(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210956353.3 (22)申请日 2022.08.10 (71)申请人 安徽大学 地址 230000 安徽省合肥市九龙路1 11号 (72)发明人 段章领　周行云　刘弨　王坤　 仰劲涛　彭志　宋俊材　郭小辉　 梁栋　 (74)专利代理 机构 合肥汇融专利代理有限公司 34141 专利代理师 赵宗海 (51)Int.Cl. G06V 20/10(2022.01) G06V 20/40(2022.01) G06V 10/74(2022.01) G06V 10/764(2022.01)G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种弱对比场景 下的矿石目标检测方法 (57)摘要 本发明提供一种弱对比场景下的矿石目标 检测方法， 其中包括： 通过工业摄像头获取图像 数据； 去除图像数据中的异常数据后标注图像， 接着对图像进行预处理数据增强； 将标注的数据 按8∶2的比例划分为训练集和验证集； 将自适应 激活函数应用到YOLOv5中提高弱对比场景下的 特征提取能力， 同时在残差模块中添加注意力融 合机制提高网络的特征融合能力， 得到改进的 YOLOv5模型； 该模型在弱对比场景下有更 强的泛 化能力， 能检测出更多矿石目标。 本发明还提供 了一种网络泛化能力的对比方法， 首先使用不同 的网络进行训练得到网络模型； 接着将泛化能力 最强的网络的推理结果作为测试集， 最后计算 RAP， RAP的大小可以反映各网络泛化能力差异。 权利要求书2页 说明书7页 附图3页 CN 115471740 A 2022.12.13 CN 115471740 A 1.一种弱对比场景下的矿石目标检测方法， 其特征在于， 所述矿石目标检测方法包括 以下步骤： Ⅰ、 确定场景阶段： 确定所检测矿石检测场景为弱对比场景； Ⅱ、 数据获取与预处理阶段： 获取弱对比场景下的矿石图片数据， 对图像数据进行标 注， 删除或修改异常标注数据， 将标注数据分为训练集和验证集， 对图像进行 数据增强； Ⅲ、 创建网络阶段阶段： 将YOLOv5的backbone 中的CBS模块替换为CBA模块； 将YOLOv5中 的Res_Un it模块替换为Res_iAF F模块； Ⅳ、 验证阶段： 使用训练完成的改进YOLOv5网络模型进行验证， 保留在验证集上效果最 好的网络； Ⅴ、 泛化能力对比阶段： 使用改进YOLOv5模型对验证集进行推理， 推理的结果作 为测试 集， 并计算 其他网络在该测试集的RAP。 2.根据权利要求1所述一种弱对比场景下的矿石目标检测方法， 其特征在于， 所述数据 获取与预处 理阶段包括以下步骤： ①使用工业相机获取弱对比场景 下的视频流数据， 从视频流中提取矿石图片数据； ②使用LabelMe 软件对大块的矿石， 进行 标注； ③删除或修改不符合标注要求的数据， 最后将数据集按8 ∶2分为训练集和验证集； ④对训练集图像进行数据增强， 包括随机缩放， 随机翻转， mosaic增强， hsv色彩空间转 换。 3.根据权利要求2所述一种弱对比场景下的矿石目标检测方法， 其特征在于： 所述大块 的矿石的标准 为在图片中像素面积大于96 ×96。 4.根据权利要求1所述一种弱对比场景下的矿石目标检测方法， 其特征在于， 所述创建 网络阶段包括以下步骤： ①替换CBS模块中的Silu激活函数为meta ‑ACON激活函数， 生成CBA模块， meta ‑ACON激 活函数在ACON ‑C上生成， 且ACON ‑C函数如下式(1)所示： fACON‑C(x)＝(p1‑p2)x·σ [β(p1‑p2)x]+p2x      (1) 其中p1， p2为超参数， 是Sigmoid函数， 初始值β ＝p1＝1， p2＝0， 具体来说， 令β 为式(2)， 可 以使得ACON ‑C函数能够 在是否激活中切换， 此时ACON ‑C函数便是meta ‑ACON激活函数； ②将YOLOv5的backbone中的CBS模块替换为CBA模块， 用来学习是否激活相应特征， 提 高模型的特 征提取能力； ③弱对比场景下， 为了有效融合物体特征， 提出Res_iAFF模块， 为进行多尺度注意力融 合， L(X)和G(X)如式(3)和(4)所示： L(X)＝B(PWCo nv2( δ(B(PWCo nv1(X)))))      (3) G(X)＝B(PWCo nv2( δ(B(PWCo nv1(g(X))))))       (4) 其中X∈RC×H×W是有C个通道， 大小为H ×W的特征图， g(X)表示对特征图X进行全局平均 池化， 以获取全局的特征， PWConv代表的是逐点(Point  Wise)卷积， B代表的是批正则化 Batch Normalization(BN)， δ表ReLU激活， X ′∈RC×H×W为经过多尺度注意力融合操作后的特 征图， 可以表示 为式(5)：权　利　要　求　书 1/2 页 2 CN 115471740 A 2Res_AFF用Z可以表示 为公式(6)： 其中， Y∈RC×H×W， 为X经过两个CBS模块的结果， Z∈RC×H×W， 表示初始特征整合， 此处选 择逐元素求和作 为初始值， 融合权重 在0到1之间， 用于平衡X和Y之间的权 重， 图中虚线表示 而Res_iAFF模块令其中 既可； ④使用Res_iAF F模块代替YOLOv5中的Res_un it模块， 提高模型的特 征融合能力。 5.根据权利要求1所述一种弱对比场景下的矿石目标检测方法， 其特征在于， 所述验证 阶段包括以下步骤： ①对改进的YOLOv5网络进行训练， 观察 loss曲线， 确保网络不 欠拟合和过拟合； ②保留在验证集上mAP最高的模型， 以及最后一轮的模型。 6.根据权利要求1所述一种弱对比场景下的矿石目标检测方法， 其特征在于， 所述泛化 能力对比阶段包括以下步骤： ①在验证集上， 使用泛化能力最强的网络W推理出最 好的检测结果， 记作R 1； ②去除R1中不符合预期或不符合逻辑的检测结果后的结果记作R2， 将R2  作为新的测 试集， 并计算 其他对比网络在R2上的AP； ③APiou＝0.5占据更大 的比重， 为0.85， APiou＝0.75和APiou＝0.9分别占据0.1和0.05的比重， RAP的计算如式(7)所示： RAP＝0.85 ×APiou＝0.5+0.1×APiou＝0.75+0.05×APiou＝0.90       (7)。权　利　要　求　书 2/2 页 3 CN 115471740 A 3