一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于YOLOv5s网络模型的磁带盘点方法及装置


[0001]本专利技术属于图像处理
，尤其涉及一种基于
YOLOv5s
网络模型的磁带盘点方法及装置
。

技术介绍

[0002]数据量呈现“爆炸式”的增长，以
LTO
为代表的盒式磁带作为一种绿色
、
节能
、
低价的存储介质，成为大数据归档和备份的首先
。
随着数据量的不断增加，更多的磁带被放到架子上进行离线存放，在磁带的出库
、
保管
、
运输
、
检测
、
入库等整个数据离线服务过程中，保管中的磁带盘点工作是重要环节，也是确保数据资产存储安全的关键
。
[0003]目前常用的磁带盘点方案为人工盘点，磁带出库后，在磁带架上给每一盘磁带赋予一个固定的位置摆放，并将磁带架位置与磁带编号对应关系录入计算机系统
。
盒式磁带标签由数字标号和
Code
‑
39
码共同组成，进行盘点时，只能人工逐盘读取磁带标签中的数字编号，并与计算机系统记录结果一一对应
。
该方案耗时长，劳动强度大，人力成本高；另外，因为两次盘点间隔较长，磁带编码与磁带架位置的对应关系为需要预先设定并保持不变，导致磁带入库后空出的位置无法给其他磁带使用，造成了资源的浪费
。

技术实现思路

[0004]本专利技术解决的技术问题是：克服现有技术的不足，提供了一种基于
YOLOv5s
网络模型的磁带盘点方法及装置，通过图像拍摄并处理，可以实现整个磁带架图像范围内的磁带的批量自动化盘点，提高了工作效率，节约了人力
。
同时可以根据摄像机持续获取图像并实时计算，极大缩短了两次盘点之间的时间间隔，因此无需提前设定磁带编码与磁带架位置的对应关系，磁带入库后空出的位置可以供其他磁带使用，提高了磁带架空间资源的利用率
。
[0005]本专利技术目的通过以下技术方案予以实现：一种基于
YOLOv5s
网络模型的磁带盘点方法，包括：获取磁带架图像；将获取的磁带架图像输入已训练完成的可同时识别
Code
‑
39
码和
QR
码的
YOLOv5s
网络模型进行目标识别得到目标识别结果；按照目标识别结果裁剪出包含
Code
‑
39
码和
QR
码的区域作为单元图像；对单元图像进行灰度化处理；对灰度化处理后的单元图像进行清晰化处理；对清晰化处理的单元图像进行条码解析，分别得到磁带的编号信息和定位
QR
码记录的实际位置信息；根据条码所在的单元图像的坐标与定位
QR
码的相对位置计算磁带的实际空间位置；判断解析的结果是否与在架磁带对应，若是，登记磁带的实际位置
。
[0006]上述基于
YOLOv5s
网络模型的磁带盘点方法中，所述目标识别结果包括目标的目标框位置
、
类别和置信度
。
[0007]上述基于
YOLOv5s
网络模型的磁带盘点方法中，将获取的磁带架图像输入已训练完成的可同时识别
Code
‑
39
码和
QR
码的
YOLOv5s
网络模型进行目标识别得到目标识别结果包括：对获取的磁带架图像中的
Code
‑
39
码和
QR
码进行标注，得到数据集，并将数据集分为
训练集
、
验证集和测试集；将训练集和验证集中的图片输入
YOLOv5s
网络模型进行模型训练，得到
YOLOv5s
网络模型的最佳权重数据；将最佳权重数据加载到
YOLOv5
网络模型中，输入测试集图片，输出目标识别结果
。
[0008]上述基于
YOLOv5s
网络模型的磁带盘点方法中，
YOLOv5s
网络模型包括依次连接的输入端
、Backbone
骨干网络
、Neck
网络和
Head
输出端；其中，图片通过输入端先输入
Backbone
骨干网络来提取特征，然后将
Backbone
骨干网络提取的特征输入
Neck
网络进行加工处理，最后由
Head
输出端输出目标类别
。
[0009]上述基于
YOLOv5s
网络模型的磁带盘点方法中，在
Head
输出端中，
YOLOv5
的损失函数包括边界框损失函数
、
置信度损失函数和分类损失函数
。
[0010]上述基于
YOLOv5s
网络模型的磁带盘点方法中，边界框损失函数通过如下公式得到：
[0011][0012][0013][0014]其中，
v
为衡量真实框和预测框边框长宽的比例是否一致，
w
gt
为真实框的宽度，
h
gt
为真实框的高度，
w
为预测框的宽度，
h
为预测框的高度，
α
为均衡比例的系数，
IoU
为预测框与真实框的交集面积与并集面积的比值，
L
CIoU
为预测框准确度的判定指标，
ρ
(b,b
gt
)
为预测框中心点与真实框中心点之间的欧式距离，
b
为预测框的中心点位置，
b
gt
为真实框的中心点位置，
C
为覆盖预测框和真实框的最小矩形框的对角线距离
。
[0015]一种基于
YOLOv5s
网络模型的磁带盘点装置，包括：获取模块，用于获取磁带架图像；识别模块，用于将获取的磁带架图像输入已训练完成的可同时识别
Code
‑
39
码和
QR
码的
YOLOv5s
网络模型进行目标识别得到目标识别结果；裁剪模块，用于按照目标识别结果裁剪出包含
Code
‑
39
码和
QR
码的区域作为单元图像；灰度化处理模块，用于对单元图像进行灰度化处理；清晰化处理模块，用于对灰度化处理后的单元图像进行清晰化处理；
[0016]解析模块，用于对清晰化处理的单元图像进行条码解析，分别得到磁带的编号信息和定位
QR
码记录的实际位置信息；真实坐标计算模块，用于根据条码所在的单元图像的坐标与定位
QR
...

【技术保护点】

【技术特征摘要】
1.
一种基于
YOLOv5s
网络模型的磁带盘点方法，其特征在于包括：获取磁带架图像；将获取的磁带架图像输入已训练完成的可同时识别
Code
‑
39
码和
QR
码的
YOLOv5s
网络模型进行目标识别得到目标识别结果；按照目标识别结果裁剪出包含
Code
‑
39
码和
QR
码的区域作为单元图像；对单元图像进行灰度化处理；对灰度化处理后的单元图像进行清晰化处理；对清晰化处理的单元图像进行条码解析，分别得到磁带的编号信息和定位
QR
码记录的实际位置信息；根据条码所在的单元图像的坐标与定位
QR
码的相对位置计算磁带的实际空间位置；判断解析的结果是否与在架磁带对应，若是，登记磁带的实际位置
。2.
根据权利要求1所述的基于
YOLOv5s
网络模型的磁带盘点方法，其特征在于：所述目标识别结果包括目标的目标框位置
、
类别和置信度
。3.
根据权利要求1所述的基于
YOLOv5s
网络模型的磁带盘点方法，其特征在于：将获取的磁带架图像输入已训练完成的可同时识别
Code
‑
39
码和
QR
码的
YOLOv5s
网络模型进行目标识别得到目标识别结果包括：对获取的磁带架图像中的
Code
‑
39
码和
QR
码进行标注，得到数据集，并将数据集分为训练集
、
验证集和测试集；将训练集和验证集中的图片输入
YOLOv5s
网络模型进行模型训练，得到
YOLOv5s
网络模型的最佳权重数据；将最佳权重数据加载到
YOLOv5
网络模型中，输入测试集图片，输出目标识别结果
。4.
根据权利要求3所述的基于
YOLOv5s
网络模型的磁带盘点方法，其特征在于：
YOLOv5s
网络模型包括依次连接的输入端
、Backbone
骨干网络
、Neck
网络和
Head
输出端；其中，图片通过输入端先输入
Backbone
骨干网络来提取特征，然后将
Backbone
骨干网络提取的特征输入
Neck
网络进行加工处理，最后由
Head
输出端输出目标类别
。5.
根据权利要求4所述的基于
YOLOv5s
网络模型的磁带盘点方法，其特征在于：在
Head
输出端中，
YOLOv5
的损失函数包括边界框损失函数
、
置信度损失函数和分类损失函数
。6.
根据权利要求5所述的基于
YOLOv5s
网络模型的磁带盘点方法，其特征在于：边界框损失函数通过如下公式得到：损失函数通过如下公式得到：损失函数通过如下公式得到：其中，
v
为衡量真实框和预测框边框长宽的比例是否一致，
w
gt
为真实框的宽度，
h
gt
为真实框的高度，
w
为预测框的...

【专利技术属性】
技术研发人员：齐文平，曾湧，王文宇，史小金，黄树松，
申请(专利权)人：中国资源卫星应用中心，
类型：发明
国别省市：