技术特征：
1.一种基于锚框最优聚类的yolov5园林异常目标识别方法，其特征在于，包括如下步骤：步骤1，采集园林垃圾样本图像，并对园林垃圾样本图像进行标注，构建园林垃圾图像数据集；步骤2，利用改进的k-means算法对园林垃圾图像数据集进行锚框聚类，得到最优的9个锚框；步骤3，根据最优的9个锚框设置yolov5网络模型的锚框尺寸，并对yolov5网络模型进行训练，得到训练好的yolov5网络模型，利用训练好的yolov5网络模型实现园林垃圾识别。2.根据权利要求1所述的基于锚框最优聚类的yolov5园林异常目标识别方法，其特征在于，所述步骤1中，在对园林垃圾样本图像进行标注前，对园林垃圾样本图像进行平移、旋转和滤波预处理，再通过labelimg进行标注。3.根据权利要求1所述的基于锚框最优聚类的yolov5园林异常目标识别方法，其特征在于，所述步骤2的具体过程如下：步骤2.1，对园林垃圾图像数据集中的每张图像进行去背景操作；步骤2.2，对于去背景后的任意一张图像q
m
，根据以下公式找到图像的第一个聚类中心：其中，p表示去除背景后，图像中的所有像素点的个数；h
i
表示第i个像素点p
i
的色调分量值；表示去背景操作前，对每张图像转换颜色空间后得到的图像中所有像素点的色调分量的平均值；步骤2.3，找到下一个聚类中心，具体如下：计算图像q
m
中每个像素点p
i
到目前已选出来的所有聚类中心的最短多维融合距离，计算公式如下：算公式如下：其中，d(p
i
)表示像素点p
i
到目前已选出来所有的聚类中心的最短多维融合距离，d
k
(p
i
)表示像素点p
i
到聚类中心c
k
的多维融合距离，k表示目前已选出来的所有聚类中心个数；h
i
、h
k
分别表示像素点p
i
的色调分量、聚类中心c
k
的色调分量，(x
i
,y
i
)表示像素点p
i
相对于整个图像的坐标，(x
k
,y
k
)表示聚类中心c
k
相对于整个图像的坐标，整个图像以左上角为坐标原点，宽为x轴，长为y轴，一个像素为一个单位；计算每个像素点p
i
成为下一个聚类中心的概率，其概率用p(p
i
)表示，计算公式如下：按照概率的大小决定其概率范围的大小，并将所有的概率范围随机依次分布到0-1之间，在0-1范围内产生一个随机数，选取随机数所在的概率范围对应的像素点作为下一个聚类中心；
步骤2.4，根据基于聚类评价系数的迭代终止条件判断是否需要选取新的聚类中心，如果需要则重复步骤2.3；定义聚类评价系数f，根据聚类评价系数来决定聚类中心的个数，聚类评价系数的公式如下：如下：如下：其中，f(k)表示目前已选出k个聚类中心时的聚类评价系数；μ
k
表示每个像素点p
i
到当前已有聚类中心之间的最短多维融合距离的均值；表示每个像素点p
i
到当前已有聚类中心之间的最短多维融合距离的方差；基于聚类评价系数的迭代终止条件分为以下三种情况：情况1，按照步骤2.3的过程增加一个聚类中心，增加后的聚类中心个数为k+1，增加后的聚类评价系数为f(k+1)，增加后像素的聚合程度增加，说明增加后聚类效果更好，当增加的程度超过ε，即f(k)-f(k+1)≥ε时，需要继续增加，其中，ε为大于0的阈值；情况2，按照步骤2.3的过程增加一个聚类中心，增加后的聚类中心个数为k+1，增加后的聚类评价系数为f(k+1)，当增加后像素的聚合程度增加范围在(0,ε)之间，即0＜f(k)-f(k+1)＜ε时，停止增加，最终的聚类中心个数为k+1；情况3，按照步骤2.3的过程增加一个聚类中心，增加后的聚类中心个数为k+1，增加后的聚类评价系数为f(k+1)，当f(k)-f(k+1)＜0时，停止增加，最终的聚类中心个数为k；步骤2.5，找到所有的聚类中心后，计算图像中某像素点到各个聚类中心的多维融合距离，将该像素点分到最短多维融合距离所对应的聚类中心的类别中；步骤2.6，对于新增加像素点的类别重新计算聚类中心，具体为：设园林垃圾图像数据集s中最大垃圾标记的尺寸为w
max
、l
max
，则其对角线长度为新增加像素点的类别的聚类中心当前为c，若新增加的像素点到当前聚类中心c的欧氏距离大于r
max
，则更新后的聚类中心仍为c，若新增加的像素点到当前聚类中心的欧氏距离小于r
max
，则更新后的聚类中心为后的聚类中心为分别为该类别中所有像素点横坐标与纵坐标的平均值，公式如下：其中，n表示该类别当前像素点的个数，x
n
、y
n
分别为该类别中第n个像素点的横、纵坐标值；步骤2.7，重复步骤2.5和2.6，直到聚类中心的位置不再发生变化；步骤2.8，根据每个类别中所有像素点的坐标最值x
min
、x
max
、y
min
、y
max
，确定锚框的上下左右四个边界，得到锚框；步骤2.9，对去背景后的数据集q中每张图像进行步骤2.2到2.8操作，得到所有的锚框；
步骤2.10，根据基于0-1模型的多帧锚框最优选择，得到最优的9个锚框。4.根据权利要求3所述的基于锚框最优聚类的yolov5园林异常目标识别方法，其特征在于，所述步骤2.1的具体过程如下：将园林垃圾图像数据集s＝{s1,s2,...,s
m
}中每张图像s
m
的rgb三个颜色分量转换成hsv三个颜色分量，得到转换颜色空间后的图像，计算每张转换颜色空间后的图像中所有像素点的色调分量的平均值将转换颜色空间后的图像与掩膜进行运算得到感兴趣区域，即提取转换颜色空间后的图像中色调分量在范围之外的像素点，得到去背景后的数据集q＝{q1,q2,...,q
m
}，m＝1,
…
,m，m为园林垃圾图像数据集中的图像数量。5.根据权利要求3所述的基于锚框最优聚类的yolov5园林异常目标识别方法，其特征在于，所述步骤2.10的具体过程如下：将去背景后的数据集q中所有图像得到的锚框排列成一个集合e＝{e1,e2,...,e
t
}，e
t
表示第t个锚框，t表示所有锚框数量，以每个锚框为单位，以每个锚框的左上角为原点，向下为y轴，向右为x轴建立坐标系，得到框内所有聚类像素点的坐标；根据框内像素点的聚合度与锚框面积大小的均匀度建立0-1模型求得要选择的最优锚框，0-1模型的公式如下：1模型的公式如下：其中，s
t
表示第t个锚框的面积大小；a
t
只有0、1两种取值；γ表示调节系数；d
t
表示第t个锚框的框内所有聚类像素点到锚框中心点的距离，其公式如下式所示：个锚框的框内所有聚类像素点到锚框中心点的距离，其公式如下式所示：个锚框的框内所有聚类像素点到锚框中心点的距离，其公式如下式所示：其中，(x
j
,y
j
)、(x
c
,y
c
)分别表示锚框内第j个像素点的坐标和锚框中心点的坐标；l
t
和w
t
表示第t个锚框的长和宽；l表示锚框内所有聚类像素点的个数。
技术总结
本发明公开了一种基于锚框最优聚类的YOLOv5园林异常目标识别方法，包括：采集园林垃圾样本图像，并对园林垃圾样本图像进行标注，构建园林垃圾图像数据集；利用改进的K-means算法对园林垃圾图像数据集进行锚框聚类，得到最优的9个锚框；根据最优的9个锚框设置YOLOv5网络模型的锚框尺寸，并对YOLOv5网络模型进行训练，得到训练好的YOLOv5网络模型，利用训练好的YOLOv5网络模型实现园林垃圾识别。在智慧园林场景中，利用本发明的方法，可以将无人机拍摄的视频和图片信息中的粘连的垃圾精准的识别出来，提高了垃圾识别的召回率和准确率，大大减轻了园林中人力和物力的投入，减少了人工巡检的工作。减少了人工巡检的工作。减少了人工巡检的工作。
技术研发人员：张晖 李可欣 赵海涛 朱洪波
受保护的技术使用者：南京邮电大学
技术研发日：2022.03.28
技术公布日：2022/8/16