一种基于YOLOv5改进的路面垃圾实时检测方法

本发明涉及垃圾检测，具体地，涉及一种基于yolov5改进的路面垃圾实时检测方法。

背景技术：

1、随着城市建设信息化、智能化发展，政府环卫投入力度加强，环卫车的产量逐年上升。在这些环卫车上，智能化垃圾检测技术被广泛应用，使得城市环卫工作效率得到提升。然而，路面场景中的垃圾检测是一个极具挑战性的工作，因为垃圾目标形状多变，破损、变形、尺寸不一，并且存在路面背景条件的干扰。为了解决这些问题，本研究提出了一种高效实时的清扫路面垃圾检测方法，该方法能够有效地识别路面上常见的垃圾，为城市环卫工作提供了智能化、高效化的技术支持。

2、目标检测技术是计算机视觉中的重要技术之一，主要用于检测图像或视频中的特定目标。传统的垃圾分类方法主要依靠人工进行分类，效率低下且易受主观因素影响。近年来，随着深度学习技术的发展，基于深度学习的垃圾分类算法也得到了广泛的研究和应用。基于深度学习的目标检测算法主要包括r-cnn、fast r-cnn、faster r-cnn、yolo等。其中，yolo系列算法因其速度快、准确率高等特点，在目标检测领域得到了广泛的应用[1]。yolov5是一种基于深度学习的目标检测算法，由美国加州大学伯克利分校研究团队于2020年5月发布。与之前的版本yolov4相比，yolov5在速度和准确性上都有了大幅提升。在路面垃圾检测中，yolov5可以通过训练模型来识别不同类型的垃圾，例如瓶子、纸张、塑料袋等。在模型训练时，需要收集足够数量的包含垃圾的图像，并使用yolov5算法进行标注和训练。随着训练的进行，模型的准确性和鲁棒性会逐渐提高，从而可以在实际的路面垃圾检测中得到应用。

3、而申请号为202210800590.0的中国发明申请：《一种基于yolov5的神经网络模型的垃圾检测方法》，其技术方案具体为：包括基于yolov5神经网络构建垃圾检测模型，其中，所述垃圾检测模型包括input模块、backbone网络模块、neck网络模块和output模块；采集垃圾图像；将所述垃圾图像输入所述input模块进行预处理；预处理后的所述垃圾图像通过所述backbone网络模块进行切片处理，获取特征图；基于所述特征图，通过所述neck网络模块进行采样融合，获取待预测特征图；将所述待预测特征图输入所述output模块进行输出，获取所述垃圾图像的检测信息。该方案并没有对训练数据集的构建以及yolov5神经网络进行优化，目标检测网络的性能和准确性还有待提升。

技术实现思路

1、为解决现有技术垃圾目标检测存在缺乏样本多样性、计算量较大、识别准确度有待提高的技术问题，本发明提供了一种基于yolov5改进的路面垃圾实时检测方法，本发明采用的技术方案是：

2、一种基于yolov5改进的路面垃圾实时检测方法，包括以下步骤：

3、s1，获取预设数量的路面垃圾图像，对路面垃圾图像进行预处理，得到样本数据集；

4、s2，对样本数据集进行图像增强处理，得到训练数据集；

5、s3，基于yolov5进行优化处理，得到初始垃圾检测网络；

6、s4，利用所述训练数据集对所述初始垃圾检测网络进行训练，得到训练好的初始垃圾检测网络；

7、s5，利用所述训练好的初始垃圾检测网络进行垃圾检测，得到检测结果。

8、作为一种优选方案，在步骤s1中，获取预设数量的路面垃圾图像，对路面垃圾图像进行预处理，得到样本数据集的具体方法包括：

9、s11，获取预设数量的路面垃圾图像；

10、s12，记录路面垃圾图像一组对角点上的坐标，作为路面垃圾图像的标签；

11、s13，将路面垃圾图像进行归一化，得到样本数据集。

12、作为一种优选方案，在步骤s2中，所述图像增强处理包括高斯噪声处理、图像明暗度处理、图像旋转处理、图像裁剪处理、图像平移处理、mosaic增强处理以及局部风格迁移样本扩充处理。

13、作为一种优选方案，所述高斯噪声处理的方法具体为：

14、将高斯噪声加入路面垃圾图像中，并改变不同的信噪比以增加图像的数据量，对应的表达式为：

15、s(o)＝s(i)+n(θ)

16、其中，s(o)为处理后图像，s(i)为原始图像，n(θ)为噪声，θ为噪声参数。

17、作为一种优选方案，所述图像明暗度处理的方法具体为：

18、以random函数调用uniform于预设的数值范围内生成随机数，以预设值为分界线，大于预设值则调暗，小于预设值则调亮，将路面垃圾图像进行亮度值变换，对应的表达式为：

19、s(o)＝f(s(i))

20、其中，s(o)为处理后图像，s(i)为原始图像，f(•)为亮度变化函数。

21、作为一种优选方案，所述图像旋转处理具体为：

22、将路面垃圾图像进行按照若干个不同的角度进行旋转，得到对应的若干个图像，对应的表达式如下：

23、i′＝icosθ-jsinθ

24、j′＝i sinθ+j cosθ

25、s(o)＝r(s(i))

26、其中，(i,j)是原图像f(i,j)中像素点坐标；(i′,j′)是对应像素点(i,j)经过旋转变换后的图像g(i′,j′)的坐标，式中r(·)为旋转变化函数。

27、作为一种优选方案，所述mosaic增强处理的方法具体为：

28、将一张选定的路面垃圾图像和随机的3张路面垃圾图像进行随机裁剪，再拼接到一张图上作为新的图像，对应的表达式为：

29、s(o)＝m(s(i))

30、其中，m(·)为mosaic增强变化函数，s(o)为处理后图像，s(i)为原始图像。

31、作为一种优选方案，所述局部风格迁移样本扩充处理的具体方法为：

32、对路面垃圾图像中的目标垃圾进行渲染，然后嵌入到无垃圾的纯路面背景图像之中进行图像融合处理，得到融合图像；

33、将所述融合图像输入到vgg网络中，使用损失函数ltotal产生损失，再将误差传递到输入层，输入层根据误差进行迭代；

34、经过多次迭代，可以得到需要的风格和内容。

35、作为一种优选方案，所述损失函数ltotal的表达式如下：

36、ltotal＝lc+ls+whlh+wtvltv+w1l1

37、其中，其中，lc是内容损失，ls是风格损失，lh为直方图损失，ltv为全变分损失；

38、所述内容损失lc、风格损失ls、直方图损失lh、变分损失ltv表示如下：

39、

40、

41、

42、

43、其中lc是内容损失，ls是风格损失，lh为直方图损失，ltv为全变分损失，l1为生成图像s和原背景图像o之间计算的损失，参考图像h垃圾目标区域各通道的直方图信息gh，f表示frobenius范数，o∈o[m]，h∈h[m]，同时，采取与训练的vgg网络φ提取高级特征表示进行损失计算，φ(·)为l层图像特征表达；h∈h[m]，r表示直方图匹配计算。

44、作为一种优选方案，在步骤s3中，所述yolov5包括input输入层、backbone网络层、neck层、prediction预测结果输出层，所述优化处理具体方法为：

45、在yolov5中的backbone网络层的每一个c3模块加入自改进gam_att注意力机制，所述自改进gam_att注意力机制将通道和空间注意力机制相结合，并将c3模块中的卷积层替换为5*5conv；

46、在yolov5中引入a-eiou损失函数，通过调节alpha因子的值，控制不同损失项的相对重要性，以此调整分类损失和回归损失的权重。

47、相较于现有技术，本发明所具有的有益效果是：

48、本发明通过局部风格迁移样本扩充等图像增强处理方法，实现扩充样本多样性、提升模型预测精度的目的；在backbone网络层引入自改进gam_att_c3注意力机制，自适应地调整特征的权重，更加准确地关注重要的特征区域，在大幅提升目标检测的精度和鲁棒性的同时，有效地减少了计算量；通过引入了a-eiou的损失函数，提升网络对于正负样本的区分能力，改善模型在较小重叠度的样本上的体现，平衡不同损失项之间的重要性。