【技术实现步骤摘要】
基于YOLOv3剪枝网络和嵌入式开发板的实时药盒检测方法
本专利技术属于一种基于深度学习的图像处理技术，具体涉及基于YOLOv3剪枝网络和嵌入式开发板的实时药盒检测方法。
技术介绍
实时目标检测技术是近年来计算机视觉领域中的研究热门，这种技术包括对轻量级目标检测网络的设计、目标数据集的制作，模型部署载体的研究等。目前，基于图像序列的实时目标检测技术可实现计算机观察和检测图像序列中的目标，该技术在未来智能驾驶和计算机智能分拣中都有着代表性。其中，最潜在的应用之一在于实时，快速的智能分拣领域中，如无人流水线上药盒的机器人智能分拣。在无人的机器人智能分拣环境中，检测的准确性是首先要考虑的因素。在早期基于卷积神经网络的目标检测任务中，RossGirshick等人提出预先提取一系列候选区域，在候选区域上进行特征的提取的目标检测方法，该方法奠定了R-CNN系列方法的基础，并衍生出更加完美的FastR-CNN，FasterR-CNN和MaskR-CNN目标检测模型(R.Girshick,J.Donahue,T.Darrell,an...
【技术保护点】
1.基于YOLOv3剪枝网络和嵌入式开发板的药盒检测方法，其特征在于：包括如下步骤：/n步骤1：设计YOLOv3主干网络及损失函数；/n步骤2：通过人工拍摄的方式对各个品牌的药盒进行图像数据采集；/n步骤3：制作药盒数据集并进行训练；/n步骤4：通过基于BN层缩放因子γ的剪枝方法对YOLOv3进行模型压缩和加速推算；/n步骤5：将YOLOv3压缩模型部署到Nano嵌入式系统上并使用TensorRT进行模型推理加速；/n步骤6：使用CSI摄像头在Nano上进行实时药盒检测。/n
【技术特征摘要】
1.基于YOLOv3剪枝网络和嵌入式开发板的药盒检测方法，其特征在于：包括如下步骤：
步骤1：设计YOLOv3主干网络及损失函数；
步骤2：通过人工拍摄的方式对各个品牌的药盒进行图像数据采集；
步骤3：制作药盒数据集并进行训练；
步骤4：通过基于BN层缩放因子γ的剪枝方法对YOLOv3进行模型压缩和加速推算；
步骤5：将YOLOv3压缩模型部署到Nano嵌入式系统上并使用TensorRT进行模型推理加速；
步骤6：使用CSI摄像头在Nano上进行实时药盒检测。
2.根据权利要求1所述的基于YOLOv3剪枝网络和嵌入式开发板的药盒检测方法，其特征在于：所述步骤1具体步骤如下：
2.1)：YOLOv3主干网络设计；
2.1.1)：借鉴ResNet网络中的shortcut设计加深YOLOv3主体网络的深度，通过设定卷积层中的步长参数实现卷积层的下采样。除最后三层用于预测的卷积层之外，其余的卷积层后都添加BatchNormalization(BN)操作，并在BN层接LeakyRelu激活函数。借鉴特征金字塔模型结构，通过上采样操作对网络输出的三个特征图进行融合，达到多尺度预测的目的。；
2.1.2)：使用用K-meas聚类方法，对真实框进行聚类，得到九种锚框，每三种锚框对应一个尺度的特征图。此方法的目的是加速预测框的回归；
2.1.3)：在网络前向推断中预测公式如下所示：
bx＝σ(tx)+cx(1)
by＝σ(ty)+cy(2)
bx,by是预测框在对应尺寸的特征图上的相对中心坐标值。bw,bh是预测框的宽和高。cx,cy是输出特征图gridcell的左上角坐标，pw,ph为锚框的宽和高。tx,ty为预测的坐标偏移值，tw,th为预测的尺度缩放倍数；
2.2)：设计YOLOv3损失函数；
2.2.1)：设计目标置信度损失函数如下所示：
其中网络输出ci通过Sigmoid函数得到
2.2.2)：设计目标类别损失函数如下所示：
其中，网络输出ci通过Sigmoid函数得到表示目标检测框i中存在第j类目标的Sigm...
【专利技术属性】
技术研发人员：禹鑫燚，曹铭洲，张铭扬，欧林林，戎锦涛，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33
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。