基于改进制造技术

本发明专利技术公开了基于改进

【技术实现步骤摘要】
基于改进YOLOv5网络的堆叠工件检测方法


[0001]本专利技术属于目标检测和计算机视觉领域，涉及基于改进
YOLOv5
的堆叠工件检测方法
。

技术介绍

[0002]工业零件分拣在生产环节中占有重要的地位，使用工业机器人完成工件分拣，可以降低人力成本，提高分拣效率
。

技术实现思路

[0003]本专利技术的目的在于：现有的算法在工件堆叠识别中的检测精度仍不够好，很容易导致漏检和误检
。
为了提高堆叠工件的检测精度及召回率，本专利技术主要使用了
YOLOv5
检测算法，利用了边缘信息融合模块和注意力机制模块，提出了一种改进
YOLOv5
的堆叠工件检测的方法
。
[0004]实现本专利技术目的的技术方案为：一种基于改进
YOLOv5
网络的堆叠工件检测方法，包括：
[0005]将处理后的图片输入改进
YOLOv5
网络中进行迭代训练，通过反复迭代训练获得最优权重模型，将待检测图片输入最优权重模型进行堆叠工件检测
。
[0006]优选地，通过自行拍摄制作原始图片数据集，对原始图片进行标签标注，标签分为六种，分别为
bearing、shim、screw、Spring washer、Triangle lifting ring
和
nut
，分别是轴承
、
垫片
、
螺钉
、
弹簧垫片
、
三角吊环和螺母
。
[0007]优选地，在
YOLOv5
堆叠工件检测算法模型的
backbone
的前端加入边缘信息融合模块
。
它由三部分组成，即图像灰度化模块
、
边缘信息提取模块和融合模块
。
图像灰度化模块目的是将输入数据转化为灰度图像，由一个固定参数信息的1×1的
Conv
卷积块构成；边缘信息提取模块采用的是
sobel
算子来进行边缘信息的提取，它分别由
x
方向和
y
方向的固定参数信息的
Conv
卷积块构成
。
边缘信息融合模块用于对图像边缘信息进行融合，其结构分为两支，一支经过图像灰度化模块和
sobel
算子来构成，另一支不进行任何操作，最后将两支进行特征融合操作
。
[0008]优选地，
YOLOv5
堆叠工件检测算法模型中的
C3
‑
n
模块包含三个标准卷积层以及
n
个
Res Unit
模块，
C3
‑
n
模块用于对残差特征进行学习，其结构分为两支，一支指定
n
个
Res Unit
模块和1个标准卷积层，另一支经过1个标准卷积层，最后将两支进行特征融合操作后经过1个标准卷积层
。
[0009]优选地，在
YOLOv5
堆叠工件检测算法模型
backbone
结构的
SPPF
模块之前加入
CA
注意力机制
。
所述
CA
注意力对输入的特征
F∈R
c
×
h
×
w
分别按照
x
方向和
y
方向进行平均池化，分别生成尺寸为
F
c
∈R
c
×
h
×1和
F
c
∈R
c
×1×
w
的特征图，将生成的两张特征图进行变换后进行
Concat
融合，之后通过
1*1
卷积进行降维和
ReLU
激活函数，得到最终的通道注意力向量
f∈R
C/r
×
(H+W)
×1；沿着空间维度，对通道注意力向量进行
split
操作，分成
f
h
∈R
C/r
×
H
×1和
f
h
∈R
C
/r
×1×
w
，然后分别利用1×1卷积进行升维操作，再结合
sigmoid
激活函数得到最后的注意力向量
g
h
∈R
C
×
H
×1和
g
w
∈R
C
×1×
W
，最后将输入的特征
F∈R
C
×
H
×
W
与注意力向量进行相乘得到最后的注意力特征
M
c
∈R
C
×
H
×
W
。
[0010]优选地，
YOLOv5
堆叠工件检测算法模型将原
Neck
层的
FPN+PAN
结构替换为
BIPFN
架构
。
低尺度的特征图输出传入到高尺度的特征图输入，并将低尺度的特征图通过级联结构继续传输到下层高尺度的卷积层，从而实现对不同尺度的特征融合
。
[0011]优选地，
YOLOv5
堆叠工件检测算法模型的损失函数由分类损失
、
定位损失和目标置信度损失组成
。YOLOv5
堆叠工件检测算法模型采用
CIOU Loss
作为目标框回归的损失函数，具体为：
[0012][0013]其中，
d1表示预测框与目标框两个中心点的欧氏距离，
d2表示最小外接矩形的对角线距离
。
和分别表示目标框和预测框各自的宽高比，
[0014]优选地，使用二元交叉熵损失函数来计算分类损失和目标置信度损失，具体为：
[0015][0015][0016][0016][0017]式中，
K
表示网络最后输出的特征图划分为
K
×
K
个格子，
M
表示每个格子对应的锚框的个数，表示由目标的锚框，表示没有目标的锚框，
λ
no_obj
表示没有目标锚框的置信度损失权重系数，
C
i
和分表代表第
i
个网格存在物体的预测和真实置信度
。p
i
(c)
和分别表示物体属于类别
c
的预测和真实概率
。
[0018]本专利技术与现有技术相比，其显著优点为：本专利技术引入的边缘信息融合模块作用于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于改进
YOLOv5
网络的堆叠工件检测方法，其特征在于，包括：将原始图片输入到引入边缘信息融合模块
、CA
注意力机制
、BIPFN
和
CIOU loss
的
YOLOv5
网络中进行迭代训练，通过反复迭代训练获得最优权重模型，将待检测图片输入最优权重模型进行堆叠工件检测
。2.
根据权利要求1所述的基于改进
YOLOv5
网络的堆叠工件检测方法，其特征在于，所述边缘信息融合模块由图像灰度化模块和
sobel
算子模块以及融合模块所组成；其中图像灰度化模块和
sobel
算子模块分别是由已固定参数信息的1个1×1卷积层和2个3×3卷积层组成，特征图先进入图像灰度化模块，之后再经过
sobel
算子后，将两个边缘特征图进行融合操作
。3.
根据权利要求1所述的基于改进
YOLOv5
网络的堆叠工件检测方法，其特征在于，目标
YOLOv5
算法模型中的
backbone
结构的第4个
C3_n
之后
SPPF
模块之前加入
CA
注意力机制
。4.
根据权利要求3所述的基于改进
YOLOv5
网络的堆叠工件检测方法，其特征在于，所述
C3
‑
n
模块包含三个标准卷积层以及
n
个
Bottleneck
模块，
C3
‑
n
模块用于对残差特征进行学习，其结构分为两支，一支指定
n
个
Bottleneck
模块和1个标准卷积层，另一支经过1个标准卷积层，最后将两支进行特征融合操作后经过1个标准卷积层
。5.
根据权利要...

【专利技术属性】
技术研发人员：郭宏，畅晨吕，张德华，李欣伦，焦士轩，
申请(专利权)人：太原科技大学，
类型：发明
国别省市：