【技術實現步驟摘要】
本專利技術涉及交通標志檢測，具體地說是一種基于yolov5的交通標志檢測方法、設備及介質。
技術介紹
1、近年來，以新能源汽車為主體的智能網聯汽車行業呈現快速增長態勢。一個完備且安全的智能網聯的汽車控制系統是智能車輛研究和發展的一個重要方向，能夠輔助駕駛甚至實現無人駕駛，有效地保障駕駛安全，提升駕駛體驗，減少交通事故，提高交通效率。交通標志識別系統(trafficsignrecognitions?ystem,tsrs)作為車輛控制系統領域中的一個重要組成部分，近年來受到學界和工業界的廣泛關注。
2、傳統的交通標志的檢測主要依靠手工設計的傳統特征，如交通標志的形狀和顏色等，根據分類目標提取圖像合適的特征，然后用提取的特征訓練機器學習分類器，分類器離線訓練好之后，便可以用來對待識別圖像進行分類。手工設計的特征往往無法適應復雜的駕駛環境，多階段的特征提取和分類導致計算量巨大，在識別的精度和速度上都無法滿足實際的需求。得益于計算機硬件的提升和深度學習的發展，大量的優秀的目標檢測算法不斷被提出并成功的運用于交通標志的檢測和識別。
3、基于深度學習的目標檢測算法主要分為兩階段(twostage)算法(如，rcnn、fastrcnn、faster-rcnn)和一階算法(one-stage)(如，ssd、yolo)兩類。在交通標志的識別中提出了一種三尺度嵌套殘差結構的交通標志快速檢測算法，并在交通標志檢測數據集上進行試驗，指示、禁令、警告三大類交通標志f1分數分別為92.41％、93.91％、92.03％，檢測時間為5.
4、針對實際復雜道路環境下，交通標志像素小而密集導致的檢測定位精度較低，漏檢率較高。故如何提高小目標檢測精度，降低漏檢率，進而提升交通標志的檢測性能是目前亟待解決的技術問題。
技術實現思路
1、本專利技術的技術任務是提供一種基于yolov5的交通標志檢測方法、設備及介質，來解決如何提高小目標檢測精度，降低漏檢率，進而提升交通標志的檢測性能的問題。
2、本專利技術的技術任務是按以下方式實現的，一種基于yolov5的交通標志檢測方法，該方法具體如下：
3、利用遺傳算法和k-means算法對先驗錨點框進行優化，增強小目標的檢測準確度；
4、引入bi-fpn結構實現語義和位置信息的特征融合，提升網絡的表征能力；
5、通過集成注意力機制gam增強網絡在復雜環境中的抗干擾性和特征提取能力；
6、采用siouloss作為邊框回歸損失函數，提高定位準確性。
7、作為優選，bi-fpn結構是采用加權雙向特征金字塔網絡bi-fpn，引入可學習的權重衡量不同輸入特征的重要性，平衡不同尺度的特征信息，同時重復應用自頂向下和自底向上的多尺度特征融合；
8、其中，加權雙向特征金字塔網絡bi-fpn公式如下：
9、
10、其中，p表示融合后的特征層；pi表示不同的特征層；ωi是一個可學習的權重參數；參數ε＝0.0001，避免除零導致的數值計算問題；通過加權雙向特征金字塔網絡bi-fpn的自我學習能夠在不同特征層提取關鍵信息，促進特征融合；
11、bi-fpn結構中，多個加權雙向特征金字塔網絡bi-fpn能夠融合來自多個地層的特征，如第13層，第17層、第21層，第25層，并通過網絡訓練權重平衡語義和位置信息，從而提高目標的分類和定位準確率。
12、更優地，注意力機制gam是通過觀察圖像的全局信息，提取感興趣的關鍵信息，抑制或過濾掉無用的背景和冗余信息，提高信息處理效率和提取關鍵信息的準確率。
13、更優地，gam注意力機制包括通道注意力子模塊和空間注意力子模塊；
14、其中，通道注意力子模塊使用三維排列再三個維度上保留信息，用一個兩層的多層感知器mlp放大跨維通道-空間依懶性；其中，對于輸入的特征圖，先進行維度轉換，再將經過維度轉換的特征圖輸入到多層感知器mlp中，再轉換為原來的維度，并進行sigmoid處理后輸出最終的特征圖；
15、空間注意力子模塊使用兩個卷積層進行空間信息融合，刪除池化層對空間位置信息的損失影響，利用通道縮減和7*7的卷積減少通道數量，在減少計算量的同時專注于對于空間維度信息的提取。
16、更優地，邊框回歸損失函數包括分類損失(classificationloss)、目標置信度損失(objectloss)和定位框bbox回歸損失(boundingboxregressionloss)；
17、其中，定位框bbox回歸損失采用完全交并比損失函數(complete-iouloss,ciouloss)實現目標框預測，公式如下：
18、lciou＝1-ciou；
19、
20、其中，b，bgt表示預測框和真實框；ρ表示預測框和真實框的中心點坐標的歐式距離；c表示同時包含預測框和真實框的最小閉包區域的對角線距離；wgt、hgt表示真實框框的寬度和高度；w、h表示預測框的寬度和高度；v表示預測框和真實框長寬比例差值的歸一化；α為平衡因子，用于平衡長寬比例造成的損失和iou部分造成的損失。
21、更優地，邊框回歸損失函數引入siou損失函數，siou損失函數用于真實框與預測框之間的向量角度，重新定義懲罰指標；
22、siou損失函數包括角度損失(anglecost)、距離損失(distancecost)、形狀損失(shapecost)及iou損失(ioucost)；
23、其中，角度損失具體如下：
24、
25、其中，∧表示角度損失；(bcx，bcy)為預測框中心點坐標；(bcxgt，bcygt)為真實框中心點坐標；σ表示真實框和預測框中心點的距離；ch為真實框和預測框中心點的高度差；
26、距離損失公式如下：
27、δ＝σt＝x,y(1-e-rρt)；
28、
29、r＝2-∧；
30、其中，δ表示距離損失；cw和ch為真實框和預測框最小外接矩陣的寬和高；
31、形狀損失公式如下：
32、
33、
34、其中，ω表示形狀損失；w,h,wgt,hgt分別為預測框和真實框的寬和高；θ為超參數，控制對形狀損失的關注程度，為了避免過于關注形狀損失而降低對預測框的移動；
35、最終siou損失函數公式如下：
36、
37、一種電子設備，包括：存儲器和至少一個處理器；
38、其中，所述存儲器上存儲有計算機程序；
39、所述至少一個處理器執行所述存儲器存儲的計算機程序，使得所述至少一個處理器執行如上述的基于yolov5的交通標志檢測本文檔來自技高網...
【技術保護點】
1.一種基于YOLOv5的交通標志檢測方法，其特征在于，該方法具體如下：
2.根據權利要求1所述的基于YOLOv5的交通標志檢測方法，其特征在于，Bi-FPN結構是采用加權雙向特征金字塔網絡Bi-FPN，引入可學習的權重衡量不同輸入特征的重要性，平衡不同尺度的特征信息，同時重復應用自頂向下和自底向上的多尺度特征融合；
3.根據權利要求1或2所述的基于YOLOv5的交通標志檢測方法，其特征在于，注意力機制GAM是通過觀察圖像的全局信息，提取感興趣的關鍵信息，抑制或過濾掉無用的背景和冗余信息，提高信息處理效率和提取關鍵信息的準確率。
4.根據權利要求3所述的基于YOLOv5的交通標志檢測方法，其特征在于，GAM注意力機制包括通道注意力子模塊和空間注意力子模塊；
5.根據權利要求4所述的基于YOLOv5的交通標志檢測方法，其特征在于，邊框回歸損失函數包括分類損失、目標置信度損失和定位框bbox回歸損失；
6.根據權利要求5所述的基于YOLOv5的交通標志檢測方法，其特征在于，邊框回歸損失函數引入SIoU損失函數，SIoU損失函
7.一種電子設備，其特征在于，包括：存儲器和至少一個處理器；
8.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質中存儲有計算機程序，所述計算機程序可被處理器執行以實現如權利要求1至7中任一項所述的基于YOLOv5的交通標志檢測方法。
...【技術特征摘要】
1.一種基于yolov5的交通標志檢測方法，其特征在于，該方法具體如下：
2.根據權利要求1所述的基于yolov5的交通標志檢測方法，其特征在于，bi-fpn結構是采用加權雙向特征金字塔網絡bi-fpn，引入可學習的權重衡量不同輸入特征的重要性，平衡不同尺度的特征信息，同時重復應用自頂向下和自底向上的多尺度特征融合；
3.根據權利要求1或2所述的基于yolov5的交通標志檢測方法，其特征在于，注意力機制gam是通過觀察圖像的全局信息，提取感興趣的關鍵信息，抑制或過濾掉無用的背景和冗余信息，提高信息處理效率和提取關鍵信息的準確率。
4.根據權利要求3所述的基于yolov5的交通標志檢測方法，其特征在于，gam注意力機制...
【專利技術屬性】
技術研發人員：王帥，馬小勇，李占述，
申請(專利權)人：浪潮通信信息系統天津有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。