(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 202211204922.5 (22)申请日 2022.09.28 (71)申请人 南京华苏 科技有限公司 地址 211300 江苏省南京市高淳区淳溪街 道宝塔路258号苏宁雅居39幢10号 (72)发明人 李鹏博　陈大龙　朱文硕　孟维　 (74)专利代理 机构 南京北辰联和知识产权代理 有限公司 323 50 专利代理师 陆中丹 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/25(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于YOLOv5s网络模型的工业运载车的检测 方法 (57)摘要 本发明公开了一种基于YOLOv5s网络模型的 工业运载车的检测方法， 步骤 为： S1获取数据集： 通过网络 下载或自行制作的方式来获取数据集， 作为训练的图像数据； S2数据集图像标注： 对所 述数据集中的图像数据的目标的类别和位置进 行标注， 为训练模型提供标注图像； S3定义损失 函数： 针对YOL O_v5s网络模型的训练方向定义相 应的损失函数， 通过损失函数使网络模型不断调 整优化； S4模型训练： 定义YOLO_v5s网络模型的 训练参数， 配置相关文件， 启动网络模型的训练， 直到损失函数收敛至既定目标或迭代到指定次 数， 结束训练， 获得网络模型； S5性能评估： 定义 YOLO_v5s网络模型的性能指标， 对训练好的网络 模型进行评估。 权利要求书2页 说明书4页 附图1页 CN 115393655 A 2022.11.25 CN 115393655 A 1.一种基于YOLO_v5s网络模型的工业运载车的检测方法， 其特征在于， 具体包括以下 步骤： S1获取数据集： 通过网络下 载或自行制作的方式来获取 数据集， 作为训练的图像数据； S2数据集图像标注： 对所述数据集中的图像数据的目标的类别和位置进行标注， 为训 练模型提供 标注图像； S3定义损失函数： 针对YOLO_v5s网络模型的训练方向定义相应的损失函数， 通过损失 函数使网络模型不断调整优化， 并作为评价模型的指标之一； S4模型训练： 定义YOLO_v5s网络模型的训练参数， 配置相关文件， 启动网络模型的训 练， 直到损失函数收敛至既定目标或迭代到指定次数， 结束训练； S5性能评估： 定义YOLO_v5s网络模型的性能指标， 对训练好的网络模型进行评估。 2.根据权利要求1所述的基于YOLO_v5s网络模型的工业运载车的检测方法， 其特征在 于， 所述步骤S2对目标的类别和位置进行 标注的具体步骤 包括： S21： 打开目标 数据集的文件夹； S22： 更改并标注文件的输出路径； S23： 绘制目标框； S24： 确定该目标的类别， 即类别car。 3.根据权利要求2所述的基于YOLO_v5s网络模型的工业运载车的检测方法， 其特征在 于， 所述步骤S4中的YOLO_v5s网络模 型的结构包括： 输入端、 主干网络、 Neck网络和输出端， 输入端包括Mosaic数据增强、 自适应锚框计算和自适应图片缩放； 主干网络包括Focus结构 和CSP结构， Neck网络包括FPN和PAN结构， 输出端包括GIOU_Loss损失评估； 训练所述YOLO_ v5s网络模型的具体步骤为： S41： 对YOLO_v5s网络模型的输入端采用Mosaic数据增强的方法对图像进行裁剪、 放 缩、 拼接得到新的图像； S42： 对YOLO_v5s网络模型中所有卷积层进行归一化处理， 采用步骤S41中获得的新的 图像进行训练， 同时利用YOLO_v2在特 征提取时把浅层的特 征图链接映射到深层特 征图上； S43： 设定初始锚框， 再通过初始锚框确定候选预测框， 将标注的实际目标的边界框和 预测框作对比， 并计算 误差， 并反向更新迭代网络参数； S44： 循环步骤S41～S43， 直到损失函数收敛至既定目标或迭代到指定次数， 结束训练， 获得YOLO_v5s网络模型。 4.根据权利要求3所述的基于YOLO_v5s网络模型的工业运载车的检测方法， 其特征在 于， 所述输出端采用GIOU_Loss作为Bounding  box的损失函数， 并通过加权非极大值抑制的 方法对遮挡目标进行检测。 5.根据权利要求3所述的基于YOLO_v5s网络模型的工业运载车的检测方法， 其特征在 于， 所述步骤S43的具体步骤为： S431： 选中和初始锚框重叠并且交并比最大的候选预测框进行计算， 将损失值定义为 置信度与1的差值， 而其 他的候选预测框则通过设置相应的阈值去除； S432： 由逻辑分类器来预测类别， 并通过计算二元交叉熵得到分类损失， 从而增强网络 模型对复杂场景的适应性。 6.根据权利要求3所述的基于YOLO_v5s网络模型的工业运载车的检测方法， 其特征在权　利　要　求　书 1/2 页 2 CN 115393655 A 2于， 所述步骤S42中采用步骤S41中获得的4 48*448分辨率的新的图像进行训练。 7.根据权利要求5所述的基于YOLO_v5s网络模型的工业运载车的检测方法， 其特征在 于， 所述步骤S43 中通过两个参数depth_multiple和width_multiple来控制网络的深度和 宽度。 8.根据权利要求5所述的基于YOLO_v5s网络模型的工业运载车的检测方法， 其特征在 于， 所述步骤S5中采用平均准确率AP作为度量指标， 公式为： 其中， Pi表示第i个 检测结果所对应的查 准率， Num表示实际该样本的总数。 9.根据权利要求5所述的基于YOLO_v5s网络模型的工业运载车的检测方法， 其特征在 于， 所述步骤S41的具体步骤为： S411： 首先随机选取多张图片； S412： 分别对步骤S411中选取的多张图片进行数据增广操作， 包括翻转、 缩放和色域变 化； S413： 再将增广操作后的图片和框进行组合， 并调整分辨 率， 获得新的图像。权　利　要　求　书 2/2 页 3 CN 115393655 A 3