(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 202211278019.3 (22)申请日 2022.10.19 (71)申请人 桂林电子科技大 学 地址 541004 广西壮 族自治区桂林市七 星 区金鸡路1号 (72)发明人 王鑫　叶鹏飞　覃琴　颜靖柯　 (74)专利代理 机构 桂林文必达专利代理事务所 (特殊普通 合伙) 45134 专利代理师 白洪 (51)Int.Cl. G06V 10/82(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/762(2022.01) G06V 10/80(2022.01)G06V 10/52(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 适用于低照度环境下的改进版YOLOv5目标 检测方法 (57)摘要 本发明涉及目标检测技术领域， 具体涉及一 种适用于低照度环境下的改进版YOLOv5目标检 测方法， 包括使用图像增强算法对低照度的数据 集的训练集进行离线增强， 得到增强数据集； 使 用增强数据集和原始训练集进行配对混合， 得到 混合数据集； 对基准网络进行改进， 得到改进网 络模型； 使用混合数据集对改进网络模型进行训 练， 得到目标检测网络模型； 将待检测图片输入 目标检测 网络模型进行训练， 得到检测结果。 本 发明通过混合增强训练方式， 将低照度的数据集 通过GAN算法进行增强， 并与原始的训练集进行 混合匹配， 有效抑制直接使用增强算法所带来的 特征破坏问题， 解决了 现有的目标检测方法对低 照度环境下目标检测精确度较低的问题。 权利要求书1页 说明书10页 附图7页 CN 115512206 A 2022.12.23 CN 115512206 A 1.一种适用于低照度环境下的改进版YOLOv5目标检测方法， 其特征在于， 包括以下步 骤： 使用图像增强算法对低照度的数据集的训练集进行离线增强， 得到增强数据集； 使用所述增强数据集和原 始训练集进行配对混合， 得到混合数据集； 对基准网络进行改进， 得到改进网络模型； 使用所述混合数据集对所述改进网络模型进行训练， 得到目标检测网络模型； 将待检测图片输入所述目标检测网络模型进行训练， 得到检测结果。 2.如权利要求1所述的适用于低照度环境下的改进版YOLOv5目标检测方法， 其特征在 于， 所述图像增 加算法为En lightenGAN。 3.如权利要求2所述的适用于低照度环境下的改进版YOLOv5目标检测方法， 其特征在 于， 所述基准网络为YOLOv5s网络 。 4.如权利要求3所述的适用于低照度环境下的改进版YOLOv5目标检测方法， 其特征在 于， 所述对YOLOv5s网络进行改进， 包括： 在YOLOv5s网络的主干后三层的C 3模块里添加多分支全局坐标注意力模块； 在所述YOLOv5s网络的颈部网络的两个C3模块之前添加复合感受野特征增强模块， 并 引入空洞卷积； 在所述颈 部FPN网络和检测头中间添加自适应特 征融合模块； 所述YOLOv5s网络的头 部采用CIOU作为回归框损失函数。 5.如权利要求4所述的适用于低照度环境下的改进版YOLOv5目标检测方法， 其特征在 于， 所述使用所述混合数据集对所述改进网络模型进行训练， 得到目标检测网络模型， 包 括： 按照6:2:2的比例将所述混合数据集划分为训练集、 验证集和 测试集； 使用所述训练集对所述改进网络模型进行训练， 得到预训练模型； 使用所述验证集对所述预训练模型进行验证， 验证通过， 得到目标检测网络 。 6.如权利要求5所述的适用于低照度环境下的改进版YOLOv5目标检测方法， 其特征在 于， 所述所述使用所述混合数据集对所述改进网络模型进行训练， 得到目标检测网络模 型， 还包括： 使用所述测试集对所述目标检测网络进行测试， 得到测试 结果； 使用评价指标对所述测试 结果进行验证。 7.如权利要求6所述的适用于低照度环境下的改进版YOLOv5目标检测方法， 其特征在 于， 所述评价指标包括 准确率、 召回率、 mAP0.5和mAP0.5:0.95 。权　利　要　求　书 1/1 页 2 CN 115512206 A 2适用于低照度环境下的改进版Y OLOv5目标 检测方法 技术领域 [0001]本发明涉及目标检测技术领域， 尤其涉及一种适用于低照度环境下的改进版 YOLOv5目标检测方法。 背景技术 [0002]目标检测作为计算机视觉领域的基础问题之一， 旨在让计算机模拟人类的视觉， 在图像的复杂背 景中准确且高效地定位到各类物体的位置以及识别它们的类别， 现如今已 经被应用于智能交通、 工业生产、 视频监控等领域。 但在实际的应用中， 由于检测过程中环 境光的变化十分复杂， 尤其是低照度的情况下， 采集设备往往会因为光线不足而获取成像 效果较差的图像， 这类图像往往存在信噪比低、 对比度下降、 目标特征不明显， 背景颜色干 扰强等特点， 除此之外， 真实采集图像中目标尺度变化较大、 目标之 间遮挡严重等问题的叠 加也进一步加大了对于此类任务的检测难度。 因此低照度下的目标检测对于图像增强以及 特征提取能力的要求更高， 进 而输出较为高精度的检测结果。 [0003]目前基于深度学习的主流目标检测 方法主要分为一阶段和二阶段。 以RCNN、 Fast   RCNN和Faster  RCNN为代表的二阶段算法采用先生成候选框， 再对候选 区域进行分类和位 置的精修， 二阶段算法一般有着更高的精确度， 但是训练和检测图片的速度不够快。 而以 SSD、 YOLO系 列、 FCOS为代表的一阶段算法采用直接通过卷积获取的特征回归区域分类和位 置， 相较于二阶段的检测算法， 其通常有着更快的检测速度可用于实时检测。 但无论是一阶 段还是二阶段的目标检测通用算法， 都很难兼顾到低照度条件下图像成像质量差从而导致 误检和漏检率较高的问题， 同时也存在着图像中小目标以及遮挡物体较难提取特征的现 象。 一些文 献也给出了自己的改进 方法， 例如针对夜间红外行人检测， 有文 献在YOLOv4的基 础上通过在 网络中添加空间金字塔池化模块和增加更小尺度检测头的方法来改善检测 性 能， 然而红外图像并非真实环境下的夜间图像， 模型的泛用性不是很强。 有的文献则基于 SSD检测网络， 并从特征检索的角度将低照度图像增强算法用于特征提取过程中来提升精 度。 另外也有基于EfficientDet检测网络， 将低分辨率低照度图片通过超分辨率网络的方 式提升效果再检测， 然而这一方法开销过大。 基于边缘学习的方法是从RGB通道和深度图像 中提取边缘特征， 使用小目标的增强模块和上采样方式增强对低照度图像的目标检测。 以 及基于SSD模型， 使用Retinex理论的图像增强算法对原始图像进行增强， 之后在其中嵌入 差分特征融合模块， 使模型对互补特征有更好的提取效果， 然而忽视了直接使用增强算法 后所带来的噪点干扰 影响， 降低了对目标检测的精确度。 发明内容 [0004]本发明的目的在 于提供一种适用于低照度环境下的改进版YOLOv5目标检测方法， 旨在解决现有的目标检测方法对低照度环境下目标检测精确度较低的问题。 [0005]为实现上述目的， 本 发明提供了一种适用于低照度环境下的改进版YOLOv5目标检 测方法， 包括以下步骤：说　明　书 1/10 页 3 CN 115512206 A 3