一种基于改进的YOLO-v5算法的飞鸟检测方法

本发明属于深度学习，具体地说，是涉及一种基于改进的yolo-v5算法的飞鸟检测方法。

背景技术：

1、yolo-v5方法根据网络的深度和特征图的宽度，yolo-v5可以分为四种模型：yolo-v5s、yolo-v5m、yolo-v5l和yolo-v5x。在ms coco测试数据集上研究并获得这些模型的性能，比较可以得出结论，在这些模型中，yolo-v5s的处理速度最快，而yolov5x的检测精度最高。具体来说，这四种型号都有相同的网络结构，包括输入、主干、瓶颈和预测。比之前的yolov3具有更强的提取图像目标特征的能力，同时，它可以对密集排列的目标图像实现更精确的特征识别和检测。因为机场的安全性要求较高，鸟类对飞机存在一定的威胁，为实现鸟情管理，在机场对飞鸟进行精确的识别和检测是十分必要的。

技术实现思路

1、本发明的目的在于提供一种基于改进的yolo-v5算法的飞鸟检测方法，主要解决现有飞鸟检测方法定位精度低的问题。

2、为实现上述目的，本发明采用的技术方案如下：

3、一种基于改进的yolo-v5算法的飞鸟检测方法，包括以下步骤：

4、s1，引入轻量级c3ghost和ghost模块提高遥感图像中小目标检测的精度，添加cbam模块提高特征表达性能，使用ciou_loss损失函数作为边界盒回归损失提高算法的检测精度，训练出基于深度学习的飞鸟检测模型；

5、s2，选择具有不同类型飞鸟的图像，构建飞鸟数据集，并对飞鸟数据集进行重建；

6、s3，将重建的数据集按8:1:1的比例分成训练集、验证集和测试集；并将匪类后的数据集加入到飞鸟检测模型中进行模型训练；

7、s4，设定测量指标对飞鸟检测模型进行性能验证。

8、进一步地，在步骤s1中，引入轻量级c3ghost和ghost模块的具体步骤如下：

9、sa1，输入大小为h×w×c的特征图；

10、sa2，定义大小为h‘×w’×c的卷积层，计算出普通卷积的flop和过滤器的flop的数量；

11、sa3，利用ghost模块将普通卷积的flop分为两个部分；

12、sa4，使用滤波器生成多个固有特征图；

13、sa5，应用廉价变换操作固有特征图生成重影特征图；

14、sa6，将ghost模块的计算量和参数量与普通卷积的计算量和参数量进行比较计算理论比率；

15、sa7，计算出步骤sa6中ghost模块计算时间，并使用ghostbottleneck替换ghost模块中的c3模块中的瓶颈模块，从而产生新的c3ghost。

16、进一步地，在步骤s1中，添加cbam模块的具体步骤如下：

17、sb1，给定一个中间特征图f∈rc×h×w；

18、sb2，引入通道关注图mc∈rc×1×1和空间注意力图ms∈r1×h×w；

19、sb3，将通道关注特征图与输入特征图相乘而获得f‘，即并将空间注意力图与f‘相乘得到f’‘，即其中，和表示平均集合特征和最大集合特征；σ表示sigmoid激活函数，w1、w0分别为计算通道注意力的多层感知器的权重矩阵中的输出层和隐层的权重；

20、sb4，通道注意力学习不同通道的权重，并将通道与相应的权重相乘，并利用通道关注模块计算每个通道的权重；其中，通道表示卷积神经网络中的特征图的每个通道；即特征图的一个维度或一个平面；

21、sb5，通过加权空间特征来选择性地收集每个空间的空间特征，计算空间注意力表示通道上的平均池化特征和最大池化特征，σ表示sigmoid激活函数，f7×7表示滤波器大小为7×7的卷积运算。

22、进一步地，在步骤s1中，引入ciou_loss损失函数的具体步骤为：

23、sc1，将传统的损失函数giou_loss中引入一个box长宽比的惩罚项；

24、sc2，定义平衡比例的正权衡参数α和衡量anchor框和目标框之间的比例一致性的参数v，形成新的损失函数ciou_loss；使得损失函数ciou_loss从重叠面积、中心点距离和纵横比三个角度测量的边界框纵横比的比例信息。

25、进一步地，在步骤s2中，采用马赛克、改变亮度、对比度和饱和度的数据增强方法来重建数据集，使输入到飞鸟检测模型的图像多样化。

26、进一步地，在步骤s4中，性能验证的指标包括map@0.5，map@0.5：0.95，平均检测处理时间、参数量、flop和模型大小；其中，map@0.5指当iou设置为0.5时所有类别的平均ap，map@0.5：0.95是指不同iou阈值下的平均map。

27、与现有技术相比，本发明具有以下有益效果：

28、本发明通过通过引入ghost模块和cbam模块加入于yolo-v5的主干网络中，实现了模型的压缩和精度的提升，颈部网络中使用c3ghost和ghost模块，可以减少特征通道融合过程中的计算量，并增强特征表达能力，以突出用于飞鸟检测的有用信息，并抑制无用信息，提高了图像信息处理的效率和准确性。使用ciou_loss作为边界框回归损失函数，可以改善目标检测框的定位精度和回归速度，该方法在保持或提高检测精度的同时，显著降低了计算成本和模型大小。

技术特征：

1.一种基于改进的yolo-v5算法的飞鸟检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于改进的yolo-v5算法的飞鸟检测方法，其特征在于，在步骤s1中，引入轻量级c3ghost和ghost模块的具体步骤如下：

3.根据权利要求2所述的一种基于改进的yolo-v5算法的飞鸟检测方法，其特征在于，在步骤s1中，添加cbam模块的具体步骤如下：

4.根据权利要求3所述的一种基于改进的yolo-v5算法的飞鸟检测方法，其特征在于，在步骤s1中，引入ciou_loss损失函数的具体步骤为：

5.根据权利要求4所述的一种基于改进的yolo-v5算法的飞鸟检测方法，其特征在于，在步骤s2中，采用马赛克、改变亮度、对比度和饱和度的数据增强方法来重建数据集，使输入到飞鸟检测模型的图像多样化。

6.根据权利要求5所述的一种基于改进的yolo-v5算法的飞鸟检测方法，其特征在于，在步骤s4中，性能验证的指标包括map@0.5，map@0.5：0.95，平均检测处理时间、参数量、flop和模型大小；其中，map@0.5指当iou设置为0.5时所有类别的平均ap，map@0.5：0.95是指不同iou阈值下的平均map。

技术总结
本发明公开了一种基于改进的YOLO‑v5算法的飞鸟检测方法，包括以下步骤：S1，引入轻量级C3Ghost和Ghost模块提高遥感图像中小目标检测的精度，添加CBAM模块提高特征表达性能，使用CIoU_Loss损失函数作为边界盒回归损失提高算法的检测精度，训练出基于深度学习的飞鸟检测模型；S2，选择具有不同类型飞鸟的图像，构建飞鸟数据集，并对飞鸟数据集进行重建；S3，将重建的数据集按8:1:1的比例分成训练集、验证集和测试集；并将匪类后的数据集加入到飞鸟检测模型中进行模型训练；S4，设定测量指标对飞鸟检测模型进行性能验证。本发明通过将CBAM模块加入于YOLO‑v5的主干网络中，以突出用于飞鸟检测的有用信息，并抑制无用信息，从而提高图像信息处理的效率和准确性。

技术研发人员：李冬芬,蒋洋洋,朱永豪,付优,花晓雨,刘明哲,唐小川,周让
受保护的技术使用者：成都理工大学
技术研发日：
技术公布日：2024/2/6