一种基于目标检测的塑料瓶检测与定位方法技术

本发明专利技术涉及一种基于目标检测的塑料瓶检测与定位方法，首先采集大量废弃塑料瓶图片，并保证各类型塑料瓶数量平衡，对采集好的塑料瓶图片数据进行整理、清洗与标注，制作成训练集和测试集，使用制作好的训练集对目标检测算法进行多次训练，并在最后使用制作好的测试集对训练好的目标检测算法进行泛化测试，通过测试结果计算准确率，召回率等参数来评价目标检测算法的性能，如果性能未达到要求，则不断重复之前的操作，直到训练到性能符合要求的目标检测算法，本发明专利技术将深度学习方法的目标检测算法引入垃圾分类中，实现人工智能与垃圾分类相结合，为之后的机械臂的分拣提供了便利，并加快实现垃圾分类的智能化。

A method of plastic bottle detection and location based on object detection

【技术实现步骤摘要】
一种基于目标检测的塑料瓶检测与定位方法
本专利技术属于垃圾回收分类
，特别是涉及一种基于目标检测的塑料瓶检测与定位方法。
技术介绍
生活垃圾处理是现在生活环境维护的一个关键问题，在处理过程中，尤其以塑料瓶最为常见。当前生活垃圾中的塑料瓶，为了方便回收，都会安排人工对各种类型的瓶子进行分选；当前的处理方法是，在专门的处理工厂里面，架设一条流水线线，工人们站在流水线两边对中间流水线流过的废弃塑料瓶进行分选处理，这是非常落后的检测与分拣手段，效率低且经济成本高，不易于控制回收成本，并且由于工作时间增长，工人疲劳易引起许多的漏检。针对现有技术中存在的上述情况，本专利技术研制了一套基于目标检测的塑料瓶检测与定位方法，主要作用是对塑料瓶进行学习，最后能够分类出流水线上的塑料瓶类型并且定位出来；经过实验发现，不仅减轻工人检测的工作量，同时因为能够长时间运行、性能稳定可靠，实现了对塑料瓶分选的高速度、高精度和非接触的检测与定位。
技术实现思路
为解决上述现有技术中存在的分选效率低、成本高昂，工人劳累引起的大量漏检且不能长期运行的技术问题，本专利技术设计了一种基于目标检测的塑料瓶检测与定位方法，具体是针对实际分选中，对大量塑料瓶进行检测并定位，最后提供给后端机械臂抓取的坐标等。具体技术方案如下：一种基于目标检测的塑料瓶检测与定位方法，具体包括如下步骤：S1、根据塑料瓶检测要求进行目标检测算法的搭建；S2、采集大量废弃塑料瓶的数据图片，保证各种类型的塑料瓶数量均衡；S3、对所述步骤S2中采集的废弃塑料瓶数据图片进行整理、清洗与标注；S4、将所述步骤S3中所整理、清洗与标注的废弃塑料瓶图片制作成训练集和测试集；S5、使用所述步骤S4中制作的训练集对所述步骤S1中搭建的目标检测算法进行训练；S6、使用所述步骤S4中制作的测试集对所述步骤S5中训练好的目标检测算法进行泛化测试；S7、根据测试结果来检测目标检测算法的性能指标，所述性能指标包括准确率及召回率；S8、将性能达标的目标检测算法投入检测中使用，将性能不足的目标检测算法重新返回至所述步骤S2中，再次顺序执行步骤S2至步骤S7的上述步骤程序，直至目标检测算法的性能达标停止。优选的，所述步骤S1中，所述目标检测算法的搭建方法为：S1.1、根据生产方的要求，对目标检测算法需求进行数学建模与搭建；S1.2、使用目标函数输入图为224x224尺寸大小；S1.3、第一、二层，卷积层，卷积核大小为3，步长为1，输出224x224尺寸特征图，S1.4、第三层，最大池化层，池化核大小为2，步长为2，输出112x112尺寸特征图；S1.5、第四、五层，卷积层，卷积核大小为3，步长为1，输出为112x112尺寸特征图；S1.6、第六层，最大池化层，池化核大小为2、步长为2，输出56x56尺寸特征图；S1.7、第七、八、九层，卷积层，卷积核大小为3，步长为1，输出56x56尺寸特征图；S1.8、第十层，最大池化层，池化核大小为2，步长为2、输出28x28尺寸特征图；S1.9、第十一、十二、十三层，卷积层，卷积核大小为3，步长为1，输出28x28尺寸特征图；S1.10、第十四层，最大池化层，池化核大小为2、步长为2，输出14x14尺寸特征图；S1.11、第十五、十六、十七层，卷积层，卷积核大小为3，步长为1，输出14x14尺寸特征图；S1.12、第十八层，最大池化层，池化核大小为2，步长为2，输出7x7尺寸特征图；S1.13、模型训练利用随机梯度下降法优化目标函数，参见公式：L*＝L(Qi)+L(Oi)公式1其中，L(Qi)表示分类损失，L(Oi)表示回归损失，i为候选框的序号，Qi表示候选框所包含的目标缺陷的概率，Oi为一个向量，表示预测候选框的偏移量，所述Oi内部有四个属性，分别表示候选框的左上角x坐标偏移量、候选框的左上角y坐标偏移量、候选框的长偏移量及候选框的宽偏移量；Qi*表示目标缺陷是否在候选框内的标签，Oi*与Oi是相同维度的向量，均表示候选框相对于实际标记的偏移量，Qpred为候选框的数目，Orel为特征图的尺寸，α为控制候选框的精确度，∑i为对所有候选框的损失进行求和，Dpred为对数函数，Drel为分类框范围回归损失。优选的，所述步骤S1.13中，所述Qi*若包含目标缺陷则表示为1，若不包含目标缺陷则表示为0；所述Dpred包括目标缺陷和非目标缺陷两类。优选的，所述步骤S3中，所述整理步骤为对图片的尺寸和方向进行调整，使图片能统一成相同格式，并放入目标检测算法中进行训练和测试；所述清洗步骤是根据生产方对塑料瓶的定义，对各种类型的塑料瓶进行标签的定义；所述标注步骤是使用标注工具，在塑料瓶的标准上与之对应的类型标签生成标注文件作为训练正样本，并将非塑料瓶部分归类为训练负样本。优选的，所述步骤S4中，所述测试集不能与训练集重合。优选的，所述步骤S7中，所述检测目标检测算法的性能指标的步骤为：S7.1、根据训练好的目标检测算法对塑料瓶的分类识别准确度进行统计，分别计算误检率和准确率；S7.2、所述训练好的目标检测算法若性能不达标，则重复步骤S2至步骤S7；S7.3、在重复所述步骤S2至步骤S7的过程中，不断增加塑料瓶的数量和种类以提高目标检测算法对塑料瓶的检测丰富度，同时调节训练正样本与训练负样本的比例，增强目标检测算法对训练负样本的排除能力。优选的，所述步骤S8中，所述投入检测中使用，包含对目标检测算法的开发并将目标检测算法移植到检测流水线上。本专利技术的有益效果：本专利技术基于深度学习方法的目标检测算法引入垃圾分类中，实现人工智能与垃圾分类相结合的垃圾分选技术，通过目标检测算法能够快速将塑料瓶检测并定位出来，为之后的机械臂的分拣提供了便利，并加快实现垃圾分类的智能化，替代低效的人工方法，提高效率并节省成本，相比传统人工的分选漏检，减轻检测的工作量，性能稳定且能够长时间运行，实现了对塑料瓶分选的高速度、高精度和非接触的检测与定位。附图说明图1为本专利技术一个实施例的目标检测的塑料瓶检测与定位方法的流程图；图2a为本专利技术采集废弃塑料瓶数据图一；图2b为本专利技术采集废弃塑料瓶数据图二；图3a为使用本专利技术目标检测算法识别的结果图一；图3b为使用本专利技术目标检测算法识别的结果图二；具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，均属于本专利技术的保护范围。实施例1：一种基于目标检测的塑料瓶检测与定位方法。如图1至图3b所示，一种基于目标检测的塑料瓶检测与定位本文档来自技高网...

【技术保护点】
1.一种基于目标检测的塑料瓶检测与定位方法，其特征在于，具体包括如下步骤：/nS1、根据塑料瓶检测要求进行目标检测算法的搭建；/nS2、采集大量废弃塑料瓶的数据图片，保证各种类型的塑料瓶数量均衡；/nS3、对所述步骤S2中采集的废弃塑料瓶数据图片进行整理、清洗与标注；/nS4、将所述步骤S3中所整理、清洗与标注的废弃塑料瓶图片制作成训练集和测试集；/nS5、使用所述步骤S4中制作的训练集对所述步骤S1中搭建的目标检测算法进行训练；/nS6、使用所述步骤S4中制作的测试集对所述步骤S5中训练好的目标检测算法进行泛化测试；/nS7、根据测试结果来检测目标检测算法的性能指标，所述性能指标包括准确率及召回率；/nS8、将性能达标的目标检测算法投入检测中使用，将性能不足的目标检测算法重新返回至所述步骤S2中，再次顺序执行步骤S2至步骤S7的上述步骤程序，直至目标检测算法的性能达标停止。/n

【技术特征摘要】
1.一种基于目标检测的塑料瓶检测与定位方法，其特征在于，具体包括如下步骤：
S1、根据塑料瓶检测要求进行目标检测算法的搭建；
S2、采集大量废弃塑料瓶的数据图片，保证各种类型的塑料瓶数量均衡；
S3、对所述步骤S2中采集的废弃塑料瓶数据图片进行整理、清洗与标注；
S4、将所述步骤S3中所整理、清洗与标注的废弃塑料瓶图片制作成训练集和测试集；
S5、使用所述步骤S4中制作的训练集对所述步骤S1中搭建的目标检测算法进行训练；
S6、使用所述步骤S4中制作的测试集对所述步骤S5中训练好的目标检测算法进行泛化测试；
S7、根据测试结果来检测目标检测算法的性能指标，所述性能指标包括准确率及召回率；
S8、将性能达标的目标检测算法投入检测中使用，将性能不足的目标检测算法重新返回至所述步骤S2中，再次顺序执行步骤S2至步骤S7的上述步骤程序，直至目标检测算法的性能达标停止。


2.根据权利要求1所述的一种基于目标检测的塑料瓶检测与定位方法，其特征在于，所述步骤S1中，所述目标检测算法的搭建方法为：
S1.1、根据生产方的要求，对目标检测算法需求进行数学建模与搭建；
S1.2、使用目标函数输入图为224x224尺寸大小；
S1.3、第一、二层，卷积层，卷积核大小为3，步长为1，输出224x224尺寸特征图，
S1.4、第三层，最大池化层，池化核大小为2，步长为2，输出112x112尺寸特征图；
S1.5、第四、五层，卷积层，卷积核大小为3，步长为1，输出为112x112尺寸特征图；
S1.6、第六层，最大池化层，池化核大小为2、步长为2，输出56x56尺寸特征图；
S1.7、第七、八、九层，卷积层，卷积核大小为3，步长为1，输出56x56尺寸特征图；
S1.8、第十层，最大池化层，池化核大小为2，步长为2、输出28x28尺寸特征图；
S1.9、第十一、十二、十三层，卷积层，卷积核大小为3，步长为1，输出28x28尺寸特征图；
S1.10、第十四层，最大池化层，池化核大小为2、步长为2，输出14x14尺寸特征图；
S1.11、第十五、十六、十七层，卷积层，卷积核大小为3，步长为1，输出14x14尺寸特征图；
S1.12、第十八层，最大池化层，池化核大小为2，步长为2，输出7x7尺寸特征图；
S1.13、模型训练利用随机梯度下降法优化目标函数，参见公式：
L*＝L(Qi)+L...

【专利技术属性】
技术研发人员：李霁峰，黄坤山，
申请(专利权)人：佛山市南海区广工大数控装备协同创新研究院，佛山市广工大数控装备技术发展有限公司，
类型：发明
国别省市：广东;44