(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 202210241021.7 (22)申请日 2022.03.10 (71)申请人 湖北中桥科技有限公司 地址 430000 湖北省武汉市武汉东湖新 技 术开发区光谷大道58号关南福星医药 园2栋26层0 5室 (72)发明人 周强　丁燕　丁小华　 (74)专利代理 机构 武汉世跃专利代理事务所 (普通合伙) 42273 专利代理师 万仲达 (51)Int.Cl. G06T 7/00(2017.01) G06T 5/00(2006.01) 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) G06K 9/62(2022.01) G01N 21/84(2006.01) (54)发明名称 一种基于YOLOv5模型的泥浆泌水率实时检 测方法 (57)摘要 本发明公开了一种基于YOLOv5模型的泥浆 泌水率实时检测方法， 采用固定在泥浆识别仪器 中的相机拍摄多段泥浆泌水图片， 使用长曝光 帧， 得到大量包含清晰泌水泥浆的图片； 经过图 像信息标注数据处理后得到数据集； 使用迁移学 习加载YOLOv5网络的部分预训练权重， 构建 YOLOv5s检测框架； 训练网络并根据检测结果调 整超参数， 不断优化YOLOv5 ‑s的损失函数， 直至 得到最优网络。 本发明能够精确实时的检测出泥 浆泌水率， 还能去除拍摄光线不好带来的图像模 糊， 有利于进一步的泥浆泌水检测， 相比先前人 工识别， 在检测速度与检测精度上有明显提高， 便于在线泥浆泌水识别的推广。 权利要求书2页 说明书7页 附图5页 CN 114998185 A 2022.09.02 CN 114998185 A 1.一种基于 YOLOv5模型的泥浆泌水率实时检测方法， 其特 征在于， 包括以下步骤： S1： 采用固定在泥浆识别仪器 中的相机拍摄多段泥浆泌水图片， 使用长曝光帧， 得到大 量包含清晰泌水泥浆的图片； S2： 经过图像信息标注数据处 理后得到数据集； S3： 使用迁移学习加载YOLOv5网络的部分预训练权 重， 构建YOLOv5s检测框架； S4： 训练网络并根据检测结果调整超参数， 不断优化YOLOv5 ‑s的损失函数， 直至得到最 优网络。 2.如权利 要求1所述的一种基于YOLOv5模型的泥浆泌水率实时检测方法， 其特征在于： S2中得到数据集的具体方法如下： S201： 为了得到准确的泥浆泌水率， 采用高速连拍相机拍摄泥浆泌水率识别仪器中静 置泥浆泌 水视频进行 处理： 将视频分解为图像序列后人工标注清晰图片中的泥浆刻度与位 置信息； S202： 将拍摄得到的模糊图片与其清晰图片进行同样的图像增 强操作， 具体为： 翻转、 裁剪、 改变对比度、 调整饱和度拼接； S203： 将得到的图像对和位置信息组合得到模型的数据集， 其中模型输入包含模糊或 清晰的未 标注图片， 输出包 含输入对应的已标注 清晰图片以及泥浆泌水的位置信息 。 3.如权利 要求1所述的一种基于YOLOv5模型的泥浆泌水率实时检测方法， 其特征在于： S3中构建YOLOv5s检测框架的具体方法如下： S301： 特征提取网络采用带有Focus结构的CSP  Darknet53作为主干网来提取输入图片 的底层特征； Backbone第一层focus， 从高分辨率图像中， 周期性的抽出像素点重构到低分 辨率图像中， 即将图像相邻的四个位置进行堆叠， 聚焦wh维度信息到c通道空间， 提高每个 点感受野， 并减少原 始信息的丢失， 从而减少计算 量加快速度； S302： 从主干网中输出7个不同层次的特征图， 其中3个特征图连接YOLOv5中的CSP结构 块， PANET基于Mask  R‑CNN和FPN框架， 加强信息传播， 用于预测输入图片中泥浆泌水的位 置； 另外4个特征图通过卷积、 上采样， 拼接的方式构成YOLOv5s网络的降噪分支， 用于去除 输入图片中的模糊， 生成清晰的图片。 4.如权利 要求3所述的一种基于YOLOv5模型的泥浆泌水率实时检测方法， 其特征在于： 在训练好模型后， 原始模型在获得推断结果以后会进 行调用绘图函数画框， 保存文本结果， 保存图像结果的一系列操作， 其中， 在调用绘图函数之前截获目标检测坐标和标签信息， 并 封装成jso n文件， 通过flask传输 至服务器端进行识别。 5.如权利 要求4所述的一种基于YOLOv5模型的泥浆泌水率实时检测方法， 其特征在于， 在YOLOv5特征融合层和检测层网络中， 利用FPN+PAN结构增强特征与定位的传递性， 输出3 个尺度的输出检测层： 80 ×80、 40×40和20×20， 分别用于检测 小、 中、 大目标； 针对泥浆泌 水较少， 待识别目标较小， 通过去除40 ×40、 20×20两个尺度检测层； 同时， 在特征融合层阶 段再次进行 上采样操作， 最终使检测层的输出尺度分别为16 0×160、 80×80。 6.如权利 要求5所述的一种基于YOLOv5模型的泥浆泌水率实时检测方法， 其特征在于， 采用BN层代 替dropout， BN层用在深度神经网络中激活层之前， 用于加快模 型训练时的收敛 速度， BN层核心公式如下： Input:B＝{x1...m}； Υ, β(parameters  to be learned)权　利　要　求　书 1/2 页 2 CN 114998185 A 2Output:{yi＝BNγ, β(xi)} yi←γxi+β 输入为数值 集合B， 可训练参数Υ、 β； BN层的具体操作 为： 先计算B的均 值和方差， 再将B集合的均 值、 方差变换为0、 1， 对应上 式中 最后将B中每个元素乘以Υ再加β， 输出； 其中Υ、 β 是可训练参数， 参与 整个网络的反向传播； 归一化处理： 将数据规整到统一区间， 采用Υ、 β 作为还原参数， 在保留原数据的分布情况 下， 将起到一定的正则化作用的BN层采用白化预处理， 其计算公式如下： 再对某一个层网络的输入数据做一个归一化处理， 训练过程中采用batch随机梯度下降， E [x(k)]指的是每一批训练数据神经元[x(k)]的平均值； 是每一批数据神经元[x (k)]激活度的一个标准差 。 7.如权利 要求1所述的一种基于YOLOv5模型的泥浆泌水率实时检测方法， 其特征在于， YOLOv5‑s的损失函数计算方法分为第一项任务目标检测L1正则化和第二项任务去模糊L2 正则化； 其中， L1称为平均绝对值误差MAE， 是指模 型预测值f(x)和真实值y之间绝对差值的 平均值， 公式如下： 上式中： f(xi)和yi分别表示第i个样本的预测值与真实值， n为样本个数， L1损失函数的 导数是常量， 有着稳定的梯度； 对于L2称为均方误差MSE， 是指模型预测值f(x)和真实值之间差值平方的平均 值， 公式 如下： 其中， M代 表样本数， x代 表真实数据， x为重建数据。权　利　要　求　书 2/2 页 3 CN 114998185 A 3