损伤的检测方法符合当前港口集装箱损伤检测的复杂要求，但在检测精度方面难以满足实际的精度标准。

因此，如何解决在港口复杂背景环境下对集装箱损伤进行检测时出现小目标遗漏、误检的问题，实现港口集装箱多种损伤类型的高精度检测，是当下港口企业发展的迫切需求，也是本领域技术人员亟需解决的问题。

发明内容

鉴于以上所述现有技术的缺点，本发明提供一种基于改进YOLOv5的港口集装箱损伤检测方法及系统，用于在港口复杂背景环境下对集装箱损伤进行检测时出现小目标遗漏、误检的问题，实现港口集装箱多种损伤类型的高精度检测。

为实现上述效果，本发明的技术方案如下：

第一个方面，本发明提供一种基于改进YOLOv5的港口集装箱损伤检测方法，包括以下步骤：

S1：对获取到的港口集装箱损伤图像进行预处理和标注，划分为训练集和测试集；所述标注的过程为：对获取的港口集装箱损伤图像进行损伤类型与损伤位置的标注，将港口集装箱损伤图像分为：箱体形变、破洞、锈蚀、凹凸磕碰、裂缝、箱门打开和集装箱堆垛坍塌七种类型；

S2：改进YOLOv5模型：以YOLOv5模型为基本架构，构造损伤检测模型，在Backbone网络结构中最后一层之后加入CBAM注意力机制；在Neck网络结构中加入BiFPN网络来进行目标特征的融合；设置损失函数EIOU Loss替代原YOLOv5网络中定位损失函数GIOU Loss；

S3：利用训练集对损伤检测模型进行训练，直到所述损伤检测模型的目标损失函数收敛，以获得训练好的损伤检测模型；

S4：利用训练好的损伤检测模型对测试集进行检测，输出港口集装箱损伤图像检测结果，计算平均精度AP和平均精度均值mAP。