一种基于改进YOLOv3的大米识别筛选方法技术

本发明专利技术公开了一种基于改进YOLOv3的大米识别筛选方法，属于大米识别技术领域，具体步骤如下：获取大米数据集并进行数据增强；对大米图像数据进行数据标注获得对应的标签文件；构建网络模型，将YOLOv3原始的DarkNet53骨干网络从5个Resblock_body改为4个，减少一个输出尺度13

【技术实现步骤摘要】
一种基于改进YOLOv3的大米识别筛选方法


[0001]本专利技术属于大米识别
，尤其是涉及一种基于改进YOLOv3的大米识别筛选方法。

技术介绍

[0002]大米加工生产企业的生产流程是原料收购、筛选、去石、磁选、水稻去壳、谷糙分离、碾米、色选、抛光、成品包装，上述各个步骤加工后，大米中包含有完整粒、不完整粒以及未经加工粒，不完整粒和未经加工粒影响后续加工质量以至大米的包装和销售，故要求对各个步骤加工后的大米进行分类筛选，以提高大米成品的质量。现有筛选技术大多仅依靠米粒重量来进行分类，并未考虑大米的颜色、形状等因素，因此往往存在较大的误差。
[0003]随着科学技术的发展，特别是图像处理技术和计算机硬件水平的快速提高，深度学习方法也慢慢应用于大米种类识别任务中，使识别分类效率有大幅的提升。基于深度学习的大米种类自动检测具有较强的特征提取和学习泛化能力，使用图像处理技术构建基于机器视觉的大米品种自动检测系统成为可能。

技术实现思路

[0004]本专利技术的目的是提供一种基于改进YOLOv3的大米识别筛选方法，解决上述技术存在的传统分类筛选方法中容易忽略大米形状和颜色所带来的错检漏检的问题。
[0005]为实现上述目的，本专利技术提供了一种基于改进YOLOv3的大米识别筛选方法，包括如下步骤：
[0006]步骤1：通过相机获取不同种类大米的数据集；
[0007]步骤2：通过自适应伽马校正、添加噪声和旋转的方式进行数据增强；
[0008]步骤3：使用标注工具对图片中的目标进行数据标注，获得标签文件数据集，划分训练集和测试集；
[0009]步骤4：构建网络模型，对原始YOLOv3的骨干网络进行调整；
[0010]步骤5：用步骤4中调整后的网络对已标注的大米数据集进行网络训练至网络收敛，然后保存模型与权重文件；
[0011]步骤6：使用最佳训练模型对数据集进行测试，获取测试集的测试结果。
[0012]优选的，所述步骤2中数据增强的具体过程如下：
[0013]步骤2.1：通过自适应伽马校正改变图像亮度进行数据增强，使增强后的图像保留颜色信息，保持灰度的范围；
[0014]步骤2.2：在原始数据集和所述步骤2.1的基础上进一步数据增强，分别给图像增添轻微的高斯噪声、椒盐噪声和斑点噪声；
[0015]步骤2.3：在所述步骤2.2的基础上对图片进行旋转操作，获得最终的大米图像数据集。
[0016]优选的，所述步骤4中构建网络模型具体包含以下步骤：
[0017]步骤4.1：将YOLOv3的骨干网络DarkNet53的5个Resblock_body减去最后一个，保留前四个结构，对输入的416
×
416图像进行四次下采样，提取输入图像的浅层特征，然后取分别经过四次、三次和两次下采样得到的26
×
26，52
×
52，104
×
104三种不同尺度的特征层作为后续的特征融合层；
[0018]步骤4.2：对26
×
26大小的特征层在卷积、上采样后和52
×
52大小的特征层进行融合，52
×
52大小的特征层会在卷积、上采样后和104
×
104大小的特征层进行融合，生成针对三种尺度目标的特征预测层。
[0019]优选的，所述步骤5中网络训练具体包含以下步骤：
[0020]步骤5.1：使用coco数据集的网络权重作为初始权重，修改改进YOLOv3模型加载预训练权重的方式；
[0021]步骤5.2：训练网络，保存每个世代的训练权重，在网络训练的前50世代冻结主干网络，训练特征金字塔FPN和预测层Yolo Head，并设置适合的训练参数；
[0022]步骤5.3：在训练50世代之后，解冻骨干网络的模型参数，对整个网络进行训练，对大米图像特征进行学习至网络收敛。
[0023]优选的，所述目标包括垩白米、黄米、黑米、精米和碎米。
[0024]优选的，最终得到的大米图像数据集比原始数据集扩充了16倍。
[0025]因此，本专利技术采用上述一种基于改进YOLOv3的大米识别筛选方法，具有以下有益效果：
[0026](1)将深度学习中的YOLOv3技术创新性地应用到大米识别筛选中，弥补了传统大米筛选中忽略米粒体积、颜色等造成的错检漏检，提高大米筛选的准确率；
[0027](2)修改原始YOLOv3的网络结构，舍弃原始适用于大型目标检测的13
×
13特征层，增加适用于小目标检测的104
×
104特征层，提高了网络对小目标的检测效果，适用于大米识别筛选的应用场景；
[0028](3)采用亮度变换、添加噪声以及旋转的方式进行图像增强操作，在有限条件下大幅扩充了数据集，进而提升网络的训练效果，获得性能更好的网络模型。
[0029]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
附图说明
[0030]图1为本专利技术实施例提供的一种基于改进YOLOv3的大米识别筛选方法的整体结构流程图；
[0031]图2为本专利技术实施例提供的一种基于改进YOLOv3的大米识别筛选方法的制作大米数据集的流程图；
[0032]图3为本专利技术实施例采用自适应伽马矫正进行数据增强的效果示意图；
[0033]图4为本专利技术实施例通过添加噪声进行数据增强的效果示意图；
[0034]图5为本专利技术实施例提供的一种基于改进YOLOv3的大米识别筛选方法的网络结构示意图；
[0035]图6为本专利技术实施例进行网络训练时损失值下降趋势图；
[0036]图7为本专利技术实施例最终训练的所得网络的识别准确率示意图；
[0037]图8是本专利技术实施例提供的一种基于改进YOLOv3的大米识别筛选方法的检测效果
图。
具体实施方式
[0038]实施例
[0039]以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0040]如图1，一种基于改进YOLOv3的大米识别筛选方法，包括如下步骤：
[0041]步骤1：使用相机获取包含不同种类大米的400张图片数据集；
[0042]步骤2：通过自适应伽马校正、添加噪声、旋转的方式进行数据增强，扩充数据集；
[0043]步骤3：使用标注工具对图片中的目标进行数据标注，目标包括垩白米、黄米、黑米、精米和碎米，获得对应的标签文件数据集，并划分训练集和测试集；
[0044]步骤4：构建网络模型，将YOLOv3原始的DarkNet53骨干网络从5个Resblock_body改为4个，减少一个输出尺度13
×
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv3的大米识别筛选方法，其特征在于，包括如下步骤：步骤1：通过相机获取不同种类大米的数据集；步骤2：通过自适应伽马校正、添加噪声和旋转的方式进行数据增强；步骤3：使用标注工具对图片中的目标进行数据标注，获得标签文件数据集，划分训练集和测试集；步骤4：构建网络模型，对原始YOLOv3的骨干网络进行调整；步骤5：用步骤4中调整后的网络对已标注的大米数据集进行网络训练至网络收敛，然后保存模型与权重文件；步骤6：使用最佳训练模型对数据集进行测试，获取测试集的测试结果。2.根据权利要求1所述的一种基于改进YOLOv3的大米识别筛选方法，其特征在于，所述步骤2中数据增强的具体过程如下：步骤2.1：通过自适应伽马校正改变图像亮度进行数据增强，使增强后的图像保留颜色信息，保持灰度的范围；步骤2.2：在原始数据集和所述步骤2.1的基础上进一步数据增强，分别给图像增添轻微的高斯噪声、椒盐噪声和斑点噪声；步骤2.3：在所述步骤2.2的基础上对图片进行旋转操作，获得最终的大米图像数据集。3.根据权利要求1所述的一种基于改进YOLOv3的大米识别筛选方法，其特征在于，所述步骤4中构建网络模型具体包含以下步骤：步骤4.1：将YOLOv3的骨干网络DarkNet53的5个Resblock_body减去最后一个，保留前四个结构，对输入的416
×
416图像进行四次下采样，提取输入图像的浅层特征，然后取分别经过...

【专利技术属性】
技术研发人员：朱正，孙贝贝，陈茂森，刘羽欣，杨建辉，刘杰，王永凯，陈秋实，张杨，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：