一种基于改进YOLOv3的托辊检测模型的构建方法技术

本发明专利技术涉及深度学习目标检测研究领域，特别涉及一种基于改进YOLOv3的托辊检测模型的构建方法，包括以下步骤：数据收集，采集托辊运动视频，构建数据集；数据分类，将数据集中的数据按比例分为训练集、测试集和验证集；构建检测模型，重新计算适合托辊数据集的anchors参数，并将YOLOv3基准网络中1

【技术实现步骤摘要】
一种基于改进YOLOv3的托辊检测模型的构建方法


[0001]本专利技术涉及深度学习目标检测研究领域，特别涉及一种基于改进YOLOv3的托辊检测模型的构建方法。

技术介绍

[0002]在矿业生产运输上带式输送机应用广泛，已经成为煤矿生产运输中关键运输设备之一。托辊是组成带式输送机的核心部件之一，而托辊的健康状况直接影响企业的生产运输效率，故确保托辊正常工作意义重大。从机器视觉的角度分析托辊健康状况，首先需要检测和定位托辊在相机中的具体位置，传统的机器学习算法难以准确检测到托辊的具体位置。
[0003]近几年来，随着深度学习中目标检测领域技术的突破，各个行业都开始应用新的技术到自己的研究领域。虽然目前针对托辊图像中托辊检测的方法有很多，由于图像处理算法鲁棒性较弱，在煤矿井下光线和能见度较低等恶劣环境下无法提取较多的有效特征，识别率较低，且容易受到外界环境变化的干扰，故采用实时性和准确率较高的YOLOv3网络进行目标检测。
[0004]目前卷积神经网络被成功的应用于工业、农业的、医疗等多个领域，特别是计算机视觉领域的成功应用，但是由于煤矿井下环境干扰较大，由于YOLOv3网络结构在特定的卷积神经网络采样层只进行一个尺度特征的提取，会造成不同尺度特征提取不充分，影响图像中托辊检测和定位精度。

技术实现思路

[0005]本专利技术要解决的技术问题是：采样层特征提取的尺寸有限，造成不同尺度特征提取不充分，影响图像中托辊检测和定位精度。
[0006]为此，本专利技术提供一种基于改进YOLOv3的托辊检测模型的构建方法。
[0007]本专利技术解决其技术问题所采用的技术方案是：
[0008]一种基于改进YOLOv3的托辊检测模型的构建方法，包括以下步骤：
[0009]数据收集，采集托辊运动视频，构建数据集；
[0010]数据分类，将数据集中的数据按比例分为训练集、测试集和验证集；
[0011]构建多个检测模型；
[0012]利用所述训练集、测试集、验证集，分别对多个检测模型进行训练、测试、验证，对比测试结果，确定最优检测模型。
[0013]通过采用上述技术方案，将Ghost模型替换YOLOv3的1
×
1卷积，增加特征取样的尺度数量，对不同尺度特征进行提取，提高托辊检测和定位的精度。
[0014]进一步地，对数据集中的数据进行预处理，对收集到的图像数据进行图像处理和目标物品标注。
[0015]进一步地，所述数据分类中训练集、测试集合验证集的比例为3：1：1。
[0016]进一步地，多个所述检测模型包括YOLOv3模型、Ghost
‑
YOLOv3模型和Multi_Scale
‑
Ghost
‑
YOLOv3模型。
[0017]进一步地，所述构建检测模型中，首先从所述数据集中读取标注好的数据，然后随机给定k个聚类中心点，即anchor参数的宽和高尺寸，再通过计算每个标注框和给定的聚类中心点距离，将标注框分配给距离最近的聚类中心，最后对分配完成后的每个簇重新计算聚类中心点，重复使用k
‑
means算法聚类得到9个anchor参数。
[0018]进一步地，所述构建检测模型中，所述Ghost
‑
YOLOv3模型包括23个Ghost模块，所述Ghost模块用于YOLOv3模型中替换基准网络中的1
×
1卷积核。
[0019]进一步地，所述Ghost模块具体实现为，尺寸为W*H*C的输入特征图通过常规卷积得到W*H*(C/2)的本征特征图，将本征特征图经过深度可分离卷积得到W*H*(C/2)个Ghost特征图，将本征特征图和得到的Ghost特征图进行拼接得到输出的特征图。
[0020]进一步地，所述Multi_Scale
‑
Ghost
‑
YOLOv3模型包括Ghost模块和Multi_Scale模块，所述Multi_Scale模块用于不同尺度特征的提取及融合，所述Multi_scale模块包括三个步长均为2且尺寸分别为3
×
3、5
×
5、7
×
7的卷积核，并且将经过三个卷积核卷积之后输出的特征图进行拼接，作为下一个模块的输入。
[0021]进一步地，利用所述训练集分别训练YOLOv3模型、Ghost
‑
YOLOv3模型和Multi_Scale
‑
Ghost
‑
YOLOv3模型，得到权重数据。
[0022]进一步地，训练模型的具体过程包括：批处理图片，动量系数为0.9，权重衰减系数为0.0005，饱和度为1.5，曝光度为1.5，采用随机梯度下降法进行优化，前400000次学习率为0.001，随后每到下一阶段学习率变为上一阶段的0.1倍，采用多尺度的训练方式。
[0023]本专利技术的有益效果是，本专利技术一种基于改进YOLOv3的托辊检测模型的构建方法，引入Ghost Module替换基准网络中1
×
1卷积核，在不改变输出特征图尺寸和通道大小的前提下，Ghost
‑
YOLOv3网络总体参数量和计算量均下降，从而提高计算效率；利用Multi_Scale模块替换基准网络第一次和第二次特征图尺寸减半时的卷积核，能够增加不同尺度语义特征的充分提取及融合，提高图像的分类与预测精度。
附图说明
[0024]下面结合附图和实施例对本专利技术进一步说明。
[0025]图1是本专利技术中检测模型的构建方法的流程示意图。
[0026]图2是本专利技术中YOLOv3网络结构图。
[0027]图3是本专利技术中Ghost Model原理图。
[0028]图4是本专利技术中Ghost
‑
YOLOv3网络结构图。
[0029]图5是本专利技术中Multi_Scale
‑
Ghost
‑
YOLOv3网络结构图。
[0030]图6是本专利技术中YOLOv3及其改进模型训练损失值曲线。
[0031]图7是本专利技术中YOLOv3及其改进模型精度曲线。
[0032]图8是本专利技术中YOLOv3及其改进模型召回率曲线。
[0033]图9是本专利技术中YOLOv3模型检测效果图。
[0034]图10是本专利技术中Ghost
‑
YOLOv3模型检测效果图。
[0035]图11是本专利技术中Mulit_Scale
‑
Ghost
‑
YOLOv3模型检测效果图。
具体实施方式
[0036]现在结合附图1
‑
11对本专利技术作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。
[0037]在本专利技术的描述中，需要理解的是，术语“中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv3的托辊检测模型的构建方法，其特征在于，包括以下步骤：数据收集，采集托辊运动视频，构建数据集；数据分类，将数据集中的数据按比例分为训练集、测试集和验证集；构建多个检测模型；利用所述训练集、测试集、验证集，分别对多个检测模型进行训练、测试、验证，对比测试结果，确定最优检测模型。2.根据权利要求1所述的一种基于改进YOLOv3的托辊检测模型的构建方法，其特征在于，对数据集中的数据进行预处理，对收集到的图像数据进行图像处理和目标物品标注。3.根据权利要求1所述的一种基于改进YOLOv3的托辊检测模型的构建方法，其特征在于，所述数据分类中训练集、测试集和验证集的比例为3：1：1。4.根据权利要求1所述的一种基于改进YOLOv3的托辊检测模型的构建方法，其特征在于，多个所述检测模型包括YOLOv3模型、Ghost
‑
YOLOv3模型和Multi_Scale
‑
Ghost
‑
YOLOv3模型。5.根据权利要求1所述的一种基于改进YOLOv3的托辊检测模型的构建方法，其特征在于，所述构建检测模型中，首先从所述数据集中读取标注好的数据，然后随机给定k个聚类中心点，即anchor参数的宽和高尺寸，再通过计算每个标注框和给定的聚类中心点距离，将标注框分配给距离最近的聚类中心，最后对分配完成后的每个簇重新计算聚类中心点，重复使用k
‑
means算法聚类得到9个anchor参数。6.根据权利要求1所述的一种基于改进YOLOv3的托辊检测模型的构建方法，其特征在于，所述Ghost
‑
YOLOv3模型包括Ghost模块，所述Ghost模块用于YOLOv3模型中替换基准网络中的1
×

【专利技术属性】
技术研发人员：季亮，陈晓晶，周李兵，叶柏松，邹盛，郝大彬，张袁浩，邱云香，蒋雪利，张清，张振，
申请(专利权)人：中煤科工集团常州研究院有限公司，
类型：发明
国别省市：