(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211365030.3 (22)申请日 2022.11.02 (71)申请人 山东神戎电子股份有限公司 地址 250101 山东省济南市高新 开发区舜 华路1号齐 鲁软件园创业广场F座A312 申请人 山东芯光光电科技有限公司 (72)发明人 任向楠　倪海峰　张峰　范文涛　 王琪瑶　赵莹　贺超　董兴东　 张帆　谢继顺　陈大明　徐仰惠　 牛慧卓　赵万存　李同磊　单洪朋　 孟祥振　李吉鑫　魏光旭　徐蒙蒙　 (74)专利代理 机构 济南泉城专利商标事务所 37218 专利代理师 赵玉凤(51)Int.Cl. G06V 10/82(2022.01) G06V 10/80(2022.01) (54)发明名称 一种基于改进YOLOv5的小目标检测方法 (57)摘要 本发明公开了一种基于改进YOLOv5的小目 标检测方法。 该方法使用Mosaic数据增 强方法， 并针对小目标本身像素值较少的问题， 将YOL Ov5 主干网络中的Focus结构剪枝， 减少在切片过程 中的信息丢失； 将条件参数化卷积和残差网络相 结合， 构成了条件残差单元， 残差结构保留了卷 积操作前的特征， 可以有效利用不同阶段的特征 进行融合； 而条件参数卷积和加权池化SPP结构 可以为每个样本学习一组特定的参数， 既能提升 模型对特征的有效利用率， 同时又能保持高效的 推理速度。 将该改进 方法应用于各类小目标检测 中， 实验结果表明， 无论是简单场景还是复杂场 景， 相较原始YOLOv5算法， 该方法在小目标检测 方面都具有更高的检测精度。 权利要求书1页 说明书4页 附图3页 CN 115527096 A 2022.12.27 CN 115527096 A 1.一种基于改进YOLOv5的小目标检测方法， 其特 征在于： 包括以下步骤： S01)、 采集用于小目标检测的数据， 制作YOLO标签 格式的图像数据集； S02)、 将图像数据集输入到网络进行 数据增强； S03)、 图像数据集进行数据增 强后输入特征提取网络， 特征提取的主干网络采用改进 的CSPDarkNet， 其中在原始YOLOv5的主干网络中删除了Focus结构， 五层网络结构分别由下 采样条件卷积层、 SPP模块和条件残差单元Res  unit组成， 分别从第三、 四、 五层得到三种不 同尺度的特 征图， 分别记作F3、 F4、 F5； 所述下采样条件卷积层用条件参数化卷积代替原始YOLOv5中的标准卷积， 将条件卷积 层中的卷积核参数化为n个专家的线 性组合( α1W1+…+αnWn)*x， 其中αi＝ri(x)为使用具有学 习参数的路由函数计算的与示例 相关的标量权 重， Wi为卷积核， x为输入该 卷积层的特 征； SPP模块采用k＝{1*1,5*5,9*9,13*13}的SoftPool加权池化进行多尺度融合， 将不同 尺度的特征图进 行拼接操作； 使用softmax进 行加权池化， 根据非线性特征值计算区域的特 征值权重 其中wi为特征权重， a是活动值， i、 j为所取活动值在特征矩 阵中对应的索引， R为局部计算区域； 得到特征值权重后， 通过加权区域的特征值得到输出 结果 条件残差单 元由条件卷积层构成， 并在其短连接中加入条件卷积， 扩展特 征通道； S04)、 步骤S03)得到的特征图传输到目标检测网络的颈部， 颈部结构采用基于CCSP2网 络结构的FPN+PA N特征融合网络， 通过自顶向下和自底向上两种方式进 行特征融合， 最终得 到三种不同尺度的强化特 征图， 分别记作A3、 A4、 A5； S05)、 将强化特征图A3、 A4、 A5输入到目标检测网络的头部， 三种 强化特征 图分别再做 一次条件卷积， 进一步筛选并加强与特定类相关的特征， 最终得到三种不同尺度的预测特 征图， 分别记作P3、 P4、 P5； 预测先验框由数据集聚类动态获得， 预测网络通过非极大抑制输 出最终预选 框并映射 为原图大小， 最终得到目标物体的检测结果。 2.根据权利要求1所述的基于改进YOLOv5的小目标检测方法， 其特征在于： 步骤S02)中 的数据增强采用4张图像随机缩放、 随机 裁剪、 随机排列的方式进行拼接 。 3.根据权利要求1所述的基于改进YOLOv5的小目标检测方法， 其特征在于： 步骤S03)采 用2倍下采样条件卷积层作为主干网络的第一层。 4.根据权利要求1所述的基于改进YOLOv5的小目标检测方法， 其特征在于： 步骤S03)采 用的路由函数为： ri(x)＝Sigmoid(GlobalAveragePool(x)R)， 其中R为权重矩阵， Sigmoi d (·)为Sigmo id函数， Gl obalAvera gePool(·)为全局平均池化 函数。 5.根据权利要求1所述的基于改进YOLOv5的小目标检测方法， 其特征在于： 步骤S04) 中， FPN和PAN引入CCSP2网络结构， CCSP2网络由多个条件卷积层和卷积核拼接组成， 通过跨 阶段层次结构进 行特征合并， 加强特征筛选和特征融合的能力； FPN自顶向下融合不同尺度 的特征， 将高层特征经过上采样后与低层特征融合； PAN自底向上融合不同尺度的特征， 将 低层特征经过两倍下采样条件卷积后与高层特 征融合。权　利　要　求　书 1/1 页 2 CN 115527096 A 2一种基于改进Y OLOv5的小目标 检测方法 技术领域 [0001]本发明涉及 计算机视觉的目标检测领域， 特别是一种基于改进YOLOv5的小目标检 测方法。 背景技术 [0002]小目标检测是图像分析处理领域的一个重要研究方向， 利用计算机对远距离捕获 的图像数据进行有效分析和处理， 识别不同类别的目标并标注其所在位置， 被广泛应用于 城市智慧交通、 抗灾救灾、 边防安全等场景， 这项研究节省大量人力和时间成本， 因此小目 标检测技术具有十分重要的研究意义和实用价值。 所谓小目标指的是目标成像尺寸较小， 通常有两种定义方式： (1)绝对尺寸大小， 在COCO数据集中， 尺寸小于32 ×32像素的目标被 认为是小目标； (2)相对尺寸大小， 根据国际光学工程学会定义， 小目标为256 ×256像素的 图像中成像面积小于8 0像素的目标， 即若目标的尺寸小于原图的0.12％则可以认 为是小目 标。 小目标检测的难点主要在于以下几点： (1)目标像素面积小， 包含的特征信息过少， 尤其 是红外图像特征信息缺失严重； (2)数据集分布不平衡， 现有标准数据集中小目标占比较 小， 存在严重的图像级不平衡； (3)数据集中存在目标遮挡、 模糊、 不完整现象， 导致小目标 信息缺失严重 。 [0003]近年来， 随着深度学习理论的不断发展及社会需求的日益增长， 小 目标检测技术 的研究引起了越来越广泛的关注， 但目前专门针对小目标检测的研究较少， 现有的小目标 检测算法一般是在现有目标检测方法的基础上， 通过加深网络的层数提取到更丰富特征， 或者复杂化特征融合过程来增强模型对多尺度目标的鲁棒性， 从而提升小目标检测的性 能。 Faster  R‑CNN、 SSD和YOLO算法等作为经典 的目标检测算法， 在精度和速度上均取得了 较好的表现， 因此诸多研究者在此基础上进行了针对小目标检测的改进。 基于两阶段的方 法主要是通过增加针对感兴趣区域的特征提取， 并且更加注重空间特征 的重要性， 以增强 对小目标的检测性能； 基于单阶段的改进算法主要是通过多尺度特征融合的方式来充分利 用富含细节信息的底层高分辨率特征。 此外， 生成 式对抗网络、 数据扩充等技术也被广泛用 于解决小目标检测问题。 但不论是增加多尺度的特征融合还是应用更大规模的主干网络都 会使网络的时间 复杂度大幅度增 加， 大大降低了目标检测模型的实时性。 发明内容 [0004]针对现有技术的缺陷， 本发明提供一种基于改进YOLOv5的小目标检测 方法， 改进 并简化目标检测网络结构， 提高了小目标的特 征利用率， 且保证了目标检测模型的实时性。 [0005]为了解决所述技术问题， 本发明采用的技术方案是： 一种基于改进YOLOv5的小目 标检测方法， 包括以下步骤： [0006]S01)、 采集用于小目标检测的数据， 制作YOLO标签 格式的图像数据集； [0007]S02)、 将图像数据集输入到网络进行 数据增强； [0008]S03)、 图像数据集进行数据增强后输入特征提取网络， 特征提取的主干网络采用说　明　书 1/4 页 3 CN 115527096 A 3