[发明专利]一种基于改进YOLOv5的中学物理实验器材检测方法

说明书

本发明公开了一种基于改进YOLOv5的中学物理实验器材检测方法，包括如下步骤：S1.获取在多种场景下拍摄的物理实验器材数据集；S2.对采集到的数据集进行预处理并划分为训练集和测试集；S3.构建基于改进YOLOv5网络的检测模型，所述改进YOLOv5网络基于原YOLOv5网络，主干网络采用ShuffleNet网络，颈部网络采用Ghost‑PAN结构，将原YOLOv5网络的检测头解耦合，并引入自适应空间任务对齐的模块，以增强分类与回归任务之间的交互性，得到融合不同信息的定位或分类特征；S4.利用训练集对所述检测模型进行训练，得到训练好的检测模型；S5.部署训练好的检测模型，完成对中学物理实验器材的检测。本发明可以使得分类与回归任务更加协调的工作，减少实验器材的的误检，提高实验器材检测速度。

技术领域

本发明属于目标检测技术领域，具体涉及一种基于改进YOLOv5的中学物理实验器材检测方法。

背景技术

近年来，随着智能设备的广泛普及和目标检测技术的快速发展，将计算机视觉任务部署到移动终端的教学需求不断增加。目前，在智能化的中学物理实验考试中，需要在低算力，低功耗的移动平台上对物理实验器材进行类别检测与器材定位功能，获取实验器材类别及坐标信息，为判断电路连接工作提供保障。

目前，主流的目标检测算法主要分为两类：双阶段检测算法和单阶段检测算法。双阶段检测算法代表算法是Faster-RCNN，其检测问题分为两个阶段：首先，生成候选区域，然后在候选区域内进行类别置信度计算及位置回归，最终得到目标的精确结果。该类算法虽然精确度略高但训练困难，且占用内存过大，不适合在移动端部署。单阶段目标检测算法代表是YOLO系列算法，其不需要生成候选区域，直接通过卷积操作最终生成目标的位置信息与分类置信度信息。其中单阶段目标检测算法速度比双阶段检测算法快，相比下更适用于高实时性的目标检测任务。

随着YOLO系列的算法不断改进，YOLOv5算法以较高的检测精度及泛化能力被广泛的应用与目标检测任务中，但是其仍具有复杂的网络结构与大量的网络参数，需要强大的GPU来实现实时的目标检测。在移动端设备上，难以满足中学物理实验器材检测系统低时延及低复杂度的要求。

发明内容

本发明要解决的技术问题是针对现有技术的不足而提供一种基于改进YOLOv5的中学物理实验器材检测方法，以提高YOLOv5在低算力低功耗设备上的物理实验器材检测精度与检测速度。

为解决上述技术问题，本发明的内容包括：

一种基于改进YOLOv5的中学物理实验器材检测方法，包括如下步骤：

S1.获取在多种场景下拍摄的物理实验器材数据集；

S2.对采集到的数据集进行预处理并划分为训练集和测试集；

S3.构建基于改进YOLOv5网络的检测模型，所述改进YOLOv5网络基于原YOLOv5网络，主干网络采用ShuffleNet网络，颈部网络采用Ghost-PAN结构，将原YOLOv5网络的检测头解耦合，并引入自适应空间任务对齐的模块，以增强分类与回归任务之间的交互性，得到融合不同信息的定位或分类特征；

S4.利用训练集对所述检测模型进行训练，得到训练好的检测模型；

S5.部署训练好的检测模型，完成对中学物理实验器材的检测。

进一步的，所述步骤S2中，对数据集进行预处理，将拍摄图片在保证宽高比一致的情况下，调整图片为统一的分辨率。