(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 202210829848.X (22)申请日 2022.07.15 (71)申请人 淮阴工学院 地址 223003 江苏省淮安市经济技 术开发 区枚乘东路1号 (72)发明人 张浩　董锴龙　孙欣　随亮辉　 王敏　华奇凡　张格　高尚兵　 梁坤　孔德财　周桂良　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 柏尚春 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01)G06V 10/26(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种基于ID T-YOLOv5-CBAM混合算法的密集 小目标检测方法 (57)摘要 本发明公开了一种基于ID T‑YOLOv5‑CBAM混 合算法的密集小目标检测方法， 采用模糊 ISODATA动态聚类 的方法对k ‑means算法进行优 化， 避免局部最优解的情况发生； 嵌入一个检测 层， 使得每个gridc ell对应到原图中的感受野更 小， 增强小目标的检测能力； 同时， 采用并行策略 add进行多尺度特征的融合， 使它们在拥有高层 语义信息的同时， 保留了更多的细节信息； 在模 型中的Neck网络引入CB AM注意力机制模 块， 实现 空间维度和通道维度的全方位兼顾； 同时， 将上 采样更换为反卷积， 通过反卷积的学习能力去让 网络自己学习如何进行上采样， 使之增强对目标 图像中小目标的检测效果。 本发 明能够快速精确 并尽可能多地识别出检测目标， 极大的降低了模 型的漏检率和误检率。 权利要求书3页 说明书10页 附图4页 CN 115375913 A 2022.11.22 CN 115375913 A 1.一种基于IDT ‑YOLOv5‑CBAM混合算法的密集小目标检测方法， 其特征在于， 包括以下 步骤： (1)对预先获取的待检测小目标图像进行 预处理， 制作数据集： (2)对原YOLOv5网络结构进行改进， 得到改进后的IDT ‑YOLOv5‑CBAM网络结构； (3)对改进之后的网络模型进行参数的调整： 在IDT ‑YOLOv5‑CBAM网络模型中， 根据用 户所需的识别效果和训练速度， 设置卷积神经网络输入图像的尺寸、 识别种类的数量、 迭代 次数； (4)对改进后的模型分别从准确率、 召回率、 Map值三个方面对训练好的IDT ‑YOLOv5‑ CBAM网络模型进行评估。 2.根据权利要求1所述的基于IDT ‑YOLOv5‑CBAM混合算法的密集小目标检测方法， 其特 征在于， 所述 步骤(1)包括以下步骤： (11)图像的获取： 用户使用手机、 数码相机或其他图像采集设备对待检测小目标进行 图像采集； (12)图像的标注： 将采集到的图片进行 标注， 标注出小目标的类别和位置信息； (13)图像的扩增： 运用Augmentor图像数据增强库对图像进行扩增； 通过对样本添加噪 声、 水平镜像、 垂直镜像、 剪裁、 旋转、 平移和亮度调整操作实现样本的扩增， 达到识别所需 要求； (14)数据集的划分： 将扩增后的图像按8 :2的比例划分为训练集和验证集。 3.根据权利要求1所述的基于IDT ‑YOLOv5‑CBAM混合算法的密集小目标检测方法， 其特 征在于， 所述 步骤(2)包括以下步骤： (21)在YOLOv5原有三个 检测层的基础上增 加一个检测层； (22)在嵌入第四个检测层的基础上， 分别将第20层与第2层， 第25层与第4层和第30层 与第6层进行Co ncat多尺度融合； (23)在YOLOv5中的Neck网络引入CBAM注意力机制模块， 实现空间维度和通道维度的全 方位兼顾； (24)将原始模型Neck层中原有的上采样更换为反卷积， 用反卷积模块去增强特征图的 分辨率； (25)考虑低层特征低语义高细节和高层特征高语义低细节的特点， 采用并行策略add 替换Neck层中的Co ncat融合操作； (26)采用模糊ISODATA动态聚类的方法对k ‑means算法进行优化； 通过增加模糊矩阵， 并且在迭代过程中增加合并和分裂两个步骤， 动态确定出K值的大小， 避免局部最优解的情 况发生。 4.根据权利要求1所述的基于IDT ‑YOLOv5‑CBAM混合算法的密集小目标检测方法， 其特 征在于， 所述 步骤(3)实现过程如下： 图片大小imgsz＝[640,640]， 置信度阈值conf_thres＝0.5， Iou阈值iou_thres＝ 0.45， 初始学习率Ir＝0.0032， 学习率动量momentum＝0.843， 权重衰减系数weight_decay ＝0.00036， 设置epoc h＝200。 5.根据权利要求3所述的基于IDT ‑YOLOv5‑CBAM混合算法的密集小目标检测方法， 其特 征在于， 步骤(21)所述增加的检测层， 具体对应整体结构的第17～21层， 首先经过一个权　利　要　求　书 1/3 页 2 CN 115375913 A 2CSP2_1模块和CBS模块， 其次由第19层进行一个反卷积操作， 输出结果与第二层进行Add融 合， 最后再由第21层的CSP2_1模块对Add融合的结果做一个输出， 实现输出的feature  map 变为对原 始输入进行4 倍的下采样 操作。 6.根据权利要求3所述的基于IDT ‑YOLOv5‑CBAM混合算法的密集小目标检测方法， 其特 征在于， 所述 步骤(22)实现过程如下： 在第18层输出结果80 ×80×64的feature  map进行上采样操作， 使其变成160 ×160× 64大小的高层特征信息， 然后与第2层160 ×160×64的低层特征信息进行Concat融合； 对第 24层经过CSP2_1模块， 大小为80 ×80×128的feature  map与同等大小的第4层的低层特征 信息进行Conc at融合； 对第29层经过CSP2_1模块， 大小为40 ×40×256的feature  map与同 等大小的第6层的低层特 征信息进行Co ncat融合。 7.根据权利要求3所述的基于IDT ‑YOLOv5‑CBAM混合算法的密集小目标检测方法， 其特 征在于， 所述 步骤(25)实现过程如下： 设两路输入的通道分别为A1、 A2…Ac和B1、 B2…Bc， 公式如下 其中， c表示 通道数； Ai、 Bi分别表示两路输入的通道； Ki表示对应通道的卷积核。 8.根据权利要求3所述的基于IDT ‑YOLOv5‑CBAM混合算法的密集小目标检测方法， 其特 征在于， 所述 步骤(26)包括以下步骤： S1： 设定预期anc hor数K0＝12， 随机 选取聚类中心， 初始化12个anc hor； S2： 计算隶属度矩阵U： 其中， K表示有K个聚类中心； μij为隶属度矩阵U中的元素； dij表示第j个样本到第i个 聚 类中心的距离； dpj表示第j个样本 到第p个聚类中心的距离； m表示类间模糊程度； S3： 计算聚类中心： 其中， Zi表示第i个聚类中心； N表示样本总个数； L表示迭代次数； S4： 判断是否进行分裂， 若满足以下其中之一条件则进行分裂： ①最终聚类数目小于预 期值的1/2或最终聚类数目大于预期值的2倍； ②迭代运算次数是偶数次； ③同类别中的样 本距离标准差 向量的最大值大于样本标准差的阈值， 即σj max>θs， 其中， θs为样本标准差的 阈值， 分裂为 新的聚类中心Z1、 Z2： Z1＝Zi+fσj max Z1＝Zi‑fσj max (14) 其中， σj max表示样本距离标准差向量的最大值； f表示分裂系数， 满足0 <f<1；权　利　要　求　书 2/3 页 3 CN 115375913 A 3