(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 202210216832.1 (22)申请日 2022.03.07 (71)申请人 南京工业大 学 地址 211816 江苏省南京市浦口区浦珠南 路30号 (72)发明人 王萌　杜振龙　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 罗运红 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06V 10/44(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于YOLOv5s神经网络的酒店套装门检 测方法 (57)摘要 本发明公开了一种基于YOLOv5s神经网络的 酒店套装门检测方法， 属于深度学习技术领域。 该方法包括以下步骤： (1)采集酒店安装好的套 装门图像并使用A CDSee批量调整图像大小成640 ×640， (2)通过LabelImg目标检测标注 工具对数 据进行标记， (3)使用PyTorch深度学习框架， 搭 建基础的YOLOv5s神经网络模型并修改模型结 构， (4)利用数据集对目标检测模型进行训练和 测试， 得到最优目标检测模型并部署到华为 Atlas200DK边端设备 上。 权利要求书3页 说明书6页 附图1页 CN 114663366 A 2022.06.24 CN 114663366 A 1.一种基于YOLOv5s神经网络的酒店套装门检测方法， 其特征在于， 所述方法包括以下 步骤： 步骤一： 采集酒店安装好的套装门图像， 并使用ACD See批量调整图像大小成640 ×640； 步骤二： 通过Label Img目标检测标注工具对数据进行 标记； 步骤三： 使用PyTorch深度学习框架， 搭建基础的YOLOv5s神经网络模型并修改模型结 构； 步骤四： 利用数据集对目标检测模型进行训练和测试， 将训练好的神经网络模型部署 到华为Atlas200DK边端设备 上。 2.根据权利 要求1所述的一种基于YOLOv5s神经网络的酒店套装门检测方法， 其特征在 于， 步骤一所述的采集酒店安装好的套装门 图像， 并使用ACDSee批量调整图像大小成640 × 640， 包括以下步骤： 步骤一： 通过装有摄像头的华为Atlas200DK设备拍 摄酒店安装好的套装门图像， 每张 图像中包 含完整的门框结构； 步骤二： 根据四边形两对边及四个角的关系， 将拍摄的图像分成8个 类别： 上下边框平行、 左右边框平行： 相邻边框均垂直或相邻边框均不垂直； 上下边框平行、 左右边框不平行： 左右边框中只有一条与上下边框垂直或相邻边框均 不垂直； 上下边框不平行、 左右边框平行： 上下边框中只有一条与左右边框垂直或相邻边框均 不垂直； 左右边不平行、 上下边框不平行： 相邻边框中只有一对垂直或相邻边框均不垂直， 按照 这个顺序从0 到7， 把每 个图像文件名前都加上类别对应的编号； 步骤三： 使用ACDSee打开存有重命名图像的文件夹， 然后右击选择 “批量”选项下的“批 量编辑”， 点击调整大小， 调整宽高为640 ×640。 3.根据权利 要求1所述的一种基于YOLOv5s神经网络的酒店套装门检测方法， 其特征在 于， 步骤二所述的通过Label Img目标检测标注工具对数据进行 标记， 包括以下步骤： 步骤一： 安装并运行Label Img标检测标注工具， 打开 LabelImg工具界面； 步骤二： 设置输入和输出文件夹， 点击 “Open Dir”选择存有640 ×640图像的文件夹， 再 点击“Change Save Dir”选择保存路径； 步骤三： 设置标记形式， 先勾 选“Verify Image”设置后一张图默认和前一张图标记相 同， 再勾选 YOLO的标记形式， 最后勾选默认保存按 钮； 步骤四： 按照文件名前的数字给图像打上 标记， 并框出图像中的套装门。 4.根据权利 要求3所述的一种基于YOLOv5s神经网络的酒店套装门检测方法， 其特征在 于， 步骤三中， 所述的使用PyTorch深度学习框架， 搭建基础的YOLOv5s神经网络模型并修改 模型结构， 包括以下步骤： 步骤一： 使用PyTorc h框架搭建基础的YOLOv5s神经网络； 步骤二： 修改YOLOv5s神经网络的主干 网络， 在主干网络中的跨阶段局部结构里嵌入坐 标注意力机制， 坐标注意力机制将通道注意力输出的原始特征xc(i,j)分解为两个一维的 转置特征映射 和 权　利　要　求　书 1/3 页 2 CN 114663366 A 2其中， c、 h、 w表示特征的可变通道、 可变高和可变宽， H和W表示特征的最大高和宽， i和j 表示逐宽和逐高累加特 征的顺序， 将两个一维特 征编码分别沿两个空间方向聚合特 征f： 其中， δ、 Conv和Concat分别表示为非线性激活函数、 卷积和特征拼接， 聚合特征再分解 沿一个空间方向捕获远程依赖关系 同时沿另一空间方向保留精确的位置信息 其中， fh和fw分别表示聚合特征f沿高和宽的方向进行 的特征分解， σ 表示Sigmoid激活 函数， 最后这两个方向的特征与原始输入特征进行展开加权求和， 得到坐标注意力特征yc (i,j)： 其中， 展开加权求和简化后以乘积的形式呈现； 步骤三： 修改原有 模型的颈部网络， 参考双向特征 金字塔结构在特 征金字塔加路径聚合 结构中的第四层建立一个双向连接， 第二层的中间输出和最终输出分 别表示为 和 其中， Conv和Concat分别表示卷积和特征拼接， 和 分别表示颈部网络中的 双向特征金字塔的第三、 四和五层的输入， Resize表示调整参数特征大小与Concat第一个 参数一致； 步骤四： 修改原有模型的头部网络， 把头部网络中用于多尺度特征预测的三分支检测 头改成两个 分支， 去掉网格最小的输出特征大小为80 ×80×255的分支， 保留两个 分支的输 出特征大小分别为 40×40×255和20×20×255。 5.根据权利 要求4所述的一种基于YOLOv5s神经网络的酒店套装门检测方法， 其特征在 于， 步骤四中， 利用数据集对目标检测模型进行训练和测试， 将训练好的神经网络模型部署 到华为Atlas200DK设备上， 包括以下步骤： 步骤一： 在训练前， 设置Adam优化器训练YOLOv5s模型， 初始学习率为0.001， 动量为 0.937， 权 重衰减为0.0 005； 步骤二： 在训练中， 使用步骤二中标注好的数据作为步骤三搭建的YOLOv5s神经网络模 型的输入， 以标注的类别作为神经网络模型 的输出对神经网络模型进行训练， 进行预设次 数的迭代训练； 步骤三： 在训练后， 保存训练好的神经网络模型， 并将训练好的神经网络模型部署到华权　利　要　求　书 2/3 页 3 CN 114663366 A 3