(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 202210584461.2 (22)申请日 2022.05.26 (71)申请人 东南大学成贤学院 地址 210088 江苏省南京市江北新区东大 路6号 (72)发明人 郁佳佳　李玄锋　 (74)专利代理 机构 南京瑞弘专利商标事务所 (普通合伙) 32249 专利代理师 张宁馨 (51)Int.Cl. G06V 20/40(2022.01) G06V 20/52(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/82(2022.01) (54)发明名称 一种基于改进YOLOv5s网络的防鸟撞事故目 标检测方法 (57)摘要 本发明公开了一种基于改进YOLOv5s网络的 防鸟撞事故目标检测方法， 首先引入通道注意力 机制SE模块， 并选择SE后置的YOLOv5s_SEA嵌入 方式作为改进Backbone方案， 然后在H ead中引入 混合域注意力机制CBA M模块， 并选用先通过通道 域再通过空间域的YOL Ov5s_CBAMA方案作为改进 方案； 接着在Head的输出端加入解耦头， 改进后 使用IOU损失函数训练reg分支， BCE损失函数训 练cls分支； 同时在Head的输出端引入趋势感知 损失TAL和趋势因子wi， 根据每个物体的移动趋 势生成自适应权重， 解决预测框的漂移问题； 本 发明提供的防鸟撞事故目标检测方法可以有效 提升小目标的检测精度， 并降低延 迟带来的检测 效果不够实时的问题， 提升了网络对目标物体的 检测效率， 从而改善 了漏检的问题。 权利要求书2页 说明书11页 附图5页 CN 115063714 A 2022.09.16 CN 115063714 A 1.一种基于改进YOLOv5s网络的防鸟撞事故目标检测方法， 其特征在于， 包括以下步 骤： 步骤S1、 对红外监控视频进行python切 片处理， 然后进行数据清洗， 并对不同类型的图 片进行label Img标注； 选取YOLOv5s网络结构进行初始模型训练； 步骤S2、 将通道注意力机制SE模块分别引入YOLOv5s网络中Backbone、 Neck和He ad三大 模块特征融合区域； 选用SE后置的YOLOv5s_SEA嵌入方式作为改进Backbo ne方案； 步骤S3、 在Head中引入混合域注意力机制CBAM模块， 并选用先通过通道域再通过空间 域的YOLOv5s_CBAMA方案作为改进方案； 步骤S4、 在Head的输出端加入解耦头， 改进后使用IOU损失函数训练reg分支， BCE损失 函数训练cls 分支； 步骤S5、 在Head的输出端引入趋势感知损失TAL和趋势因子wi， 根据每个物体的移动趋 势生成自适应权 重， 解决预测框的漂移问题； 步骤S6、 将YOLOv5s训练权重best.pt文件部署在Jet son Nano上， 并对实际的飞机场应 用场景进行识别与检测， 以及测试使用嵌入式设备Jetson  Nano的运行效果， 使 该系统可以 在其他场合使用。 2.根据权利 要求1所述的一种基于改进YOLOv5s网络的防鸟撞事故目标检测方法， 其特 征在于， 所述 步骤S2中进入SE模块具体操作步骤 包括： 步骤S2.1、 普通卷积 操作： Uc＝Ftr(Xi) 其中， Ftr表示为Transformati on各个网络模型原有的卷积 操作； 步骤S2.2、 在各个通道上的空间维度上进行Squeeze压缩过程； 采用全局平均池化， 将 信息压缩到相应的通道中， 从而扩展全局的感受野， 得到1个统计量， 此时1个统计量表 示一 个通道， 最终将维度H ×W×C的特征图压成一个1 ×1×C的向量， 变换公式如下 所示： 其中， Fsq表示为Squeeze压缩； H表示为Height； W表示为Width； Xi表示为输入； XC表示为 输出； 步骤S2.3、 将得到的特征信息经过两个全连接层， 通过w来生成相对应的通道权重， 进 行Excitation激活过程， 通过δ激活函数Relu， 然后经过σ 激活函数sigmoid， 最终得到权重 值， 变换公式如下 所示： S＝Fex(z， W)＝σ(g(z， W) )＝σ(W2δ(W1z)) 其中， Fex表示为激活过程； 步骤S2.4、 利用上一步得到的权重值， 进行Scale标准化步骤； 将得到的权重采用乘法 加权的方式分配到每个通道中， 完成在通道维度上的重标定， 得到新的特征图； 变换公式如 下 其中， Fscale表示为Scale标准化。权　利　要　求　书 1/2 页 2 CN 115063714 A 23.根据权利 要求2所述的一种基于改进YOLOv5s网络的防鸟撞事故目标检测方法， 其特 征在于， 所述步骤S3中CBAM模块包括通道注意力和空间注意力两个子模块， 通过通道注意 力模块， 将输入网络的特征图分别从宽高进行全局 最大池化过程和全局平均池化过程， 然 后再通过两层神经网络， 最后进行sigmo id激活， 得到通道 注意力特 征Mc； 具体如下： 其中， AvgPool表示为全局平均池化； MaxPool表示为全局最大池化； σ 表示为sigmoid激 活函数； M0为RC/r×C； r为降维因子且r＝16； M1为RC×C/r； Mc表示通道注意力特 征； 将输出Mc作为空间注意力模块的输入， 进行池化操作， 然后通过一个7 ×7卷积过程， 最 后通过sigmo id激活函数生成空间注意力特 征， 即Ms， 具体表示如下： 其中， f7×7表示为7×7卷积； Mc表示空间注意力特 征。 4.根据权利 要求3所述的一种基于改进YOLOv5s网络的防鸟撞事故目标检测方法， 其特 征在于， 所述 步骤S5中引入趋势感知损失TAL和趋势因子wi的具体方法如下： 步骤S5.1、 将YOLOv5s网络作为Baseline， 构造成一个三元组的GT框进行训练， 即使用 上一帧Ft‑1、 当前帧Ft和下一帧Gt+1， 即(Ft‑1,Ft,Gt+1)； 取两个相邻的帧(Ft‑1， Ft)作为输入训 练模型， 预测下一帧的GT框； 由Ft帧的真实GT框监督Gt+1的GT框， 基于输入和监督的三元组， 将训练数据集重建为 的形式； 步骤S5.2、 通过计算两帧GT之间的IoU矩阵， 对帧的维度求最大值， 得到两帧之间检测 对象的匹配IoU； 匹配的IoU值大小与物体移动速度成反比； 当有新对象出现在帧中时， 没有 与之匹配的框， 此时设置阈值 τ， 具体 计算公式如下 所示： 其中， maxj表示为Ft中方框间 的最大操作 值t， v表示为新对象的恒定权重； wi通过调节τ 和v两个参数， 缓解了时延问题。权　利　要　求　书 2/2 页 3 CN 115063714 A 3