(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 202211274508.1 (22)申请日 2022.10.18 (71)申请人 陕西欧拉数 学研究院有限公司 地址 710000 陕西省西安市雁塔区西安交 大博源科技广场C座四层413室 申请人 西安君能清洁能源 有限公司 (72)发明人 杨端　孙建永　薛江　韩志英　 孙曼　王鑫　谭金鑫　谢国庆　 石唯怡　徐代　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 高博 (51)Int.Cl. G06V 20/52(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06V 10/25(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于YOLOv5的智能电厂小目标检测方 法及系统 (57)摘要 本发明公开了一种基于YOLOv5的智能电厂 小目标检测方法及系 统， 构建增加anchor机制， 并重构输出端 的YOLO v5网络训练模型； 利用训 练数据集对YOLO  v5网络训练模型进行训练， 再 利用验证数据集对训练好的YOLO  v5网络训练模 型进行验证， 保存最优模型权重的YOLO  v5网络 训练模型； 将测试数据集输入步骤S3得到的YOL O  v5网络训练模型中， 实现小目标检测； 本发明将 成熟的深度学习视频目标检测算法YOL O v5通过 合理改进， 应用于光伏场站9类异常目标的实时 检测与预警分析， 以提高光伏电站发电的生产作 业安全性， 并为光伏电站赋能， 提升安全生产的 智能管控水平。 权利要求书2页 说明书12页 附图2页 CN 115471794 A 2022.12.13 CN 115471794 A 1.一种基于 YOLOv5的智能电厂 小目标检测方法， 其特 征在于， 包括以下步骤： S1、 采集数据集并标注训练数据集、 验证数据集和 测试数据集； S2、 构建增 加锚框anc hor机制， 并重构输出端的YOLO  v5网络训练模型； S3、 利用步骤S1得到的训练数据 集对步骤S2得到的YOLO  v5网络训练模型进行训练， 再 利用步骤S1得到的验证数据集对训练好的YOLO  v5网络训练模型进行验证， 保存最优模型 权重的YOLO v5网络训练模型； S4、 将步骤S1得到 的测试数据集输入步骤S3得到 的最优模型权重 的YOLO v5网络训练 模型中， 实现小目标检测。 2.根据权利 要求1所述的基于YOLOv5的智能电厂小目标检测方法， 其特征在于， 步骤S1 具体为： S101、 采集PASCAL  VOC数据集和MS ‑COCO数据集， 并将PASCAL  VOC数据集转换为COCO格 式； S102、 从步骤S101得到的数据集中收集工服数据集、 安全帽数据集、 烟雾数据集、 火焰 数据集、 垃圾 瓶数据集、 人体数据集、 反光衣数据集、 非工服数据集和人体头 部数据集； S103、 将步骤S102得到的工服数据 集、 安全帽数据 集、 烟雾数据 集、 火焰数据集、 垃圾瓶 数据集和人体头 部数据集按比例分割为训练数据集、 验证数据集和 测试数据集。 3.根据权利要求2所述的基于YOLOv5的智能电厂小目标检测方法， 其特征在于， 步骤 S102中， 当步骤S101得到的数据集中有标注好的标签， 将标签数据统一转换为COCO格式并 导出； 当步骤S101得到的数据集中只有图片数据， 使用LabelImage工具对图片数据进行标 注， 并导出为COCO格式的标签。 4.根据权利要求2所述的基于YOLOv5的智能电厂小目标检测方法， 其特征在于， 步骤 S103中， 训练数据集占总数据集的76％， 验证数据集占总数据集的15％， 测试数据集占总数 据集的9％。 5.根据权利 要求1所述的基于YOLOv5的智能电厂小目标检测方法， 其特征在于， 步骤S2 中， YOLO v5网络训练模 型包括输入端、 骨干网络、 颈部网络和输出端， 输入端采用马赛克数 据增强、 自适应图片缩放和自适应锚框计算方式对输入的数据进行数据增强和数据预处 理； 骨干网络采用Focus模块、 CSP模块和SPP模块对输入图像的特征进行提取； 颈部网络采 用FPN+PAN结构聚合不同尺度的特征； 输出端用于获取特征映射， 并利用颈部网络获取的聚 合特征映射预测边界框和类。 6.根据权利 要求5所述的基于YOLOv5的智能电厂小目标检测方法， 其特征在于， 骨干 网 络使用CSP1， CSP1中的输入分为两个分支， 一个分支先通过CBL， 经过包括多个残差结构的 残差单元模块Resunit， 再进行一次卷积； 另一个分支直接进行卷积； 然后将两个分支进行 级联， 再经过BN层和Si LU激活函数， 最后进行一次CBL； 颈部网络使用CSP2， CSP2将CSP1中的Resunit转换成2X个CBL； 骨干网络的SPP模块通过 一个标准卷积模块将输入通道减半， 然后 分别做池化核大小为5、 9、 13的最大池化操作； 填 充padding以适应不同的核大小， 对三次最大池化的结果与未进行池化操作的数据进行级 联操作， 最终合并得到原通道 2倍的通道数。 7.根据权利 要求5所述的基于YOLOv5的智能电厂小目标检测方法， 其特征在于， 输出端 采用shape规则匹配， 计算候选框bbox和当前层锚框anchor的宽高比， 当宽高比例大于设定权　利　要　求　书 1/2 页 2 CN 115471794 A 2阈值时， 过滤后的候选框bbox作为背景； 计算剩余能够与锚框anchor匹配的候选框bbox所 在的网格， 根据四舍五入规则找出最近的两个网格， 将与锚框anchor匹配的候选框bbox所 在的网格， 以及相邻的两个网格与预测对应的候选框bbox关联， 作为负责预测候选框bbox 的网格。 8.根据权利 要求7所述的基于YOLOv5的智能电厂小目标检测方法， 其特征在于， 输出端 在第17层后， 继续对 特征图进 行上采样处理； 将第20层获取到的大小为160*160的特征图与 骨干网络中第2层的特征图进 行级联融合操作； 在第31层设置小目标检测层， 一共使用四层 [21， 24， 27， 3 0]进行检测。 9.根据权利 要求5所述的基于YOLOv5的智能电厂小目标检测方法， 其特征在于， 输出端 采用Boundi ng box损失函数， 具体为： 其中， IOU为预测框与真实框的交集A和并集B之比； Distance_2为预测框与真实框的两 个中心点的欧式距离； C为预测框与真实框的交集A和并集B的最小外接矩形， Distance_C为 C的对角线距离； ν 是衡量长 宽比一致性的参数。 10.一种基于 YOLOv5的智能电厂 小目标检测系统， 其特 征在于， 包括： 数据模块， 采集公开数据集并标注训练数据集、 验证数据集和 测试数据集； 重构模块， 构建增 加锚框anc hor机制， 并重构输出端的YOLO  v5网络训练模型； 训练模块， 利用数据模块得到的训练数据集对重构模块得到的YOLO  v5网络训练模型 进行训练， 再利用数据模块得到的验证数据集对训练好的Y OLO v5网络训练模型进行验证， 保存最优 模型权重的YOLO v5网络训练模型； 检测模块， 将数据模块得到的测试数据集输入训练模块得到的最优模型权重的YOLO   v5网络训练模型中， 实现小目标检测。权　利　要　求　书 2/2 页 3 CN 115471794 A 3