(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 202210138123.6 (22)申请日 2022.02.15 (71)申请人 南通大学 地址 226019 江苏省南 通市崇川区啬园路9 号 (72)发明人 邵叶秦　曹秋阳　李登亮　宋锦伟　 高瞻　施佺　 (74)专利代理 机构 南京瑞弘专利商标事务所 (普通合伙) 32249 专利代理师 许海洲 (51)Int.Cl. G06V 10/40(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06T 3/40(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于注意力YOLOv5模型的自动水果识 别方法 (57)摘要 本发明公开了一种基于注意力YOLOv5模型 的自动水果识别方法， 包括以下步骤： 1、 将数据 集的原始图像进行预处理； 2、 输入主干网络提取 特征， 并使用SENet注意力模块得到一个与通道 对应的一维向量作为评价 分数； 3、 将评价 分数通 过乘法操作作用到feature  map的对应通道上， 得到用于水果识别的有效特征； 4、 经过Feature   Pyramid  Networks和Path  Aggregation   Network结构将特征融合； 5、 对图像特征进行预 测， 使用CIOU 考虑目标框与预测框的高宽比和中 心点之间的关系， 提升预测精度， 根据大、 中、 小 目标分别输出识别结果。 权利要求书2页 说明书6页 附图2页 CN 114494710 A 2022.05.13 CN 114494710 A 1.一种基于注意力YOLOv5模型的自动水果识别方法， 其特 征在于， 包括以下步骤： 步骤1、 将数据集的原 始图像进行 预处理； 步骤2、 输入主干网络提取特征， 并使用SENet注意力模块得到一个与通道对应的一维 向量作为评价分数； 步骤3、 将评价分数通过乘法操作作用到feature  map的对应通道上， 得到用于水果识 别的有效特 征； 步骤4、 经 过特征金字塔和路径聚合网络结构将特 征融合； 步骤5、 对图像特征进行预测， 使用CIOU考虑目标框与预测框的高宽比和中心点之间的 关系， 提升预测精度， 根据大、 中、 小目标分别输出识别结果。 2.根据权利 要求1所述的基于注意力YOLOv5模型的自动水果识别方法， 其特征在于， 所 述步骤1中使用Mosaic数据增强的方式进行图像拼接 。 3.根据权利 要求2所述的基于注意力YOLOv5模型的自动水果识别方法， 其特征在于， 所 述步骤1中对数据集的尺寸归一化处理， 对原始图像进 行自适应填充最少的灰度值， 具体包 括以下步骤： 步骤1.1、 设置图像缩放比例； 令原始图像为A ×B， 缩放至a ×a， 其中A为原始图像的宽， B为原始图像的高， a为缩放后图像的宽， 缩放后图像宽和高相等， 将缩放后图像的宽高除以 原始图像相应宽高， 得到2个系数， 取其小的系数； 步骤1.2、 设置缩放后的尺寸； 将原 始图片宽高乘以最小的系数， 则宽为C， 高为D； 步骤1.3、 设置灰边的填充值； 先将C减去D， 并采用取余的方式得需要填充的像素值(C ‑ D)％E＝F， 其中E＝2n， n是网络经过的下采样次数， 两端各 个像素； 在测试过程中采用灰色 填充， 训练过程使用原 始的resize操作以提高物体的检测、 计算速度。 4.根据权利 要求1所述的基于注意力YOLOv5模型的自动水果识别方法， 其特征在于， 所 述主干网络是CS PDarknet‑53， 能增强卷积网络的学习能力， 降低内存消耗。 5.根据权利 要求1所述的基于注意力YOLOv5模型的自动水果识别方法， 其特征在于， 步 骤2所述SENet 注意力模块操作过程包括以下步骤： 步骤2.1、 使用全局平均池化作为Sque eze操作； 步骤2.2、 使用两个全连接层得到通道间的相关性， 同时减少参数与计算 量； 步骤2.3、 通过Sigmo id归一化权重； 步骤2.4、 通过Scale操作将归一 化后的权 重作用在原 始通道的特 征上。 6.根据权利 要求1所述的基于注意力YOLOv5模型的自动水果识别方法， 其特征在于， 所 述步骤5中CIOU将真实框与预测框之间的距离、 重叠率、 边框尺度以及惩罚因子均考虑进 去， 使得目标边框回归更加稳定； CIOU公式： 其中， ρ2(b， bgt)即预测框与真实框中心点之间的欧式距离d， c表示 同时包含真实框与 预测框最小闭包矩形框的对角线距离 。 惩罚项α v中α 的公式如下 所示：权　利　要　求　书 1/2 页 2 CN 114494710 A 2惩罚项α v中v的公式如下 所示: 其中， wgt表示真实框的宽， hgt表示真实框的高， w表示预测框的宽， h表示预测框的高； CIOU在回归时l oss的计算公式如下 所示： 目标框与预测框重合时， CIOU值不相同； c值相同时， 通过目标框与预测框中心点的欧 式距离与对角线的比值d， 度量两者 位置关系， 使损失函数收敛。权　利　要　求　书 2/2 页 3 CN 114494710 A 3