(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 202210780605.1 (22)申请日 2022.07.07 (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　周帅　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 黄劼 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于改进型YOLOv5的小目标检测方法及装 置 (57)摘要 本发明涉及一种基于改进型YOLOv5的小目 标检测方法及装置， 所述方法包 括对YOLOv5网络 模型进行改进， 得到改进型YOLOv5网络模型； 获 取小目标图像数据集， 并将图像数据集划分为训 练样本集和测试样本集； 将训练样 本集输入至改 进型YOLOv5网络模型中进行训练， 得到 预训练权 重， 根据预训练权重对改进型YOL Ov5网络模型进 行调整； 将测试样本集输入调整后的改进型 YOLOv5网络模型中， 得到检测结果。 本发明通过 对现有的YOL Ov5网络模型进行改进， 提高了检测 工作的准确性、 即时性， 减少了人力资源损耗， 有 效提高监测效率。 权利要求书2页 说明书9页 附图3页 CN 115223009 A 2022.10.21 CN 115223009 A 1.一种基于改进型YOLOv5的小目标检测方法， 其特 征在于， 包括： 对YOLOv5网络模型进行改进， 得到改进型YOLOv5网络模型； 获取小目标图像数据集， 并将所述图像数据集划分为训练样本集和 测试样本集； 将所述训练样本集输入至改进型YOLOv5网络模型中进行训练， 得到预训练权重， 根据 所述预训练权 重对所述改进型YOLOv5网络模型进行调整； 将所述测试样本集输入调整后的改进型YOLOv5网络模型中， 得到检测结果。 2.根据权利要求1所述的方法， 其特征在于， 所述YOLOv5网络模型包括： 依次连接的输 入端、 主干网络、 Neck网络、 预测网络和输出端； 所述对YOLOv5网络模型进行改进， 得到改进 型YOLOv5网络模型， 包括： 在所述主干网络中增加第一Transformer模块， 以及在所述Neck网络中增加多个CBAM 模块和第二Transformer模块。 3.根据权利要求2所述的方法， 其特 征在于， 所述主干网络， 还 包括： Focus模块、 第一CS P模块、 第二CS P模块及第三CS P模块及S PP模块； 所以输入端连接Focus模块的输入端， 所述Focus模块的输出端与所述第一CSP模块的 输入端连接， 所述第一CSP模块的输出端与所述第二CSP模块的输入端连接， 所述第二CSP模 块的输出端与所述第三CSP模块的输入端连接， 所述第三CSP模块的输出端与所述SPP模块 的输入端连接， 所述SPP模块的输出端与所述第一Transformer模块的输入端连接， 所述第 一Transformer模块的输出端连接Neck网络 。 4.根据权利要求3所述的方法， 其特征在于， 所述CBAM模块包括三个， 为第一CBAM模块、 第二CBAM模块以及第三CBAM模块； 所述Neck网络， 还包括： 第四CSP模块、 第五CSP模块及第 六CSP模块、 第一Co ncat模块、 第二Co ncat模块、 第三Co ncat模块以及第四Co ncat模块； 所述第一Transformer模块 的输出端上采样后通过第一Concat模块连接所述第四CSP 模块的输入端， 所述第四CSP模块的输出端 上采样后通过所述第二Concat模块连接第五CSP 模块； 所述第一CBAM模块的输入端与所述第二CSP模块的输出端、 第三CSP模块的输出端连 接， 所述第一CBAM模块的输出端通过 所述第二Co ncat模块连接第五CS P模块； 所述第二CBAM模块的输入端连接第四CSP模块的输出端， 所述第二CBAM模块的输出端 与所述第五CS P模块的输出端连接后通过第三Co ncat模块发送至第六CS P模块； 所述第三CBAM模块 的输入端所述第一Transformer模块的输出端连接， 所述第三CBAM 模块的输出端与第六CSP模块的输出端连接后通过第四Concat模块发送至第二 Transformer模块； 所述第五CSP模块、 至第六CSP模块及第二Transformer模块的输出端均连接预测层的 输入端。 5.根据权利要求1所述的方法， 其特征在于， 还包括： 确定所述改进型YOLOv5网络模型 的检测精度； 包括： 获取改进型YOLOv5 网络模型的评价指标， 所述评价指标包括精确度、 召回率、 平均均 值 精确度以及平均帧率； 根据所述评价指标确定所述改进型YOLOv5网络模型的检测精度。 6.根据权利要求2所述的方法， 其特征在于， 所述第一Transformer模块或第二权　利　要　求　书 1/2 页 2 CN 115223009 A 2Transformer模块包括： 多头注意力层和全连接层， 所述多头注意力层与所述全连接层之间残差连接 。 7.根据权利要求1所述的方法， 其特征在于， 所述将所述训练样本集输入至改进型 YOLOv5网络模型中进行训练之前， 还 包括： 采用Mosaic ‑9数据增强方式对所述训练样本集和 测试样本集进行 数据增强。 8.根据权利要求1所述的方法， 其特 征在于， 所述训练样本集和 测试样本集的图像尺寸 为608*608。 9.一种基于改进型YOLOv5的小目标检测装置， 其特 征在于， 包括： 改进模块， 用于对YOLOv5网络模型进行改进， 得到改进型YOLOv5网络模型； 获取模块， 用于获取小目标图像数据集， 并将所述图像数据集划分为训练样本集和测 试样本集； 训练模块， 用于将所述训练样本集输入至改进型YOLOv5网络模型中进行训练， 得到预 训练权重， 根据所述预训练权 重对所述改进型YOLOv5网络模型进行调整； 检测模块， 用于将所述测试样本集输入调整后的改进型YOLOv5网络模型中， 得到检测 结果。 10.根据权利 要求9所述的装置， 其特征在于， 所述YOLOv5 网络模型包括： 依次连接的输 入端、 主干网络、 Neck网络、 预测网络和输出端； 所述对YOLOv5网络模型进行改进， 得到改进 型YOLOv5网络模型， 包括： 在所述主干网络中增加第一Transformer模块， 以及在所述Neck网络中增加多个CBAM 模块和第二Transformer模块。权　利　要　求　书 2/2 页 3 CN 115223009 A 3