【技术实现步骤摘要】
本专利技术属于对象检测和图像处理领域，具体涉及一种基于yolov8的一次性餐具检测方法。
技术介绍
1、在外卖服务中，一次性餐具扮演着关键角色，一次性餐具套装不仅提供了方便快捷的用餐体验，也确保了食品卫生安全。在实地走访一次性餐具生产公司后，发现一次性外卖餐具的生产过程中存在一些显著问题。在自动化生产线中，尽管plc设备被用于自动化地放置筷子、勺子、餐巾纸和牙签等物品，但仍存在漏放或错放的情况。这些问题通常需要人工检测和纠正，人工检测不仅效率低，而且容易出错，特别是在高速生产线上。
技术实现思路
1、本专利技术的目的在于提供一种基于yolov8的一次性餐具检测方法，能够快速且准确的解决自动化放置时产生的漏放、错放等问题。
2、为实现上述目的，本专利技术的技术方案是：一种基于yolov8的一次性餐具检测方法，采用改进的yolov8s模型实现对一次性餐具套装的准确检测；所述改进的yolov8s模型具体如下：
3、首先构建重参数卷积模块rcsosa，通过重参数化卷积增强网络特征提取能力，并引入osa以便一次性聚合多级特征，提升模型性能；
4、接着，用构建的重参数卷积模块rcsosa替换yolov8s主干网络和颈部网络中的c2f模块；之后，将yolov8s颈部网络替换为ssff颈部网络，并将ssff颈部网络中的上采样更换为dysample动态上采样以提高空间分辨率；
5、最后，为解决遮挡问题，在yolov8s中加入seam注意力机制模块。p>
6、在本专利技术一实施例中，该方法具体实现步骤如下：
7、步骤s1、构建包含标注信息的一次性餐具套装的数据集；
8、步骤s2、构建重参数卷积模块rcsosa；
9、步骤s3、将yolov8s主干网络与颈部网络中的c2f模块换成rcsosa模块；
10、步骤s4、将yolov8s中的颈部网络替换成ssff颈部网络；
11、步骤s5、将ssff颈部网络中的上采样替换为dysample动态上采样；
12、步骤s6、添加seam注意力机制模块；
13、步骤s7、利用改进的yolov8s模型对一次性餐具套装进行检测。
14、在本专利技术一实施例中，所述步骤s1具体实现如下：
15、步骤s11、采集一次性餐具套装数据集；
16、步骤s12、使用labelimg制造含有标签信息的数据集；
17、步骤s13、将制作完的数据集通过imgaug进行数据增强。
18、在本专利技术一实施例中，步骤s11中，根据一次性餐具套装生产产线的要求，设计图像采集结构，以采集一次性餐具套装的数据集，并对一次性餐具套装中的各个种类进行分类以便制造含有标签信息的数据集；步骤s12中，将标注好的数据集进行分类，包括单根筷子、双根筷子、勺子。
19、在本专利技术一实施例中，步骤s13中，对处理好的数据集进行预处理，将训练集、验证集、测试集按照8:1:1的比例进行划分；采用imgaug进行数据增强，采用包括旋转、随机出去像素点、仿射变换、从最邻近像素中取均值来扰动的方式增加数据集的含量。
20、在本专利技术一实施例中，所述步骤s2具体实现如下：
21、步骤s21、构建重参数卷积模块rcsosa中的rcs模块：在训练阶段，输入通道被分割成两部分：一部分通过repvgg块处理，而另一部分则保持不变；接着，经过1x1和3x3的卷积处理的repvgg块的输出，并与另一部分进行通道混淆和融合；在推理阶段，多分支的repvgg块简化为单个的3x3 repconv块；
22、步骤s22、引入osa，目标是提升网络处理密集连接的效率；
23、步骤s23、将构建的重参数卷积模块rcsosa的输入分为两部分：一部分经由repvgg块直接通过，另一部分则经由repvgg块后分别由n/2个堆叠的rcs模块和n个堆叠的rcs模块处理；经处理和直接通过的特征在通道混洗之后被合并，并经由repvgg块输出。
24、在本专利技术一实施例中，所述步骤s4中，ssff颈部网络具体如下：
25、步骤s41、通过1×1卷积层，p4和p5的特征层通道数被调整为256；其中，p4为yolov8s主干网络中第3个rososa块，p5为yolov8s主干网络中第4个rososa块
26、步骤s42、利用近邻插值法将大小调整至p3的特征层的尺寸；其中，p3为yolov8s主干网络中的第2个rososa块；
27、步骤s43、通过取消挤压法，每个特征层的维度从三维张量(高度、宽度、通道)扩展到四维张量(深度、高度、宽度、通道)；
28、步骤s44、沿深度维度串联4d特征图，形成用于后续卷积的3d特征图；
29、步骤s45、通过三维卷积、批量归一化和silu激活函数来完成尺度序列特征的提取。
30、在本专利技术一实施例中，所述步骤s6中，seam注意力机制模块具体如下：
31、步骤s61、seam注意力机制模块的首部采用带有残差连接的深度可分卷积，深度可分卷积按通道分离，实现深度操作；
32、步骤s62、为补偿通道间的信息交互的损失，不同深度的卷积输出经逐点卷积(1x1)合并；
33、步骤s63、采用两层全连接层融合各通道信息，增强通道间的互连；旨在利用上一步学到的被遮挡与未遮挡一次性餐具之间的关系，弥补遮挡场景下的损失；
34、步骤s64、全连接层的输出logits经指数函数处理，扩展其值域从[0,1]到[1,e]，指数归一化提供单调映射，增强模型对位置误差的容忍度；
35、步骤s65、输出的注意力与原始特征相乘，优化处理遮挡的能力。
36、在本专利技术一实施例中，所述步骤s7具体实现如下：
37、步骤s71、配置环境并对改进的yolov8s模型进行训练，设置epoch为100，设置batch-size为4，设置image-size为640*640；
38、步骤s72、使用改进的yolov8s模型进行训练，评估指标为map@0.5:0.95；其中map代表平均精度均值，表达公式为：
39、
40、其中n代表种类的总数，apk代表种类k的平均精度；
41、map@0.5:0.95是通过计算改进的yolov8s模型在不同iou阈值下的平均精度；其中，p表示精确度，r表示召回率，tp表示实际为正类预测，fp表示实际为负类预测为正类的数量，fn表示实际为正类预测为负类的数量。
42、相较于现有技术，本专利技术具有以下有益效果：本专利技术方法采用改进的yolov8s模型实现对一次性餐具套装的准确检测，具有如下优点：
43、(1)针对一次性餐具套装中涉及多种餐具种类，特征不明显。本方法采用引入rcsosa模块来增强网络的特征提取能力，并通过多分支本文档来自技高网...
【技术保护点】
1.一种基于YOLOv8的一次性餐具检测方法，其特征在于，采用改进的YOLOv8s模型实现对一次性餐具套装的准确检测。
2.根据权利要求1所述的一种基于YOLOv8的一次性餐具检测方法，其特征在于，所述改进的YOLOv8s模型具体如下：
3.根据权利要求1或2所述的一种基于YOLOv8的一次性餐具检测方法，其特征在于，该方法具体实现步骤如下：
4.根据权利要求3所述的一种基于YOLOv8的一次性餐具检测方法，其特征在于，所述步骤S1具体实现如下：
5.根据权利要求4所述的一种基于YOLOv8的一次性餐具检测方法，其特征在于，步骤S11中，根据一次性餐具套装生产产线的要求，设计图像采集结构，以采集一次性餐具套装的数据集，并对一次性餐具套装中的各个种类进行分类以便制造含有标签信息的数据集；步骤S12中，将标注好的数据集进行分类，包括单根筷子、双根筷子、勺子。
6.根据权利要求4所述的一种基于YOLOv8的一次性餐具检测方法，其特征在于，步骤S13中，对处理好的数据集进行预处理，将训练集、验证集、测试集按照8:1:1的比例进行
7.根据权利要求3所述的一种基于YOLOv8的一次性餐具检测方法，其特征在于，所述步骤S2具体实现如下：
8.根据权利要求7所述的一种基于YOLOv8的一次性餐具检测方法，其特征在于，所述步骤S4中，SSFF颈部网络具体如下：
9.根据权利要求3所述的一种基于YOLOv8的一次性餐具检测方法，其特征在于，所述步骤S6中，SEAM注意力机制模块具体如下：
10.根据权利要求3所述的一种基于YOLOv8的一次性餐具检测方法，其特征在于，所述步骤S7具体实现如下：
...【技术特征摘要】
1.一种基于yolov8的一次性餐具检测方法，其特征在于，采用改进的yolov8s模型实现对一次性餐具套装的准确检测。
2.根据权利要求1所述的一种基于yolov8的一次性餐具检测方法，其特征在于，所述改进的yolov8s模型具体如下：
3.根据权利要求1或2所述的一种基于yolov8的一次性餐具检测方法，其特征在于，该方法具体实现步骤如下：
4.根据权利要求3所述的一种基于yolov8的一次性餐具检测方法，其特征在于，所述步骤s1具体实现如下：
5.根据权利要求4所述的一种基于yolov8的一次性餐具检测方法，其特征在于，步骤s11中，根据一次性餐具套装生产产线的要求，设计图像采集结构，以采集一次性餐具套装的数据集，并对一次性餐具套装中的各个种类进行分类以便制造含有标签信息的数据集；步骤s12中，将标注好的数据集进行分类，包括单根筷子、双根筷子、勺子。
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。