(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 202210313455.3 (22)申请日 2022.03.28 (71)申请人 南京邮电大 学 地址 210003 江苏省南京市 鼓楼区新模范 马路66号 (72)发明人 张晖　李可欣　赵海涛　朱洪波　 (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 姜慧勤 (51)Int.Cl. G06V 20/17(2022.01) G06V 10/762(2022.01) G06V 20/40(2022.01) (54)发明名称 一种基于锚框最优聚类的YOLOv5园林异常 目标识别方法 (57)摘要 本发明公开了一种基于锚框最优聚类的 YOLOv5园林异常目标识别方法， 包括： 采集园林 垃圾样本图像， 并对园林垃圾样本图像进行标 注， 构建园林垃圾图像数据集； 利用改进的K ‑ means算法对园林垃圾图像数据集进行锚框聚 类， 得到最优的9个锚框； 根据最优的9个锚框设 置YOLOv5网络模型的锚框尺寸， 并对YOLOv5网络 模型进行训练， 得到训练好的YOLOv5网络模型， 利用训练好的YOLOv5网络模型实现园林垃圾识 别。 在智慧园林场景中， 利用本发明的方法， 可以 将无人机拍摄的视频和图片信息中的粘连的垃 圾精准的识别出来， 提高了垃圾识别的召回率和 准确率， 大大减轻了园林中人力和物力的投入， 减少了人工 巡检的工作。 权利要求书3页 说明书7页 附图2页 CN 114913438 A 2022.08.16 CN 114913438 A 1.一种基于锚框最优聚类的YOLOv5园林异常目标识别方法， 其特征在于， 包括如下步 骤： 步骤1， 采集园林垃圾样本图像， 并对园林垃圾样本图像进行标注， 构建园林垃圾图像 数据集； 步骤2， 利用改进的K ‑means算法对园林垃圾图像数据集进行锚框聚类， 得到最优的9个 锚框； 步骤3， 根据最优的9个锚框设置YOLOv5网络模型的锚框尺寸， 并对YOLOv5网络模型进 行训练， 得到训练好的YOLOv5网络模型， 利用训练好的YOLOv5网络模型实现园林 垃圾识别。 2.根据权利要求1所述的基于锚框最优聚类的YOLOv5园林异常目标识别方法， 其特征 在于， 所述步骤1 中， 在对园林垃圾样 本图像进 行标注前， 对园林垃圾样 本图像进 行平移、 旋 转和滤波预处 理， 再通过Label Img进行标注。 3.根据权利要求1所述的基于锚框最优聚类的YOLOv5园林异常目标识别方法， 其特征 在于， 所述 步骤2的具体过程如下： 步骤2.1， 对园林 垃圾图像数据集中的每张图像进行去 背景操作； 步骤2.2， 对于去 背景后的任意 一张图像qm， 根据以下公式找到图像的第一个聚类中心： 其中， P表示去除背景后， 图像中的所有像素点的个数； Hi表示第i个像素点pi的色调分 量值； 表示去背景操作前， 对每张 图像转换颜色空间后 得到的图像中所有像素点的色调 分量的平均值； 步骤2.3， 找到下一个聚类中心， 具体如下： 计算图像qm中每个像素点pi到目前已选出来的所有聚类中心的最短多维融合距离， 计 算公式如下： 其中， D(pi)表示像素点pi到目前已选出来所有的聚类中心的最短多维融合距 离， Dk(pi) 表示像素点pi到聚类中心ck的多维融合距离， K表 示目前已选出来的所有聚类中心个数； Hi、 Hk分别表示像素点pi的色调分量、 聚类中心ck的色调分量， (xi,yi)表示像素点pi相对于整个 图像的坐标， (xk,yk)表示聚类中心ck相对于整个图像的坐标， 整个图像以左上角为坐标原 点， 宽为x轴， 长为y轴， 一个 像素为一个单位； 计算每个像素点pi成为下一个聚类中心的概 率， 其概率用P(pi)表示， 计算公式如下： 按照概率的大小决定其概率范围的大小， 并将所有的概率范围随机依次分布到0 ‑1之 间， 在0‑1范围内产生一个随机数， 选取随机数所在的概率范围对应的像素点作为下一个聚 类中心；权　利　要　求　书 1/3 页 2 CN 114913438 A 2步骤2.4， 根据基于聚类评价系数的迭代终止条件判断是否需要选取新的聚类 中心， 如 果需要则重复步骤2.3； 定义聚类评价系数f， 根据聚类评价系数来决定聚类 中心的个数， 聚类评价系数的公式 如下： 其中， f(K)表示目前已选出K个聚类中心时的聚类评价系数； μK表示每个像素点pi到当 前已有聚类中心之间的最短多维融合距 离的均值； 表示每个像 素点pi到当前已有聚类中 心之间的最短多维融合距离的方差； 基于聚类评价系数的迭代终止条件分为以下三种情况： 情况1， 按照步骤2.3的过程增加一个聚类中心， 增加后的聚类中心个数为K+1， 增加后 的聚类评价系数为f(K+1)， 增加后像素的聚合程度增加， 说明增加后聚类效果更好， 当增加 的程度超过 ε， 即f(K) ‑f(K+1)≥ε 时， 需要继续增 加， 其中， ε为大于 0的阈值； 情况2， 按照步骤2.3的过程增加一个聚类中心， 增加后的聚类中心个数为K+1， 增加后 的聚类评价系数为f(K+1)， 当增加后像素的聚合程度增加范 围在(0, ε )之间， 即0＜f(K) ‑f (K+1)＜ ε 时， 停止增 加， 最终的聚类中心个数为K+1； 情况3， 按照步骤2.3的过程增加一个聚类中心， 增加后的聚类中心个数为K+1， 增加后 的聚类评价系数为f(K+1)， 当f(K) ‑f(K+1)＜0时， 停止增 加， 最终的聚类中心个数为K； 步骤2.5， 找到所有的聚类 中心后， 计算图像中某像素点到各个聚类 中心的多维融合距 离， 将该像素点分到最短多维融合距离所对应的聚类中心的类别中； 步骤2.6， 对于新增加像素点的类别重新计算聚类中心， 具体为： 设园林垃圾图像数据 集S中最大垃圾标记的尺寸为Wmax、 Lmax， 则其对角线长度为 新增加像素 点的类别的聚类中心当前为c， 若新增加的像素点到当前聚类中心c的欧氏距离大于Rmax， 则 更新后的聚类中心仍为c， 若新增加的像素点到当前聚类中心的欧氏距离小于Rmax， 则更新 后的聚类中心为 分别为该类别中所有像素点横坐标与纵坐标的平均值， 公式 如下： 其中， N表示该类别当前像素点的个数， xn、 yn分别为该类别中第n个像素点的横、 纵坐标 值； 步骤2.7， 重复步骤2.5和2.6， 直到聚类中心的位置不再发生变化； 步骤2.8， 根据每个类别中所有像素点的坐标最值xmin、 xmax、 ymin、 ymax， 确定锚框的上下 左右四个边界， 得到锚框； 步骤2.9， 对去 背景后的数据集 Q中每张图像进行步骤2.2到2.8操作， 得到所有的锚框；权　利　要　求　书 2/3 页 3 CN 114913438 A 3