一种物品包装线多目标检测方法技术

本发明专利技术提供了一种物品包装线多目标检测方法，涉及目标检测技术领域，其目的是在嵌入式设备上实现轻量化的多目标检测，包括获取物品包装线上的训练用图像数据；对训练用图像数据进行图像预处理；构建轻量化目标检测模型，通过训练用图像数据提取各种物品零部件和物品组装件的特征表示，对轻量化目标检测模型进行训练；轻量化目标检测模型基于YOLOv5进行轻量化改进；获取物品包装线上的待检测图像数据；对待检测图像数据进行图像预处理；通过轻量化目标检测模型对待检测图像数据中的各种物品零部件和物品组装件进行识别。本发明专利技术具有减小模型的参数量和计算复杂度的优点。减小模型的参数量和计算复杂度的优点。减小模型的参数量和计算复杂度的优点。

【技术实现步骤摘要】
一种物品包装线多目标检测方法


[0001]本专利技术涉及目标检测
，具体而言，涉及一种物品包装线多目标检测方法。

技术介绍

[0002]随着智能市场的不断扩大，很多物品生产线也在不断地发展和完善。
[0003]物品的包装线作为整个生产线的重要环节，也需要不断地进行技术创新，以提高生产效率和产品质量。并且计算机视觉技术的不断发展和应用，多目标检测技术已经成为了计算机视觉领域中的一个热点话题。目前，在物品生产过程中，多目标检测技术已被广泛应用于检测和检验各种零部件和组装件。传统的多目标检测方法需要大量的手动标注数据和复杂的特征工程，效率低下，难以扩展和应用。而使用传统的多目标检测算法在嵌入式设备上进行检测时，由于嵌入式设备计算能力和存储能力的限制，会导致检测准确性和效率的下降，难以满足物品生产线的实际需求。
[0004]因此，如何在嵌入式设备上实现轻量化的多目标检测，成为了当前研究的热点和难点。

技术实现思路

[0005]本专利技术的目的在于提供一种物品包装线多目标检测方法，其目的是在嵌入式设备上实现轻量化的多目标检测。
[0006]本专利技术的实施例通过以下技术方案实现：
[0007]一种物品包装线多目标检测方法，包括以下步骤：
[0008]获取物品包装线上的训练用图像数据；
[0009]对所述训练用图像数据进行图像预处理；
[0010]构建轻量化目标检测模型，通过所述训练用图像数据提取各种物品零部件和物品组装件的特征表示，对所述轻量化目标检测模型进行训练；所述轻量化目标检测模型基于YOLOv5进行轻量化改进；
[0011]获取物品包装线上的待检测图像数据；
[0012]对所述待检测图像数据进行图像预处理；
[0013]通过所述轻量化目标检测模型对所述待检测图像数据中的各种物品零部件和物品组装件进行识别。
[0014]优选地，所述图像预处理包括降噪、调整大小和标准化。
[0015]优选地，所述调整大小用于将所述训练用图像数据和所述待检测图像数据调整为目标尺寸，包括以下步骤：
[0016]获取缩放比例scale，target_size为选择的目标尺寸，w和h分别为原图像的宽度和高度：
[0017]scale＝min(target_size/w,target_size/h)；
[0018]获取缩放后图像的宽度new_w和高度new_h：
[0019]new_w＝round(w*scale)；
[0020]new_h＝round(h*scale)；
[0021]通过插值操作进行图像缩放：
[0022]image_resized＝torch.nn.functional.interpolate(image_pad.unsqueeze(0),size＝(new_h,new_w),mode＝'bilinear',align_corners＝False)。
[0023]优选地，进行所述图像缩放后，若图像超出原始图像边界，超出的部分填充0。
[0024]优选地，所述进行轻量化改进包括将所述YOLOv5中的Darknet
‑
53网络替换为ShuffleNetV2网络。
[0025]优选地，所述进行轻量化改进还包括在所述YOLOv5中的Backbone网络与Neck网络的二者连接部分添加CA注意力机制。
[0026]优选地，所述CA注意力机制包括：Coordinate信息嵌入和Coordinate Attention生成；
[0027]所述Coordinate信息嵌入包括以下步骤：
[0028]分解全局池化，转化为一对一维特征编码操作：
[0029][0030]Z
c
为和第c通道相关的输出，X
c
(i,j)来自内核大小固定的卷积层，H为图像的高度，W为图像的宽度；
[0031]给定输入X，使用尺寸为(H,1)、(1,W)的pooling kernel分别沿着水平坐标和垂直坐标对每个通道进行编码,得到高度为h的第c通道的输出和宽度为w的第c通道的输出
[0032][0033]所述Coordinate Attention生成包括以下步骤：
[0034]对所述Coordinate信息嵌入后的结果进行concat操作，使用1
×
1卷积变换函数对其进行变换操作得到f：
[0035]f＝δ(F1([z
h
,z
w
]))；
[0036]其中运算[
·
,
·
]代表contat操作，F1为卷积变换函数，δ为非线性激活函数；
[0037]沿着空间维数将f分解为2个单独的张量f
h
∈R
C/r
×
H
和f
w
∈R
C/r
×
W
，利用另外2个1
×
1卷积变换F
h
和F
w
分别将2个单独的张量变换为具有相同通道数的张量到输入X：
[0038]g
h
＝σ(F
h
(f
h
))，g
w
＝σ(F
w
(f
w
))；
[0039]σ为sigmoid激活函数；
[0040]获取最终输出Y：
[0041][0042]优选地，所述轻量化目标检测模型的损失函数采用EIOU。
[0043]优选地，所述YOLOv5中Neck部分的PANet层采用EfficientDet
‑
BiFPN。。
[0044]本专利技术实施例的技术方案至少具有如下优点和有益效果：
[0045]本专利技术通过多目标检测来监测物品的包装线，有利于生产效率和生产质量的提高；
[0046]本专利技术对于采集的图像进行预处理，达到统一的大小指标，有助于通过同一个模型进行识别判断，提升后续处理的效率和准确率；
[0047]本专利技术的识别模型基于YOLOv5，多目标检测质量高，可靠性强；
[0048]本专利技术对模型进行了轻量化改进，适用于更广泛拥有不同嵌入式设备计算能力和存储能力的系统，且有利于检测的准确性和效率；
[0049]本专利技术可广泛应用于物品生产过程中的自动化检测和检验，具有较高的实用价值和经济效益，具有广泛的应用前景。
附图说明
[0050]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0051]图1为本专利技术实施例提供的一种物品包装线多目标检测方法的方法流程示意图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物品包装线多目标检测方法，其特征在于，包括以下步骤：获取物品包装线上的训练用图像数据；对所述训练用图像数据进行图像预处理；构建轻量化目标检测模型，通过所述训练用图像数据提取各种物品零部件和物品组装件的特征表示，对所述轻量化目标检测模型进行训练；所述轻量化目标检测模型基于YOLOv5进行轻量化改进；获取物品包装线上的待检测图像数据；对所述待检测图像数据进行图像预处理；通过所述轻量化目标检测模型对所述待检测图像数据中的各种物品零部件和物品组装件进行识别。2.根据权利要求1所述的一种物品包装线多目标检测方法，其特征在于：所述图像预处理包括降噪、调整大小和标准化。3.根据权利要求2所述的一种物品包装线多目标检测方法，其特征在于，所述调整大小用于将所述训练用图像数据和所述待检测图像数据调整为目标尺寸，包括以下步骤：获取缩放比例scale，target_size为选择的目标尺寸，w和h分别为原图像的宽度和高度：scale＝min(target_size/w,target_size/h)；获取缩放后图像的宽度new_w和高度new_h：new_w＝round(w*scale)；new_h＝round(h*scale)；通过插值操作进行图像缩放：image_resized＝torch.nn.functional.interpolate(image_pad.unsqueeze(0),size＝(new_h,new_w),mode＝'bilinear',align_corners＝False)。4.根据权利要求3所述的一种物品包装线多目标检测方法，其特征在于：进行所述图像缩放后，若图像超出原始图像边界，超出的部分填充0。5.根据权利要求1所述的一种物品包装线多目标检测方法，其特征在于：所述进行轻量化改进包括将所述YOLOv5中的Darknet
‑
53网络替换为ShuffleNetV2网络。6.根据权利要求5所述的一种物品包装线多目标检测方法，其特征在于：所述进行轻量化改进还包括在所述YOLOv5中的Backbone网络与Neck网络的二者连接部分添加CA注意力机制。7.根据权利要求6所述的一种物品包装线多目标检测方法，其特征在于，所述CA注意力机制包括：Coordinate信息...

【专利技术属性】
技术研发人员：张超洋，罗文成，谢燕，张金韬，罗惠允，姚鑫雨，徐志扬，罗圣璋，李春燕，马健轩，龙健平，张齐业，
申请(专利权)人：宜宾学院，
类型：发明
国别省市：