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。

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