(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210964547.8 (22)申请日 2022.08.12 (65)同一申请的已公布的文献号 申请公布号 CN 115035354 A (43)申请公布日 2022.09.09 (73)专利权人 江西省水利科 学院 地址 330029 江西省南昌市北京东路10 38 号 专利权人 南昌工程学院 (72)发明人 许小华　包学才　王海菁　曾祥君　 李德龙　 (74)专利代理 机构 南昌丰择知识产权代理事务 所(普通合伙) 36137 专利代理师 张荣 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 20/10(2022.01)(56)对比文件 CN 113435269 A,2021.09.24 CN 114723750 A,2022.07.08 CN 114581848 A,202 2.06.03 CN 114821480 A,202 2.07.29 CN 114820490 A,202 2.07.29 CN 114240821 A,202 2.03.25 CN 114863301 A,202 2.08.05 CN 114387538 A,202 2.04.22 CN 114299492 A,2022.04.08 CN 114821665 A,2022.07.29 CN 114299011 A,2022.04.08 CN 114638784 A,202 2.06.17 CN 114821341 A,202 2.07.29 CN 114299011 A,2022.04.08 CN 114419131 A,202 2.04.29 CN 114782772 A,202 2.07.22 CN 114821665 A,2022.07.29 CN 114581848 A,202 2.06.03 (续) 审查员 周生凯 (54)发明名称 基于改进YOLOX的水库水面漂浮物目标检测 方法 (57)摘要 本发明公开了一种基于改进YOLOX的水库水 面漂浮物目标检测方法， 其方法为： 图像数据集 收集和预处理操作； 改进YOL OX算法模型， 提出一 种改进特征融合模块， 增强输出特征信息的丰富 度， 提升大目标和小目标水库漂浮物的精度； 判 断是否要调整学习率以降低训练损失值， 提升检 测精度： 若是， 则在训练过程中手动更改超参数 的取值并继续训练； 否则， 保持按原超参数训练； 完成训练， 获取最优权重： 最后水库水面漂浮物 图片检测识别。 本发明的有益效果是： 采用改进 YOLOX算法模型进行目标检测， 训练参数量适中， 检测精度更好， 实现了水库水面漂浮物的自动化高精度检测 和识别。 [转续页] 权利要求书2页 说明书6页 附图4页 CN 115035354 B 2022.11.08 CN 115035354 B (56)对比文件 张剑飞.改进YOLOX火灾场景检测方法的研 究. 《计算机与数字 工程》 .202 2,318-323. XINJIE QIU.ship detecti on in infrared images via boundi ng boxes based o n improved yo lox. 《ICCAID 2021》 .202 2, 1216804-1216809.2/2 页 2[接上页] CN 115035354 B1.基于改进YOLOX的水库水面漂浮物目标检测方法， 其特 征在于， 包括 步骤如下： S1、 图像数据集收集和预处理操作： 针对不同水库检测场景制作大量水面漂浮物的图 像； 将图像数据进 行分类和筛选， 剔除无效图像， 得到数据集； 保证每一类的数据集相同； 利 用图像预 处理模块将水面漂浮物图像进行尺寸变化以适应网络模型的输入， 并对数据集进 行标注， 最后确定训练集、 验证集和 测试集； S2、 改进YOLOX算法模型， 具体改进如下： 构建9层CSPLayer残差结构组成的dark2模块， 即修改YOLOX主干网络， 将原有1层的 160*160*128的残差结构层CS PLayer改为9层， 强化 提取目标 特征； 提出一种改进特征融合模块， 增强输出特征信息的丰富度， 提升目标水库漂浮物的精 度； S3、 判断是否要调整学习率以降低训练损失值， 提升检测精度： 若是， 则在训练过程中 手动更改超参数的取值并继续训练； 否则， 保持按原超参数训练； S4、 完成训练， 获取最优权重： 当训练和验证损失值均小于3%时， 结束训练， 保存当前权 重作为最优权重； S5、 水库水面漂浮物图片检测识别： 利用基于最优权重的改进YOLOX算法模型对水库的 水面进行检测， 判断是否有水面漂浮物， 如果有则确定漂浮物的具体位置、 大小和置信度并 进行输出； 步骤S1具体过程如下： S1‑1， 收集水库中常出现的垃圾漂浮物类别并针对不同场景水库获取具有水面漂浮物 图片， 收集完后进行筛 选工作将无效图片进行剔除； 将剔除后的图片整理成漂浮物数据集； S1‑2， 采用VOC、 COCO数据集相同的目标检测标记手法， 通过数据集标记软件 Labelimg 标记已收集水面各类漂浮物数据集， 默认使用矩形框进 行标注， 将 “bottle”作为瓶子标识， “snakeBags ”作为零食袋标识， “branch”作为树枝标识， “plasticBag ”作为塑料袋标识； 获 得一组xml与相应jpg图片对应的标注集； S1‑3， 确定训练集、 验证集和测试集： 根据标记完成的数据集数量以7:2:1的比例将数 据集分为训练集、 验证集和测试集， 在训练过程中训练集和验证集不断对权重进 行校正， 以 使得得到真实框GT的位置信息， 将xml位置信息和对应图像的地址储存在一个.txt文件中， 让改进YOLOX算法模型读取.txt文件进行训练； 步骤S2中提出一种改进融合特 征模块的具体改进如下： A.在YOLOX的特征融合结构上， 新增 特征图大小为160*160*128的融合结构， 并与修改 主干网络中由9层大小为16 0*160*128 CSPLayer残差结构组成的dark2模块输出相连； B.将新增特征图大小为160*160*128的融合结构与由主干网络中3层大小为80*80*256 CSPLayer残差 结构的输出做add操作， 然后输出再与新增1层大小为80*80*256 CSPLayer残 差结构相连； C.将特征图大小80*80*256的融合结构与主干网络中3层大小为40*40*512 CSPLayer 残差结构的输出做add操作， 然后输出再与新增1层大小为40*40*512 CSPLayer残差结构相 连； D.将特征图大小40*40*512的融合结构与主干网络中3层大小为20*20*1024 CSPLayer 残差结构的输出做add操作， 然后输出再与新增1层大小为20*20*1024 CSPLayer残差结构权　利　要　求　书 1/2 页 2 CN 115035354 B 3