[发明专利]一种基于改进YOLOv5的交通标志检测方法

权利要求书

1.一种基于改进YOLOv5的交通标志检测方法，其特征在于，基于YOLOv5神经网络、以及包含分别对应预设各标签的交通图像的交通标志数据集，通过执行以下步骤A至步骤D,获得交通标志检测模型，之后针对目标交通标志样本图像，应用交通标志检测模型，获得目标交通标志图像对应的标签；

步骤A：基于YOLOv5神经网络，在YOLOv5神经网络的主干部分添加特征增强FEM模块和区域上下文RCM模块，顺序连接的Focus模块、Conv模块、C3模块、Conv模块、C3模块、Conv模块、特征增强FEM模块、Conv模块、区域上下文RCM模块、特征增强FEM模块，构建为改进YOLOv5神经网络主干部分；

步骤B：基于YOLOv5神经网络，在YOLOv5神经网络的输出端部分之后增加CIoU-NMS模块，构建以CIoU-NMS模块为输出端的改进YOLOv5神经网络输出部分；

步骤C：依次顺序连接改进YOLOv5神经网络主干部分、YOLOv5神经网络颈部、改进YOLOv5神经网络输出部分，且改进YOLOv5神经网络主干部分的输出端连接YOLOv5神经网络颈部的输入端，YOLOv5神经网络颈部的输出端连接改进YOLOv5神经网络输出部分的输入端；构成以交通标志样本图像为输入、交通标志样本图像所对应的真值标签为输出改进YOLOv5的交通标志检测模型；

步骤D：基于交通标志数据集中预设数量的交通标志样本图像，以各个交通标志样本图像为输入、各个目标交通样本图像为输出针对改进YOLOv5的交通标志检测模型进行训练，获得改进YOLOv5的交通标志检测模型。

2.根据权利要求1所述的一种基于改进YOLOv5的交通标志检测方法,其特征在于，所述步骤A中，所述特征增强FEM模块包括卷积1、卷积2、卷积3卷积4卷积5、ADD模块、注意力模块SA、Concat模块M；

卷积1的输入端作为所述特征增强FEM模块的输入端、卷积1的输入端与卷积5的输入端相连；卷积1的输出端与卷积2的输入端、ADD模块的输入端分别相连；卷积2的输出端与卷积3的输入端相连，卷积3的输出端与注意力模块SA的输入端相连，注意力模块SA的输出端与ADD模块的输入端相连；ADD模块的输出端与卷积5的输出端、Concat模块的输入端相连；Concat模块M的输出端与卷积4的输入端相连，卷积4的输出端作为特征增强FEM模块的输出端。

3.根据权利要求1所述的一种基于改进YOLOv5的交通标志检测方法,其特征在于，所述步骤A中，所述区域上下文RCM模块包括卷积a、空洞卷积b、空洞卷积c、卷积d、卷积e、卷积f、卷积g、空洞卷积h、空洞卷积i、卷积j、Concat模块N

由卷积a作为输入端，卷积a的输出端与空洞卷积b的输入端、空洞卷积c的输入端、卷积d的输入端、卷积e的输入端分别相连；

所述空洞卷积b的输出端连接卷积f的输入端，所述空洞卷积c的输出端连接卷积g的输入端，所述卷积d的输出端连接空洞卷积h的输入端，所述卷积e的输出端连接空洞卷积i的输入端；

所述卷积f的输出端、卷积g的输出端、空洞卷积h的输出端、空洞卷积h的输出端与卷积a的输入端五者相连，并且与Concat模块N的输入端相连，Concat模块N的输出端与卷积j的输入端相连；卷积j的输出端作为区域上下文RCM模块的输出端。