(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 202211032554.0 (22)申请日 2022.08.26 (71)申请人 安徽理工大 学 地址 232001 安徽省淮南市安徽理工大 学 （泰丰大街168号） (72)发明人 蒋社想　周馨蕊　赵宝　 (74)专利代理 机构 合肥市浩智运专利代理事务 所(普通合伙) 34124 专利代理师 朱文振 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 10/762(2022.01) G06V 10/80(2022.01) G06T 7/73(2017.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于改进YOLOv5算法的煤炭异物检测系统 及方法 (57)摘要 本发明提供基于改进YOLOv5算法的煤炭异 物检测系统及方法， 系统包括： 使用MobileNet   V3网络结构替换原有的骨干网络结构； 使用Mish ()激活函数替换卷积层中的SiLU()激活函数； 使 用ECA注意力机制替换MobileNet  V3网络结构中 的SE注意力机制； 使用异构卷积替换颈部网络结 构模块原有的标准卷积； 将待检测图像输入训练 好的模型后得到目标的位置信息和类别信息。 本 发明解决了检测精度低以及检测效果差的技术 问题。 权利要求书3页 说明书7页 附图3页 CN 115410039 A 2022.11.29 CN 115410039 A 1.一种基于改进YOLOv5算法的煤炭异 物检测系统， 其特 征在于， 所述系统包括： 煤炭异物数据集模块， 用以采集并制作煤炭异 物类型图像数据集； 数据集扩充模块， 用以通过图像增强操作， 扩充所述煤炭异物类型数据集， 所述数据集 扩充模块与所述煤炭异 物数据集模块连接； 网络训练模块， 用以利用YOLOv5网络模型从所述煤炭异物类型数据集中提取得到异物 多尺度特征， 并训练所述YOLOv5网络模型中的卷积神经网络， 所述网络训练模块与所述数 据集扩充模块连接； 适用锚框计算模块， 用以使用K均值聚类算法计算适用于煤炭异物类型图像数据集的 数据集适用锚框， 所述 适用锚框计算模块与所述网络训练模块连接； 改进YOLOv5网络模型， 其连接所述网络训练模块， 所述改进YOLOv5网络模型包括： 输入端， 用以对原始图像进行马赛克数据增强及随机透视变换， 以得到增强图像， 对所 述原始图像采用K均值聚类算法， 处理获取适用锚框， 对所述增强图像进 行预置尺寸的缩放 处理， 以获取并输入异 物特征图至所述骨干网络结构模块； 骨干网络结构模块， 用以采用MobileNet  V3网络结构对所述异物特征图进行深度可分 离卷积、 残差反转及轻量级注意力数据处理操作， 并利用Mish()激活函数获取预置精度的 轻量级注意力图像特征， 据以利用预置激活函数处理得到骨干网络结构特征图， 所述骨干 网络结构模块与所述输入端连接； 颈部网络结构模块， 用以采用自上而下的方式， 与 所述骨干网络结构特征图融合， 以利 用传递强定位特征， 以得到颈部网络结构特征图， 所述颈部网络结构模块与所述骨干网络 结构模块连接； 输出端， 用以根据 所述颈部网络特征图消除冗余的边界框， 以得到适用目标边界框， 并 以预置损失逻辑 获取并加权处理置信度损失、 矩形框损失及分类损失， 以得到总体损失， 所 述输出端与所述颈 部网络结构模块连接； 网络再训练模块， 用以根据所述总体损失再训练所述改进YOLOv5网络模型中的卷积神 经网络， 据以检测得到煤炭异物识别 结果， 所述网络再训练模块与所述改进YOLOv5网络模 型连接。 2.根据权利 要求1一种基于改进YOLOv5算法的煤炭异物检测系统， 其特征在于， 所述输 入端包括： 数据增强单 元， 用以对所述原 始进行包括马赛克 数据增强和随机 透视变换； 手动计算锚框单元， 用以根据输入图像待检测目标的大小， 使用所述K均值聚类算法计 算适用于煤炭异物类型图像数据集使用的锚框； 自适应图片缩放单元， 用以对使用马赛克数据增强后的图像进行预置 固定尺寸的缩放 处理， 并获取所述异物特征图， 所述自适应图片缩放单元与所述数据增强单元及所述手动 计算锚框单 元连接。 3.根据权利 要求1一种基于改进YOLOv5算法的煤炭异物检测系统， 其特征在于， 所述骨 干网络结构模块包括： 轻量级网络 MobileNet V3。 4.根据权利 要求3一种基于改进YOLOv5算法的煤炭异物检测系统， 其特征在于， 所述轻 量级网络 MobileNet V3包括： 深度可分离卷积模块， 用以对所述异物特征图进行深度可分离卷积操作， 以获取深度权　利　要　求　书 1/3 页 2 CN 115410039 A 2卷积特征图； 反转残差结构模块， 用以对所述深度卷积特征图， 进行残差反转及轻量级注意力数据 处理操作， 所述反转残差结构模块与所述深度可分离卷积模块连接； 轻量级注意力 模块， 用以基于ECA通道注意力机制以及新激活函数h ‑Swish优化网络精 度， 所述轻量级注意力模块与所述深度可分离卷积模块及所述反转残差结构模块连接 。 5.根据权利 要求4一种基于改进YOLOv5算法的煤炭异物检测系统， 其特征在于， 采用下 述逻辑定义所述 新激活函数h ‑Swish： 6.根据权利 要求1一种基于改进YOLOv5算法的煤炭异物检测系统， 其特征在于， 所述颈 部网络结构模块包括： 异构卷积模块， 用以自上而下的方式与所述骨干网络结构特征图融合， 据以实现语义 特征传递； 特征金字塔网络FPN结构及感知对抗网络PAN结构， 用以自下而上的方式实现强定位特 征传递， 所述特 征金字塔网络FPN结构及感知对抗网络PAN结构与所述异构卷积模块连接 。 7.根据权利 要求1一种基于改进YOLOv5算法的煤炭异物检测系统， 其特征在于， 所述输 出端包括： NMS非极大值抑制模块， 用以寻找所述 适用目标边界框， 并消除所述冗余 边界框； 损失函数计算模块， 用以加权处理所述置信度损失、 所述矩形框损失及所述分类损失， 以得到总体损失。 8.根据权利 要求1一种基于改进YOLOv5算法的煤炭异物检测系统， 其特征在于， 所述损 失函数计算模块中， 利用下述逻辑处理得到所述置信度损失(Lobj)， 所述矩形框损失(Lbox)， 和所述分类损失(Lcls)： 其中， s表示gridsize； s ×s表示13×13， 26×26， 52×52； 表示在i， j处的box有目标， 其值为1， 反之则为0； 表示在i， j处的box没有目标， 其值为1， 反之则为0； x， y分别表示 预测框的横， 纵坐标； w， h分别表示预测框的宽和高， c表示置信度的预测值， 表示置信度的 标签值。 9.根据权利 要求1一种基于改进YOLOv5算法的煤炭异物检测系统， 其特征在于， 所述损 失函数计算模块中， 利用下述逻辑加权处理得到所述总体损失Loss： Loss＝a*Lobj+b*Lbox+ c*Lcls。 10.一种基于改进YOLOv5算法的煤炭异 物检测方法， 其特 征在于， 所述方法包括：权　利　要　求　书 2/3 页 3 CN 115410039 A 3