(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 202211033217.3 (22)申请日 2022.08.26 (71)申请人 南京理工大 学 地址 210094 江苏省南京市玄武区孝陵卫 200号 (72)发明人 陈子昂　郭唐仪　隋立岩　陈新　 周洋　杜鹏桢　周竹萍　 (74)专利代理 机构 南京理工大 学专利中心 32203 专利代理师 岑丹 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/774(2022.01)G06V 10/764(2022.01) G06V 10/22(2022.01) G06V 10/20(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种基于YOLOv5的道路交通标志异常状态 检测方法 (57)摘要 本发明公开了一种基于YOLOv5的道路交通 标志异常状态检测方法， 先对采集到的图片进行 图像预处理， 然后将处理后的图像输入到改进的 YOLOv5模型中进行训练， 由损失函数计算损失 值， 当总损失值达到预设标准时， 得到目标模型。 该轻量化模型改进包 括， 将原生网络的backbone 的主干网络替换成轻量级的MobileNetv3网络， 来减少参数量； 再将MobileNetv3中的SE注意力 机制模块都替换成CBA M轻量级注意力机制， 进 一 步考虑像素在空间通道上的重要性； 为了减少不 必要的特征融合计算,在Neck层用BiFPN网络来 代替原生的PANet网络； 最后为了减少正负样本 的不均衡性造成的影响， 用焦点损失函数来代替 二叉熵分类函数。 权利要求书1页 说明书5页 附图3页 CN 115331202 A 2022.11.11 CN 115331202 A 1.一种基于 YOLOv5的道路交通标志 异常状态检测方法， 其特 征在于， 包括如下步骤： 采集若干道路交通标志 异常图片， 构成数据集； 对道路交通标志 异常图片进行 预处理， 扩充数据集； 对预处理后的图片进行 标注， 形成训练集； 将YOLOv5s模型主干网络全部替换成轻量级网络 MobileNetv3‑small； 将MobileNetv3 ‑small网络的Bneck结构 中的SE注意力机制全部替换成CBAM轻量级注 意力机制； 对YOLOv5s模型的Neck层做特 征融合， 将PANet网络替换成BiFPN网络； 将YOLOv5s模型的二分类交叉嫡分类损失函数替换成焦点损失函数； 将训练集输入到YOLOv5s模型中进行训练， 其中采用Adam优化器进行训练， 当总损失值 达到预设损失值， 模型收敛， 得到训练好的检测模型； 将待检测的图片输入到训练好的检测模型中， 自动检测出图片中包括的交通标志异常 状态的类别。 2.根据权利 要求1所述的基于YOLOv5的道路交通标志异常状态检测方法， 其特征在于， 所述交通标志 异常图片包括磨损和破损图片、 被异 物遮挡图像。 3.根据权利 要求1所述的基于YOLOv5的道路交通标志异常状态检测方法， 其特征在于， 对道路交通标志异常图片进行预 处理包括对图片进 行旋转、 亮度调整、 镜像、 添加高斯噪声 操作。 4.根据权利 要求1所述的基于YOLOv5的道路交通标志异常状态检测方法， 其特征在于， 通过数据标注工具labelImg对处理后的数据集进行标注， 标注类别包括： loss， 用来标注道 路交通标志的磨损、 破损异常状态； oc clusion， 用来标注被异 物遮挡的道路交通标志。 5.根据权利 要求1所述的基于YOLOv5的道路交通标志异常状态检测方法， 其特征在于， 焦点损失函数 具体为： 式中， α 为贡献率因子， y ′是模型给出的预测类别概 率， y是真实样本， γ为关注度因子 。权　利　要　求　书 1/1 页 2 CN 115331202 A 2一种基于 YOLOv5的道路交通标志异常状态检测方 法 技术领域 [0001]本发明属于交通标志异常状态检测领域， 具体为一种基于YOLOv5的道路交通标志 异常状态检测方法。 背景技术 [0002]道路交通标志是用文字、 符号、 颜色等要素， 向交通参与者传递交通信息的重要基 础设施， 对保障交通安全、 维护交通秩序具有重要意义。 由于雨水、 风沙、 交通事故、 安装连 接部位松动等原因， 道路交通标志一般出现遮挡、 磨损、 歪斜、 老化褪色甚至脱落等异常状 态， 导致驾驶员或自动驾驶车辆视觉感应系统无法及时准确获取道路相关信息， 为交通安 全埋下隐患。 因此， 研究快速准确的道路交通标志异常状态检测技术， 对于出行者和道路管 维人员均有极其重要的价 值。 [0003]目前相关研究， 绝大多数集中于正常的道路交通标志检测， 而针对交通标志异常 检测则相对较少 。 现有的检测方法在正常道路标志检测时均有着不错的表现， 但是对于异 常状态的检测方法比较缺 乏且准确度有待提高。 现有研究存在以下不足： 道路交通标志异 常状态数据集难以获取、 道路交通标志 异常状态类型 过于复杂、 模型检测精度不高等。 发明内容 [0004]本发明提供的目的在于提供一种基于YOLOv5的道路交通标志异常状态检测方法， 以解决异常状态检测时产生的误差高、 模型 大等问题。 [0005]实现本发明目的的技术方案为一种基于YOLOv5的道路交通标志异常状态检测方 法， 包括如下步骤： [0006]采集若干道路交通标志 异常图片， 构成数据集； [0007]对道路交通标志 异常图片进行 预处理， 扩充数据集； [0008]对预处理后的图片进行 标注， 形成训练集； [0009]将YOLOv5s模型主干网络全部替换成轻量级网络 MobileNetv3‑small； [0010]将MobileNetv3 ‑small网络的Bneck结构中的SE注意力机制全部替换成CBAM轻量 级注意力机制； [0011]对YOLOv5s模型的Neck层做特 征融合， 将PANet网络替换成BiFPN网络； [0012]将YOLOv5s模型的二分类交叉嫡分类损失函数替换成焦点损失函数； [0013]将训练集输入到YOLOv5s模型中进行训练， 其中采用Adam优化器进行训练， 当总损 失值达到预设损失值， 模型收敛， 得到训练好的检测模型； [0014]将待检测的图片输入到训练好的检测模型 中， 自动检测出图片中包括的交通标志 异常状态的类别。 [0015]优选地， 所述交通标志 异常图片包括磨损和破损图片、 被异 物遮挡图像。 [0016]优选地， 对道路交通标志异常图片进行预处理包括对图片进行旋转、 亮度调整、 镜 像、 添加高斯噪声操作。说　明　书 1/5 页 3 CN 115331202 A 3