[发明专利]一种基于神经网络的目标检测与识别方法

权利要求书

1.一种基于神经网络的目标检测与识别方法，其特征在于，包括如下步骤：

S100：构建新型YOLOv5网络模型，在现有YOLOv5网络模型的三层检测层后再增加一层检测层；

S200：训练新型YOLOv5网络模型，具体训练过程如下：

S210：构建训练数据集：采集N张图像，将每张图像进行尺寸变换使其适用于模型训练，并对每张进行标注，即标注目标框和目标分类标签，标注后的所有图像构成训练数据集；

S220：设置新型YOLOv5网络模型的中心点间距离阈值和纵横比阈值；

S230：初始化新型YOLOv5网络模型中的参数；

将训练数据集中的所有样本输入新型YOLOv5网络模型中，采用如下公式计算：

IoU为预测框和真实框的纵横比，表达式为：

R_CIoU为重叠区域和真实框中心点距离，表达式为：

其中，s_i为各类别目标的分类得分，ε为人为设定的NMS阈值，M为预测框得分最高的值，B_i为预测框列表，b为预测框，b^gt为真实框，ρ²(b，b^gt)为预测框与真实框中心点的距离，表示为两个框中最小的封闭矩形盒子的对角线长度，ω^gt和h^gt分别表示为真实框的宽和高，ω和h分别表示为预测框的宽和高；

S240：当所述S230训练时，针对预测框的抑制问题，得分最高的预测框M与其它框B_i的IoU-CIoU相减后的值小于所设置的阈值ε，B_i框的得分s_i不变；否则，直接将s_i变成0，如此这个预测框将会被过滤掉；

再通过计算损失函数，其中包括目标损失函数、类别损失函数和框损失函数，通过反复迭代训练使损失函数最小，获取最优的网络模型参数；

S300：待检测图像检测，将待检测图像采用S210中的方法进行尺寸变换后输入训练好的新型YOLOv5网络模型中进行预测，输出目标的预测框和目标所属类别对应的概率值，设最大概率值对应的类别为该待检测图像中目标的预测类别。

2.如权利要求1所述的基于神经网络的目标检测与识别方法，其特征在于，所述S210构建训练数据集时，对标注好的N张图像通过Mosaic数据增强提升训练数据集中数据量。