本申请涉及图像处理，尤其涉及一种目标检测方法、装置及可读存储介质。
背景技术：
1、目标检测算法是计算机视觉领域中的一个重要分支，旨在从图像中识别并定位出感兴趣的目标对象。目标检测算法在很大程度上决定了自动驾驶，安防监控，无人机导航等多领域，此外小目标检测也广泛应用在了社会服务上。
2、目前，yolo作为单阶段目标检测收到了广泛的关注；但是yolo在处理小目标检测上有比较大的缺陷与挑战，所以在小目标检测上需要进行进一步改进以及优化。
3、因此，如何提高yolo算法的目标检测结果的准确性，成为需要解决的问题。
技术实现思路
1、本申请所要解决的技术问题是针对现有技术的上述不足，提供一种目标检测方法、装置及可读存储介质，用以解决现有技术存在的问题。
2、第一方面，本申请提供一种目标检测方法，所述方法包括：
3、s1、获取待检测图像，将所述待检测图像输入预训练的改进型yolov5网络；
4、s2、在改进型yolov5网络的p2阶段，通过卷积注意力模块cbam和密集连接层denseblock对所述待检测图像进行特征提取，得到第一特征和第二特征，其中，第一特征的维度高于所述第二特征的维度；
5、s3、基于所述第二特征，通过路径聚合网络panet进行特征提取，得到第三特征和第四特征，其中，第三特征的维度低于所述第四特征的维度；
6、s4、基于所述第三特征和第四特征进行目标检测，得到目标检测结果。
7、在一些实施例中，s1之后，s2之前，还包括：
8、s11、对所述待检测图像进行reshape处理，得到预设维度的图像；
9、s12、通过卷积层对所述预设维度的图像进行特征提取，得到初始特征。
10、在一些实施例中，s2，包括：
11、s21、在改进型yolov5网络的p2阶段，将所述初始特征经由卷积注意力模块cbam和密集连接层denseblock进行处理，得到处理后初始特征；
12、s22、将所述处理后初始特征经由卷积层、密集连接层denseblock和卷积注意力模块cbam进行处理，得到第一特征；
13、s23、将所述第一特征经由卷积层、卷积注意力模块cbam和密集连接层denseblock进行处理，得到第二特征。
14、在一些实施例中，s3，包括：
15、s31、将所述第二特征经由卷积层、卷积注意力模块cbam和路径聚合网络panet进行处理，得到第三特征；
16、s32、将所述第三特征经由csp模块和路径聚合网络panet进行处理，得到第四特征；
17、其中，路径聚合网络panet包括卷积层、上采样模块以及concat模块。
18、在一些实施例中，s31，包括：
19、s31a、将所述第二特征经由卷积层、卷积注意力模块cbam和sppf模块进行处理；
20、s31b、将sppf模块的输出经由卷积层、上采样模块进行处理；
21、s31c、将上采样模块的输出以及所述第二特征输入concat模块，得到第三特征。
22、在一些实施例中，s32，包括：
23、s32a、将所述第三特征经由csp模块、卷积层和上采样模块进行处理；
24、s32b、将上采样模块的输出以及所述第一特征输入concat模块，得到第四特征。
25、在一些实施例中，s4，包括：
26、s41、将所述第四特征经由csp模块和卷积层进行处理，得到小目标检测结果；
27、s42、将所述第三特征和第四特征经由concat模块、csp模块和卷积层进行处理，得到中目标检测结果；
28、s43、将所述第三特征和第四特征经由concat模块、csp模块和卷积层进行处理，得到大目标检测结果。
29、第二方面，本申请提供一种目标检测装置，所述装置包括：
30、图像获取模块，其设置为获取待检测图像，将所述待检测图像输入预训练的改进型yolov5网络；
31、第一处理模块，其设置为在改进型yolov5网络的p2阶段，通过卷积注意力模块cbam和密集连接层denseblock对所述待检测图像进行特征提取，得到第一特征和第二特征，其中，第一特征的维度高于所述第二特征的维度；
32、第二处理模块，其设置为基于所述第二特征，通过路径聚合网络panet进行特征提取，得到第三特征和第四特征，其中，第三特征的维度低于所述第四特征的维度；
33、目标检测模块，其设置为基于所述第三特征和第四特征进行目标检测，得到目标检测结果。
34、第三方面，本申请提供一种目标检测装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以实现上述第一方面所述的目标检测方法。
35、第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的目标检测方法。
36、本申请提供的目标检测方法、装置及可读存储介质，所述方法包括：获取待检测图像，将所述待检测图像输入预训练的改进型yolov5网络；在改进型yolov5网络的p2阶段，通过卷积注意力模块cbam和密集连接层denseblock对所述待检测图像进行特征提取，得到第一特征和第二特征，其中，第一特征的维度高于所述第二特征的维度；基于所述第二特征，通过路径聚合网络panet进行特征提取，得到第三特征和第四特征，其中，第三特征的维度低于所述第四特征的维度；基于所述第三特征和第四特征进行目标检测，得到目标检测结果。本申请提供一种目标检测方法，通过对yolov5进行改进，其中对于原始网络检测层次进行了添加，在yolov5网络中新增了p2层，引入了panet进行了多尺度特征融合，更好地让p2，p3，p4，p5网络进行共享特征；在yolov5的骨干网络中加入密集连接层，改善特征传递功能；在yolov5中卷积层中加入了cbam模块，提升对小目标的关注度；本申请通过上述对yolov5的网络结构改进，可以显著提升目标的检测性能，尤其是对于小目标的检测性能。
1.一种目标检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的目标检测方法，其特征在于，s1之后，s2之前，还包括：
3.根据权利要求2所述的目标检测方法，其特征在于，s2，包括：
4.根据权利要求1所述的目标检测方法，其特征在于，s3，包括：
5.根据权利要求4所述的目标检测方法，其特征在于，s31，包括：
6.根据权利要求4所述的目标检测方法，其特征在于，s32，包括：
7.根据权利要求1所述的目标检测方法，其特征在于，s4，包括：
8.一种目标检测装置，其特征在于，所述装置包括：
9.一种目标检测装置，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以实现如权利要求1-7中任一项所述的目标检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的目标检测方法。
