申请/专利权人:成都理工大学
申请日:2023-11-09
公开(公告)日:2024-02-02
公开(公告)号:CN117496350A
主分类号:G06V20/10
分类号:G06V20/10;G06V10/764;G06V10/774;G06V10/776;G06V10/40;G06V10/766;G06V10/82;G06N3/0464;G06N3/08;G06N3/048
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.02.23#实质审查的生效;2024.02.02#公开
摘要:本发明公开了一种基于改进的YOLO‑v5算法的飞鸟检测方法,包括以下步骤:S1,引入轻量级C3Ghost和Ghost模块提高遥感图像中小目标检测的精度,添加CBAM模块提高特征表达性能,使用CIoU_Loss损失函数作为边界盒回归损失提高算法的检测精度,训练出基于深度学习的飞鸟检测模型;S2,选择具有不同类型飞鸟的图像,构建飞鸟数据集,并对飞鸟数据集进行重建;S3,将重建的数据集按8:1:1的比例分成训练集、验证集和测试集;并将匪类后的数据集加入到飞鸟检测模型中进行模型训练;S4,设定测量指标对飞鸟检测模型进行性能验证。本发明通过将CBAM模块加入于YOLO‑v5的主干网络中,以突出用于飞鸟检测的有用信息,并抑制无用信息,从而提高图像信息处理的效率和准确性。
主权项:1.一种基于改进的YOLO-v5算法的飞鸟检测方法,其特征在于,包括以下步骤:S1,引入轻量级C3Ghost和Ghost模块提高遥感图像中小目标检测的精度,添加CBAM模块提高特征表达性能,使用CIoU_Loss损失函数作为边界盒回归损失提高算法的检测精度,训练出基于深度学习的飞鸟检测模型;S2,选择具有不同类型飞鸟的图像,构建飞鸟数据集,并对飞鸟数据集进行重建;S3,将重建的数据集按8∶1∶1的比例分成训练集、验证集和测试集;并将匪类后的数据集加入到飞鸟检测模型中进行模型训练;S4,设定测量指标对飞鸟检测模型进行性能验证。
全文数据:
权利要求:
百度查询: 成都理工大学 一种基于改进的YOLO-v5算法的飞鸟检测方法
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。