本发明涉及井下目标检测领域，尤其涉及一种基于改进yolov5的井下红外目标检测与识别方法、系统及计算机存储介质。
背景技术：
1、矿山开采是人类获取资源的一种重要途径，随着科技发展和工业化程度不断提高，人类社会对于矿产资源的需求日渐增加。当前，我国中部和东部地区浅部矿产资源开发殆尽，矿石的开采已经由地表浅层开发转向地下深部开采阶段。
2、深部开采所带来的“三高一扰动”问题不仅使得井下开采环境变得极为恶劣，井下工作人员的生命安全也受到巨大威胁。井下巡检是保障矿山生产安全的重要手段之一，在深部井下的高风险区域势必会面临人工巡检时空受限，在线检测空间范围受限等问题，无法保障井下作业安全与矿山的可持续生产。随着智能化和计算机技术的迅速发展，矿山企业将无人巡检设备部署在井下，代替人工完成日常巡检或风险区域巡检等任务。目标检测技术是巡检设备的一项重要手段，如今基于深度学习的井下人脸检测、安全帽检测、不安全行为检测、井下巡检机器人障碍物检测、皮带异物检测、行人检测等计算机视觉任务在各个方面维护着正常的生产活动。
3、在目标检测领域，可见光设备在成像的过程中容易受到光照环境的影响，在光照不足或者有强光干扰的情况下，图像成像质量急剧下降，导致巡检设备难以有效应井下复杂的光照条件，从而产生错检或者漏检，影响检测性能。由于红外图像是通过获取目标的红外辐射进行成像，外界光照环境对其成像效果影响较小，所以红外目标检测系统具有抗干扰能力强，受光照影响较小，配备红外设备的井下智能车可以更好的应对井下光照不均的复杂环境，保证目标检测的准确率。然而，红外图像与可见光图像相比，红外图像中目标缺乏色彩信息，目标纹理细节特征不明显，边缘轮廓模糊，红外图像可利用特征信息较少。基于手工设计特征的目标检测方法由于设计的特征模板单一，检测速度较快，但只能针对特定几何外形的目标，泛化性欠佳，容易出现错检、漏检，鲁棒性不强。
4、现有技术中有通过在yolov7的主干网络中添加了soca注意力机制模块，使网络能够专注于更有益的信息，同时利用空洞空间卷积池化金字塔模块进行卷积计算，以多个比例捕捉图像的上下文，提升井下目标识别的置信度提高，提高识别效果，但随之导致的问题是由于yolov7的模型参数量更大对硬件需求较高，不易将其与便携设备结合。
5、所以，如何能够提供一种检测与识别精度较高，且能够与无人巡检设备有效结合进行标检测任务的轻量化算法模型，保障矿山的安全生产的方法成为亟待解决的问题。
技术实现思路
1、本发明提供基于改进yolov5的井下红外目标检测与识别方法、系统及计算机存储介质，用以提供一种能够与无人巡检设备有效结合进行标检测任务的检测识别方法及相应的轻量化算法模型，从而保障矿山的安全生产。
2、为了实现上述目的，本发明技术方案提供了一种基于改进yolov5的井下红外目标检测与识别方法，包括：构建井下红外目标检测数据集；对所述井下红外目标检测数据集进行卷积得到第一数据；所述第一数据与采样数据拼接后输入第一c3-res2block模块后输出第一目标检测结果；所述第一数据被高效视觉变换网络模块特征融合后，输出第二数据；所述第二数据被另一所述高效视觉变换网络模块特征融合得到第三数据，所述第三数据经卷积归一化及激活后得到第四数据，所述第四数据经上采样后与所述第二数据经第二c3-res2block模块后再经卷积归一化及激活后输出第五数据；所述第五数据上采样后得到所述采样数据；所述第五数据与经卷积归一化及激活后的第一目标检测结果拼接后，经第三c3-res2block模块输出第二目标检测结果；所述第二目标检测结果与所述第四数据拼接后经第四c3-res2block模块输出第三目标检测结果。将三种不同尺度的目标检测结果可视化显示在图像中。
3、作为上述技术方案的优选，较佳的，对所述井下红外目标检测数据集进行卷积得到第一数据，包括：对所述井下红外目标检测数据集进行所述卷积后，再进行一次变种分布移位卷积和两次移动翻转瓶颈卷积得到所述第一数据。
4、作为上述技术方案的优选，较佳的，当所述井下红外目标检测数据集输入所述移动翻转瓶颈卷积中时，得到通道数降低的特征图，具体的，特征图经dwconv模块在其中的每个通道中应用独立的卷积核，对各通道分别卷积；各通道的卷积结果分别经逐点卷积进一步处理，结合每个通道的特征得到各通道的表示特征；senet模块对所述各通道的表示特征进行全局平均池化操作，将每个特征通道的空间维度压缩到一个通道描述符中；通过自适应矫正操作对降为后的特征图进行矫正。
5、作为上述技术方案的优选，较佳的，第一数据再经一次移动翻转瓶颈卷积后输入所述高效视觉变换网络模块，所述高效视觉变换网络模块包含轻量级的多尺度注意力机制及移动翻转瓶颈卷积，所述高效视觉变换网络模块输出进一步提取的图像特征。
6、作为上述技术方案的优选，较佳的，c3-res2block模块由res2net模块与c3模块组成，输入所述c3-res2block模块的数据通过归一化和sigmoid操作后输出的数据经所述res2net模块处理后，再与所述输出的数据在通道维度上进行拼接，拼接后数据再次通过卷积、归一化和sigmoid函数处理生成包含多尺度特征信息的输出数据。
7、作为上述技术方案的优选，较佳的，第二数据被另一所述高效视觉变换网络模块迭代得到第三数据，包括：第二数据被另一所述高效视觉变换网络模块迭代后的数据输入改进空间金字塔池化模块后得到所述第三数据；改进空间金字塔池化模块包括空洞卷积部分和普通卷积部分；普通卷积部分首先对第二数据进行常规卷积操作，得到卷积结果；空洞卷积部分根据其具有的不同尺寸和rate参数的组合分别对所述卷积结果进行卷积操作后合并并，以此实现特征融合输出所述第三数据。其中，尺寸为指空洞卷积的卷积核尺寸。
8、作为上述技术方案的优选，较佳的，还包括损失函数，所述损失函数为wiouv3。
9、本发明还提供一种能够实现上述方法的基于改进yolov5的井下红外目标检测与识别系统，包括：数据集构建单元，用于构建井下红外目标检测数据集；数据预处理单元，用于对所述数据构建及单元中的所述井下红外目标检测数据集进行卷积得到第一数据；具体的，所述预处理单元中的卷积模块对所述井下红外目标检测数据集进行所述卷积后，分布移位卷积模块和两个移动翻转瓶颈卷积模块依次对所述卷积后的数据进行处理，得到所述第一数据；其中，当所述井下红外目标检测数据集输入所述移动翻转瓶颈卷积模块中时，得到通道数降低的特征图，详细的，所述特征图经分布移位卷积模块在其中的每个通道中应用独立的卷积核，对各通道分别卷积；各通道的卷积结果分别经逐点卷积进一步处理，结合每个通道的特征得到各通道的表示特征；特征图经分布移位卷积模块中的senet单元对所述各通道的表示特征进行全局平均池化操作，将每个特征通道的空间维度压缩到一个通道描述符中；通过自适应矫正操作对降为后的特征图进行矫正；
10、第一目标检测结果生成单元，用于所述第一数据与采样数据拼接后输入第一c3-res2block模块后输出第一目标检测结果；
11、第二数据生成单元，用于对所述数据预处理单元获取的第一数据进行迭代，生成第二数据，其中所述第一数据是被所述第二数据生成单元中高效视觉变换网络模块迭代的；其中所述第二数据生成单元还包括一移动翻转瓶颈卷积模块；
12、第三数据生成单元，用于根据其中的移动翻转瓶颈卷积模块、高效视觉变换网络模块和入改进空间金字塔池化模块对所述第二数据生成单元生成的所述第二数据生成进行数据处理，得到所述第三数据；
13、第四数据生成单元，包括一cbs模块及上采样模块，用于对所述第三数据进行卷积归一化及激活操作后得到所述第四数据，再将所述第四数据上采样后输出至后续第五数据生成单元；
14、第五数据生成单元，包括一拼接模块、第二c3-res2block模块及一cbs模块，用于，将所述第二数据与所述第四数据生成单元输出的上采样结果进行拼接，所述第二c3-res2block模块对拼接结果进行数据处理得到包含多尺度特征信息的输出特征图后，cbs模块对此特征图进行数据处理得到所述第五数据；
15、第二目标检测结果生成单元，包含一cbs模块、一拼接模块及第三c3-res2block模块，用于，所述cbs模块对所述第一目标检测结果进行卷积归一化及激活操作得到一数据结果，所述拼接模块将此数据结果与所述第五数据进行拼接，拼接后结果经所述第三c3-res2block模块计算后生成所述第二目标检测结果；
16、第三目标检测结果生成单元，包含一cbs模块、一拼接模块及第四c3-res2block模块，用于，所述cbs模块对所述第二目标检测结果进行卷积归一化及激活操作得到一数据结果，所述拼接模块将此数据结果与所述第四数据进行拼接，拼接后结果经所述第四c3-res2block模块计算后生成所述第三目标检测结果；
17、其中，c3-res2block模块由res2net模块与c3模块组成，输入所述c3-res2block模块的数据通过归一化和sigmoid操作后输出的数据经所述res2net模块处理后，再与所述输出的数据在通道维度上进行拼接，拼接后数据再次通过卷积、归一化和sigmoid函数处理生成包含多尺度特征信息的输出数据。
18、作为上述技术方案的优选，较佳的，改进空间金字塔池化模块空洞卷积单元和普通卷积单元；普通卷积单元对所述第二数据进行常规卷积操作，得到卷积结果；空洞卷积部分根据其具有的不同尺寸和rate参数的组合分别对所述卷积结果进行卷积操作后合并，以此实现特征融合，从而输出所述第三数据。
19、为实现上述目的，本发明还提供一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的基于改进yolov5的井下红外目标检测与识别方法的步骤。
20、本发明技术方案提供了基于改进yolov5的井下红外目标检测与识别方法、系统及计算机存储介质，通过对构建井下红外目标检测数据集进行卷积得到第一数据；第一数据与采样数据拼接后输入第一c3-res2block模块后输出第一目标检测结果；第一数据被高效视觉变换网络模块特征融合后，输出第二数据；第二数据被另一所述高效视觉变换网络模块特征融合得到第三数据，所述第三数据经卷积归一化及激活后得到第四数据，所述第四数据经上采样后与所述第二数据经第二c3-res2block模块后再经卷积归一化及激活后输出第五数据；第五数据上采样后得到所述采样数据；第五数据与经卷积归一化及激活后的第一目标检测结果拼接后，经第三c3-res2block模块输出第二目标检测结果；第二目标检测结果与所述第四数据拼接后经第四c3-res2block模块输出第三目标检测结果。
21、本发明的优点是，在yolov5s算法的基础上，采用efficientvit作为主干网络，有效的减少了模型的参数量和计算量；使用basicrfb模块替换原网络的sppf模块，提高了模型的特征提取能力；引入res2net模块并将其与c3模块相结合，在不明显增加模型复杂度的情况下，使模型能够更有效地捕获多尺度信息，增强模型的检测性能；采用wiouv3损失函数替换原损失函数，有效地防止数据集本身带来的难易样本不平衡的问题，提高对小目标的检测能力。
22、从而能够针对智能巡检车在井下面对不均匀光照条件的巡逻效率和安全性的问题，采用基于改进yolov5的红外目标检测算法对井下的人员和运输设备进行识别检测，构建能够有效配合无人巡检设备进行目标检测任务的轻量化算法模型，保障矿山的安全生产。
1.一种基于改进yolov5的井下红外目标检测与识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述井下红外目标检测数据集进行卷积得到第一数据，包括：
3.根据权利要求2所述的方法，其特征在于，当所述井下红外目标检测数据集输入所述移动翻转瓶颈卷积中时，得到通道数降低的特征图，具体的，dwconv模块中有各通道独立卷积核，所述特征图被所述各通道独立卷积核分别卷积；各通道的卷积结果分别经逐点卷积进一步处理，结合每个通道的特征得到各通道的表示特征；
4.根据权利要求1所述的方法，其特征在于，包括，所述第一数据再经一次移动翻转瓶颈卷积后输入所述高效视觉变换网络模块，所述高效视觉变换网络模块包含轻量级的多尺度注意力机制及移动翻转瓶颈卷积，所述高效视觉变换网络模块输出进一步提取的图像特征。
5.根据权利要求1所述的方法，其特征在于，c3-res2block模块由res2net模块与c3模块组成，输入所述c3-res2block模块的数据通过归一化和sigmoid操作后输出的数据经所述res2net模块处理后，再与所述输出的数据在通道维度上进行拼接，拼接后数据再次通过卷积、归一化和sigmoid函数处理生成包含多尺度特征信息的输出数据。
6.根据权利要求1所述的方法，其特征在于，所述第二数据被另一所述高效视觉变换网络模块迭代得到第三数据，包括：
7.根据权利要求1所述的方法，其特征在于，还包括损失函数，所述损失函数为wiouv3。
8.一种能够实现如权利要求1-7任一项所述方法的基于改进yolov5的井下红外目标检测与识别系统，包括：
9.根据权利要求8所述的系统，其特征在于，所述改进空间金字塔池化模块空洞卷积单元和普通卷积单元；
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于改进yolov5的井下红外目标检测与识别方法的步骤。
