(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 202210981872.5 (22)申请日 2022.08.16 (71)申请人 云南电网有限责任公司电力科 学研 究院 地址 650000 云南省昆明市经济技 术开发 区云大西路10 5号 (72)发明人 马显龙　郭晨鋆　龚泽威一　 曹占国　 (74)专利代理 机构 深圳中细软知识产权代理有 限公司 4 4528 专利代理师 袁文英 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/80(2022.01) G06V 10/762(2022.01)G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于Yolov5目标检测模型改进的目标检测 方法、 装置和存 储介质 (57)摘要 本申请实施例公开了基于Yolov5目标检测 模型改进的目标检测方法、 装置和存储介质， 基 于Yolov5目标检测模型对 其进行改进， 改进后的 目标检测方法， 可 以提高目标检测的检测精度， 从而可以对变电站等小目标进行有效检测。 该目 标检测方法包括： 使用主干网络backbone层对扩 充数据集中图像进行特征提取， 得到样本图像的 图像特征， 其中扩充数据集中包括至少两个目标 图像， 目标图像是对样本图像进行图像 分块后得 到并且只含有单个目标的图像； 使用融合网络 neck层对样本图像的 图像特征进行多尺度融合， 得到融合结果， 其中融合网络neck层的特征融合 部分是基于 特征图金字塔网络 FPN和实时分割网 络PAN构建； 使用预测网络层的损失函数对融合 结果进行回归计算， 得到预测结果。 权利要求书2页 说明书11页 附图4页 CN 115375914 A 2022.11.22 CN 115375914 A 1.一种基于Yolov5目标检测模型改进的目标检测方法， 其特征在于， 所述Yolov5目标 检测模型包括： 主干网络backbo ne层、 融合网络neck层和预测网络层， 包括： 使用所述主干网络backbone层对扩充数据集中图像进行特征提取， 得到样本图像的图 像特征， 其中所述扩充数据集中包括至少 两个目标图像， 所述 目标图像是对所述样本图像 进行图像分块后得到并且只含有单个目标的图像； 使用所述融合网络neck层对所述样本图像的图像特征进行多尺度融合， 得到融合结 果， 其中所述融合网络neck层的特征融合部分是基于特征图金字塔网络FPN和实时分割网 络PAN构建； 使用所述预测网络层的损失函数对所述融合结果进行回归计算， 得到预测结果。 2.根据权利要求1所述的方法， 其特 征在于， 所述方法还包括： 分别先后使用Canny算子和SUSAN算法对所述样本图像进行检测， 得 到所述样本图像的边 缘轮廓； 根据所述边缘轮廓的最小外接圆的尺寸对所述样本图像进行图像分块， 得到所述目标 图像。 3.根据权利要求1所述的方法， 其特 征在于， 所述主干网络backbo ne层中池化操作所使用的池化 算法为softpo ol算法。 4.根据权利要求1所述的方法， 其特 征在于， 所述融合网络neck层的特征融合部分是采用自顶向下的FPN结构， 以及自底向上的两 个PAN结构的特 征金字塔。 5.根据权利要求1所述的方法， 其特 征在于， 所述主干网络backbone层使用的是CSP1_X结构， 所述融合 网络neck层使用的是CSP2_X 结构， 其中所述X表示残差组件的数目。 6.根据权利要求1所述的方法， 其特 征在于， 所述预测网络层的损失函数为改进损失函数CIOU_Loss， 其中所述改进损失函数是基 于两个框之间的距离和框的宽高比设计得到 。 7.根据权利要求6所述的方法， 其特 征在于， 所述改进损失函数CIOU_L oss的函数表达式为： 其中， 所述IOU表示交并比， 所述R为预测框的最小外接矩形的对角线长度， 所述r为目标真实 框和预测框中心点之间的距离； 所述v是表征目标预测框长宽比一致性的参数， 所述wgt和 hgt表示目标真实框的宽和高； 所述 wp和hp表示预测框的宽和高。 8.一种目标检测装置， 其特 征在于， 包括： 特征提取模块、 融合模块和预测模块； 所述特征提取模块使用所述主干 网络backbone层对扩充数据集中图像进行特征提取， 得到样本图像的图像特征， 其中所述扩充数据集中包括至少 两个目标图像， 所述 目标图像 是对所述样本图像进行图像分块后得到并且只含有单个目标的图像；权　利　要　求　书 1/2 页 2 CN 115375914 A 2所述融合模块使用所述融合网络neck层对所述样本图像的图像特征进行多尺度融合， 得到融合结果， 其中所述融合网络neck层的特征融合部分是基于特征图金字塔网络FPN和 实时分割网络PAN构建； 所述预测模块使用所述预测网络层的损失函数对所述融合结果进行回归计算， 得到预 测结果。 9.一种目标检测装置， 其特 征在于， 包括： 处理器和存 储器， 所述存 储器上存 储有可执行代码； 当所述可执行代码被所述处理器执行时， 使得所述处理器执行如上述权利要求1 ‑7中 所述的目标检测方法。 10.一种计算机可读存储介质， 其上存储有可执行代码， 当所述可执行代码被目标检测 装置的处理器执行时， 使得所述 目标检测装置执行如上述权利要求1 ‑7中所述的目标检测 方法。权　利　要　求　书 2/2 页 3 CN 115375914 A 3