1.一种基于改进YOLOv5的航拍车辆旋转目标检测方法,其特征在于,包括以下步骤:构建基于改进YOLOv5的航拍车辆旋转目标检测模型;
建立航拍车辆旋转目标检测数据集并进行预处理,得到基于改进YOLOv5的航拍车辆旋转目标检测模型的数据集;
采用基于改进YOLOv5的航拍车辆旋转目标检测模型的数据集,训练构建的基于改进YOLOv5的航拍车辆旋转目标检测模型;
测试训练完成的基于改进YOLOv5的航拍车辆旋转目标检测模型,得到测试结果;
根据测试结果,评估训练完成的基于改进YOLOv5的航拍车辆旋转目标检测模型的性能是否满足实际应用需求;
若训练完成的基于改进YOLOv5的航拍车辆旋转目标检测模型的性能满足实际应用需求,则将训练完成的基于改进YOLOv5的航拍车辆旋转目标检测模型用于航拍车辆旋转目标检测;
若训练完成的基于改进YOLOv5的航拍车辆旋转目标检测模型的性能不满足实际应用需求,则修正基于改进YOLOv5的航拍车辆旋转目标检测模型的参数,重复对基于改进YOLOv5的航拍车辆旋转目标检测模型进行训练,直至基于改进YOLOv5的航拍车辆旋转目标检测模型的性能满足实际应用需求,并将训练完成的基于改进YOLOv5的航拍车辆旋转目标检测模型用于航拍车辆旋转目标检测。
2.根据权利要求1所述的一种基于改进YOLOv5的航拍车辆旋转目标检测方法,其特征在于,所述构建基于改进YOLOv5的航拍车辆旋转目标检测模型,包括:构建Focus模块,所述Focus模块对输入的图像进行切片操作;
在基于改进YOLOv5的航拍车辆旋转目标检测模型的Backbone浅层网络设计Diamond Mapping Unit模块,所述Diamond Mapping Unit模块用于改进浅层网络的特征提取过程;
在基于改进YOLOv5的航拍车辆旋转目标检测模型的Backbone主干网络和Neck颈部网络,应用Ghost映射技术,构建Cheap Backbone Network和Cheap Neck Network,其中,Cheap CSP模块是关键组件;
在基于改进YOLOv5的航拍车辆旋转目标检测模型的Head网络引入自适应空间特征融合ASFF机制,形成ASFF‑Head网络,所述ASFF机制对来自Cheap Backbone Network和Cheap Neck Network的特征图进行自适应空间融合,重新生成三种不同尺度的特征图;
在基于改进YOLOv5的航拍车辆旋转目标检测模型的ASFF‑Head网络中增加角度类别预测分支,对得到的不同尺度的特征图计算边界框损失、置信度损失、类别损失和角度分类损失,从而完成预测。
3.根据权利要求1所述的一种基于改进YOLOv5的航拍车辆旋转目标检测方法,其特征在于,所述建立航拍车辆旋转目标检测数据集并进行预处理,得到基于改进YOLOv5的航拍车辆旋转目标检测模型的数据集,包括:采用无人机平台,分别在不同天气条件下对城市道路进行拍摄,采用翻转、裁剪的方法对采集到的车辆图像进行预处理,利用旋转标注工具roLabelImg对预处理后的车辆图像进行标注,制作标签文件,其中,采用无人机平台,分别在不同天气条件下对城市道路进行拍摄,得到的数据集是航拍车辆旋转目标检测数据集;
随机选取预处理后的车辆图像中预设占比的车辆图像和对应标签文件作为训练集,预处理后的车辆图像中剩余的车辆图像和对应的标签文件作为测试集,其中,训练集和测试集组成基于改进YOLOv5的航拍车辆旋转目标检测模型的数据集。
4.根据权利要求3所述的一种基于改进YOLOv5的航拍车辆旋转目标检测方法,其特征在于,所述采用基于改进YOLOv5的航拍车辆旋转目标检测模型的数据集,训练构建的基于改进YOLOv5的航拍车辆旋转目标检测模型,包括:初始化基于改进YOLOv5的航拍车辆旋转目标检测模型的训练参数;
将训练集输入构建的基于改进YOLOv5的航拍车辆旋转目标检测模型,并利用边界框损失函数、置信度损失函数、类别损失函数和角度分类损失函数,对旋转车辆目标检测模型进行预设数量epoch迭代训练,得到训练完成的基于改进YOLOv5的航拍车辆旋转目标检测模型。
5.根据权利要求4所述的一种基于改进YOLOv5的航拍车辆旋转目标检测方法,其特征在于,所述测试训练完成的基于改进YOLOv5的航拍车辆旋转目标检测模型,得到测试结果,包括:将测试集输入到训练完成的基于改进YOLOv5的航拍车辆旋转目标检测模型中进行测试,得到测试结果。
6.根据权利要求5所述的一种基于改进YOLOv5的航拍车辆旋转目标检测方法,其特征在于,所述根据测试结果,评估训练完成的基于改进YOLOv5的航拍车辆旋转目标检测模型的性能是否满足实际应用需求,包括:根据测试结果,利用精确率、召回率和平均准确率,对训练完成的基于改进YOLOv5的航拍车辆旋转目标检测模型进行评估。
7.根据权利要求2所述的一种基于改进YOLOv5的航拍车辆旋转目标检测方法,其特征在于,所述Diamond Mapping Unit模块是通过双支路进行特征提取的,其中,第一条支路是由最大池化操作和1*1的卷积操作组成;第二条支路是由1*1的卷积和3*3的卷积组成。
8.根据权利要求2所述的一种基于改进YOLOv5的航拍车辆旋转目标检测方法,其特征在于,所述Cheap CSP模块是由三个卷积和一个GhostBottleneck模块组成,其中GhostBottleneck模块是由两个Ghost模块堆叠而成。
9.根据权利要求4所述的一种基于改进YOLOv5的航拍车辆旋转目标检测方法,其特征在于,边界框损失函数CIoU为:gt
其中,IoU为预测框和真实框的交并比,b代表预测中心的参数,b 代表真实目标边界框2
中心的参数,ρ是两个中心点距离的平方,α和v为长宽比,w和h分别代表预测框的宽和高,gt gtw 和h 分别代表真实框的宽和高,π是180°的弧度,arctan是反正切函数;
置信度损失函数lobj为:
2
其中,S 表示网格数,B表示每一个网格中的anchor数, 表示第i个网格中的第j个anchor中是否存在目标,如果存在目标, 为1,否则为0, 表示真实值,Ci表示预测值,λnoobj表示约束系数;
类别损失函数lcls为:
2
其中,S表示网格数, 表示第i个网格中的第j个anchor中是否存在目标,如果存在目标, 为1,否则为0, 表示真实类别概率,Pi(c)表示预测类别概率;
角度分类损失函数loss(z,y)为:
loss(z,y)=mean{l0,L,lN‑1},
ln=sum{ln,0,ln,1L ln,179},
ln,a=‑[yn,aln(δ(zn,a))+(1‑yn,a)ln(1‑δ(zn,a))],yn,a=CSL(x)
其中,g(x)是窗口函数,r是窗口函数的半径,θ是边界框的角度;N为样本数量;a∈[0,
180),共计180个类别;δ为sigmoid函数;zn,a为预测第n个样本第a个角度的概率,zn,a的最大值为1,是预测值;yn,a为第n个样本在CSL(x)表达式下第a个角度的标签,是真实值,yn,a的最大值为1;根据第n个样本的各个角度预测值与真实值,依次通过ln,a计算,第n个样本180个角度结果求和得到ln,将N个样本的计算结果求平均,得到此次的角度损失。
10.根据权利要求2所述的一种基于改进YOLOv5的航拍车辆旋转目标检测方法,其特征在于,所述ASFF机制对来自Cheap Backbone Network和Cheap Neck Network的特征图进行自适应空间融合,重新生成三种不同尺度的特征图对应的公式为:
1→k k 2→k k 3→k k
ASFFk=P *α+P *β+P *γ
k k k
α+β+γ=1
k k k
其中,k=1,2,3,ASFFk为第k层融合后输出的特征图,α,β,γ代表第k层的权重矩阵,k k k 1→k 2→k 3→kα+β+γ=1为约束条件;P ,P ,P 代表第以k层为基准调整另外两层的尺寸和通道数后得到的特征图。