申请/专利权人：无锡学院

申请日：2024-04-17

公开（公告）日：2024-07-05

公开（公告）号：CN118298404A

主分类号：G06V20/58

分类号：G06V20/58;G06V10/52;G06V10/764;G06V10/80;G06V10/82;G06N3/0464;G06N3/048;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明公开了一种基于改进YOLOv5s模型的交通标识检测方法，包括以下步骤：步骤1：获取交通标识图像数据集，并将交通标识图像数据集分为训练集和测试集；步骤2：改进YOLOv5s模型：将Neck网络中C3模块的3×3卷积替换为多样性分支DBB模块，得到C3_DB模块，在C3_DB模块后引入ContextAggregation模块；步骤3：将获得的训练集输入搭建好的YOLOv5s模型进行训练；用EIOU_Loss作为损失函数，当YOLOv5s模型损失曲线趋近于0且无明显波动时，停止训练，得到训练权重w，否则继续训练；步骤4：将获取到的交通标识图像输入到训练后的YOLOv5s模型中，进行交通标识检测，YOLOv5s模型根据权重自动识别交通标识的种类及数量。本发明改进后的YOLOv5s模型有效地提升了交通标志检测精度。

主权项：1.一种基于改进YOLOv5s模型的交通标识检测方法，其特征在于，包括以下步骤：步骤1：获取交通标识图像数据集，并将交通标识图像数据集分为训练集和测试集；步骤2：改进YOLOv5s模型：将Neck网络中C3模块的3×3卷积替换为多样性分支DBB模块，得到C3_DB模块，在C3_DB模块后引入ContextAggregation模块；步骤3：将获得的训练集输入搭建好的YOLOv5s模型进行训练；用EIOU_Loss作为损失函数，当YOLOv5s模型损失曲线趋近于0且无明显波动时，停止训练，得到训练权重w，否则继续训练；步骤4：将获取到的交通标识图像输入到训练后的YOLOv5s模型中，进行交通标识检测，YOLOv5s模型根据权重自动识别交通标识的种类及数量，具体包括：将交通标识图像数据输入训练后的YOLOv5s模型的BackBone网络，得到第一输出特征、第二输出特征以及第三输出特征；第三输出特征输入至Neck网络的CBS模块，得到第一CBS输出结果；对所述第一CBS输出结果进行上采样处理后和所述第二输出特征进行融合，得到第一融合特征；将所述第一融合特征输入到C3模块、CBS模块进行处理，得到第二CBS输出结果；对第二CBS输出结果进行上采样处理后和所述第一输出特征进行融合，得到第二融合特征；并将所述第二融合特征输入到第一C3_DB模块处理后，得到第一分支结果，第一分支结果输入第一ContextAggregation模块后作为第一检测头输入；将所述第一分支结果输入到CBS模块处理后，得到第三CBS输出结果，将所述第三CBS输出结果、第二CBS输出结果融合后，得到第三融合特征；将所述第三融合特征输入到第二C3_DB模块处理后，得到第二分支结果，第二分支结果输入第二ContextAggregation模块后作为第二检测头输入；将所述第二分支结果输入到CBS模块处理后，得到第四CBS输出结果，将所述第四CBS输出结果、第一CBS输出结果融合后，得到第四融合特征；第四融合特征输入到第三C3_DB模块处理后，得到第三分支结果，第三分支结果输入第三ContextAggregation模块后作为第三检测头输入；基于所述第一检测头输入、所述第二检测头输入以及所述第三检测头输入进行交通标志预测，得到交通标志种类及数量检测结果。

全文数据：

权利要求：

百度查询： 无锡学院 一种基于改进YOLOv5s模型的交通标识检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD