System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像检测,尤其涉及基于改进的yolov7网络模型的纸尿裤图像检测方法。
技术介绍
1、纸尿裤是现代婴儿和成人护理领域的重要产品,其舒适性和吸收性能直接关系到使用者的健康和生活质量。纸尿裤通常具有各种各样的图案设计,如动物、卡通人物等,这些图案不仅可以增加产品的吸引力,还可以吸引婴儿的注意力,使他们更容易接受纸尿裤的使用。
2、在纸尿裤生产完成后需要对纸尿裤上的图像进行检测,以确定是否有图像缺失的现象,目前的纸尿裤图像检测方法主要依赖于传统的基于深度学习的图像处理技术,其中,yolo(you only look once)系列算法以其快速和准确的特性而在深度学习中备受关注。yolov7是yolo算法的一个改进版本,它采用了卷积神经网络的端到端结构,能够实时地检测和定位图像中的目标。
3、现有技术公开了如下利用yolov7进行图像检测识别的技术:
4、cn202211564267.4公开了基于改进yolov7的鸟类识别方法、系统及介质,该方法步骤包括:获取第一图像集,所述第一图像集为鸟类飞行中的历史图像或被遮挡一部分的历史图像;对所述第一图像集进行运动模糊数据增强,获得第二图像集;构建yolov7模型,并向所述yolov7模型中添加无参数注意力机制,获得改进yolov7模型;通过所述第二图像集对所述yolov7模型进行训练,获得最优改进yolov7模型;通过所述最优改进yolov7模型对新获取的鸟类图像进行识别,获得鸟的种类。
5、cn202211397515.0公开了一
6、可知,现有的基于yolov7的图形图案识别检测方法存在以下缺陷:
7、1、需要对整个获取图像进行预处理,增大了计算量,降低了检测速度;
8、2、准确性和鲁棒性有待进一步提高。
技术实现思路
1、为解决上述问题,本专利技术提供一种基于改进的yolov7网络模型的纸尿裤图像检测方法,通过对采集图像进行预处理降低了后续数据处理量,增加了检测速度,同时通过改进的yolov7网络模型提高了检测的准确度和鲁棒性。
2、为实现上述目的,本专利技术提供了基于改进的yolov7网络模型的纸尿裤图像检测方法,包括以下步骤:
3、s1、收集纸尿裤图像,形成纸尿裤图像数据集,并预处理:
4、s11、对每张纸尿裤图像均添加用于对纸尿裤图像进行类别和位置的标注的标注文件,作为纸尿裤图像的真实框;
5、s12、对纸尿裤图像数据集进行数据增强,得到增强后的纸尿裤图像数据集;
6、s13、使用kmeans聚类算法对增强后的纸尿裤图像数据集中所有纸尿裤图像的真实框进行聚类,得到k个先验框;
7、s14、按照预设的比例将增强后的纸尿裤图像数据集划分为训练集、验证集和测试集;
8、s2、训练yolov7网络模型:
9、s3、测试:
10、将测试集中的纸尿裤图像输入训练完毕的yolov7网络模型中,利用yolov7网络模型对测试集中的所有纸尿裤图像进行预测,得到预测特征图上的预测框,再通过预测特征图与原始图像的比例关系,将预测框映射到原始图像上,定位纸尿裤上的图案,并得到最终的纸尿裤图像检测结果。
11、优选的,在步骤s11中,纸尿裤数据集包括多幅纸尿裤图像及对应的标注文件,其中纸尿裤图像尺寸为1024×1024像素,标注文件为用于记录纸尿裤图像中目标的位置信息和类别信息的txt格式文件;
12、在步骤s14中,训练集、验证集和测试集的划分比例为80%、10%和10%,并分别生成train.txt、val.txt、test.txt文件保存至对应图像列表。
13、优选的,在步骤s12中,使用mosaic数据增强结合20%概率的mixup数据增强对纸尿裤图像数据集进行数据增强;
14、其中,mosaic数据增强方法如下:
15、随机选择4张纸尿裤图像利用mosaic数据增强合并成新的图像,作为新的训练数据;
16、随机选择另一张图像,利用mixup数据增强以20%概率将其与原始图像进行混合,生成新的训练数据。
17、优选的,步骤s13具体包括如下步骤:
18、使用kmeans聚类算法对训练集中所有的真实框的宽度和高度进行聚类,得到的k个聚类中心坐标作为真实框的宽度和高度,真实框标记为(class,xmin,ymin,xmax,ymax),class表示真实框内所含纸尿裤图像的类别,xmin、ymin分别表示真实框左上角顶点的x坐标和y坐标,xmax、ymax表示真实框右下角顶点的x坐标和y坐标。
19、优选的,步骤s2具体包括以下步骤:
20、s21、随机选择训练集中的x张纸尿裤图像输入yolov7网络模型,经过yolov7网络模型的主干网络下采样1/8、1/16和1/32倍,提取得到三个不同尺度的有效特征图,并将有效特征图输入改进的特征聚合模块,利用改进的特征聚合模块对有效特征图进一步融合,以捕捉全局语义信息,同时生成三个不同尺度的预测特征图;
21、s22、将k个先验框按照尺度预先均匀分布到三个预测特征图上,再根据预测特征图上锚点信息对相应的先验框进行调整,得到预测框;
22、s23、使用预测框与对应纸尿裤图像的真实框计算yolov7网络模型的损失值,评估预测框与真实框之间的差异;
23、s24、根据损失值更新yolov7网络模型的参数,并进行训练集迭代,直至训练集中的所有纸尿裤图像均输入yolov7网络模型一次;
24、s25、将验证集中纸尿裤图像输入训练完毕的yolov7网络模型,利用yolov7网络模型对验证集中的每张纸尿裤图像进行预测,获得验证集的预测框;
25、s26、根据验证集的预测框和与其对应的真实框统计各个类别纸尿裤图像的平均精度值;
26、s27、重复步骤s24-s26,直至收敛,yolov7网络模型训练完毕;
27、步骤s2所述的yolov7网络模型包括依次设置的主干网络cspdarknet-53、特征过滤净化模块ffpm、改进的特征融合模块以及轻量化检测头;在改进的特征融合模块中,用bifpn取代panet;主干网络cspdarknet-53包括ela本文档来自技高网...
【技术保护点】
1.基于改进的YOLOv7网络模型的纸尿裤图像检测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的基于改进的YOLOv7网络模型的纸尿裤图像检测方法,其特征在于:在步骤S11中,纸尿裤数据集包括多幅纸尿裤图像 及对应的标注文件,其中纸尿裤图像尺寸为1024×1024像素,标注文件为用于记录纸尿裤图像中目标的位置信息和类别信息的txt格式文件;
3.根据权利要求1所述的基于改进的YOLOv7网络模型的纸尿裤图像检测方法,其特征在于:在步骤S12中,使用Mosaic数据增强结合20%概率的Mixup数据增强对纸尿裤图像数据集进行数据增强;
4.根据权利要求1所述的基于改进的YOLOv7网络模型的纸尿裤图像检测方法,其特征在于:步骤S13具体包括如下步骤:
5.根据权利要求1所述的基于改进的YOLOv7网络模型的纸尿裤图像检测方法,其特征在于:步骤S2具体包括以下步骤:
6.根据权利要求5所述的基于改进的YOLOv7网络模型的纸尿裤图像检测方法,其特征在于:步骤S212具体包括如下步骤:
7.根据权利要求
8.根据权利要求1所述的基于改进的YOLOv7网络模型的纸尿裤图像检测方法,其特征在于:步骤S23具体包括以下步骤:
9.根据权利要求1所述的基于改进的YOLOv7网络模型的纸尿裤图像检测方法,其特征在于:在步骤S24中,在一个epoch内将整个训练集的纸尿裤图像输入YOLOv7网络模型进行前向传播和反向优化网络参数;
10.根据权利要求1所述的基于改进的YOLOv7网络模型的纸尿裤图像检测方法,其特征在于:步骤S3具体包括以下步骤:
...【技术特征摘要】
1.基于改进的yolov7网络模型的纸尿裤图像检测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的基于改进的yolov7网络模型的纸尿裤图像检测方法,其特征在于:在步骤s11中,纸尿裤数据集包括多幅纸尿裤图像 及对应的标注文件,其中纸尿裤图像尺寸为1024×1024像素,标注文件为用于记录纸尿裤图像中目标的位置信息和类别信息的txt格式文件;
3.根据权利要求1所述的基于改进的yolov7网络模型的纸尿裤图像检测方法,其特征在于:在步骤s12中,使用mosaic数据增强结合20%概率的mixup数据增强对纸尿裤图像数据集进行数据增强;
4.根据权利要求1所述的基于改进的yolov7网络模型的纸尿裤图像检测方法,其特征在于:步骤s13具体包括如下步骤:
5.根据权利要求1所述的基于改进的yolov7网络模型的纸尿裤图像检...
【专利技术属性】
技术研发人员:曹凤姣,李志彪,顾柏军,汪志龙,
申请(专利权)人:杭州豪悦护理用品股份有限公司,
类型:发明
国别省市:
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。