【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及基于改进yolov8的无序零件检测方法及系统。
技术介绍
1、yolo系列算法因其快速且能支持实时检测而在工业应用中获得广泛运用；将目标检测技术与机器人的整合日益紧密；通过将目标检测模型部署在机器人的摄像头上，利用“机器之眼”替代人工视觉，机器人能够快速且有效地识别和分类零件；零件通常处于无序状态，即存在散乱、密集、遮挡等情况。
2、在实际的分拣作业中，面对零件种类多样、规格各异、放置方式不一以及相互间距离较近的情况，常常出现漏检或误检的问题，这些挑战可能导致机器人或机械臂无法精确定位零件，进而影响检测的准确性。
3、公开号为cn117876371a的专利，对yolov8的neck网络进行改进，通过直接连接或加法操作来融合不同层次的特征，这种简单的融合方式可能未能充分发挥低级特征的空间细节和高级特征的语义信息，导致信息传递效率下降，从而影响了目标检测的准确性；另外，未对backbone网络的c2f层进行轻量化改进，不利于部署在微型机上。
4、吕张成等人的基于深度学习的工业零件识别与抓取实时检测算法，针对只是用矩形框的目标检测，当多种零件靠近或者堆叠时，矩形框不紧围绕着物体，可能会导致抓取不准的问题。
技术实现思路
1、针对现有方法的不足，本专利技术将backbone网络的cbs模块替换为adownconv模块、c2f模块替换为c2f_gs模块；将neck网络的cbs模块替换为adownconv模块、将concat操
2、本专利技术所采用的技术方案是：基于改进yolov8的无序零件检测方法及系统包括以下步骤：
3、步骤一、采集无序零件图像，并对图像进行预处理；
4、作为本专利技术的一种优选实施方式，无序零件包括：圆形螺母、六角螺母、轴承、圆柱头螺丝、黑色外六角螺丝m10和黑色外六角螺丝m16。
5、步骤二、构建改进yolov8网络，backbone网络中将第1至8层四组cbs模块和c2f模块级联替换为adownconv卷积模块和c2f_gs模块级联；neck网络中将第14层和第17层的concat操作替换为fusionblock模块；将第16层和第19层的cbs模块替换为adownconv卷积模块。
6、作为本专利技术的一种优选实施方式，adownconv卷积模块包括一个avgpool2d、一个maxpool2d和两个标准卷积cbs模块；输入特征先进行avgpool2d再经过chunk分为两个特征，将两个特征分别通过3x3的cbs模块和maxpool2d、1x1的cbs模块，并进行concat操作。
7、作为本专利技术的一种优选实施方式，c2f_gs模块包括两个cbs模块和若干gs模块，输入特征经过1x1的cbs模块后进行split拆分为两个特征，其中一个特征经过每一操作层后进行短接，另一个特征经过n个gs模块得到两个输出特征，两个输出特征进行concat操作和1x1的cbs模块。
8、作为本专利技术的一种优选实施方式，fusionblock模块包括1个1x1卷积、两个cbs模块和一个fusion_attention模块；fusion_attention模块由两个平均池化、三个1x1conv2d和一个cbs模块构成；两个输入特征分别输入fusion_attention模块的两个平均池化，其中一个平均池化的输出经1x1 conv2d与另一个平均池化的输出进行cocat操作，再经过3x3的cbs模块后split分为两路特征，两路特征分别经过1x1 conv2d和sigmoid操作；两个输入特征还分别经过1x1的cbs模块，再与sigmoid操作后的特征进行mul操作，将两个mul输出特征进行concat操作和1x1 conv2d。
9、作为本专利技术的一种优选实施方式，还包括：在neck网络输出特征图中引入soft-nms损失函数，得到旋转检测框。
10、作为本专利技术的一种优选实施方式，利用precision、recal1和map指标对改进yolov8网络进行验证。
11、作为本专利技术的一种优选实施方式，改进yolov8的无序零件检测系统，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现改进yolov8的无序零件检测方法。
12、作为本专利技术的一种优选实施方式，存储有计算机程序代码的计算机可读介质，计算机程序代码在由处理器执行时实现改进yolov8的无序零件检测方法。
13、本专利技术的有益效果：
14、1、backbone网络中利用下采样adownconv模块来进行下采样，既获得特征信息，又进行轻量化；构建c2f_gs特征提取模块，更进一步轻量化，并且进行多层次的特征信息提取；
15、2、构建fusionblock特征融合模块，保持输入特征图的空间信息和上下文信息的完整性，减少细节特征丢失，提高模型对重要信息的捕获能力，使得全局信息与局部信息更好的融合；
16、3、针对零件种类多样、规格各异、放置方式不一以及相互间距离较近的情况，常常出现漏检或误检的问题，利用旋转框有效的提升了网络模型精度，减少漏检和误检，提高了效率。
本文档来自技高网...【技术保护点】
1.基于改进YOLOV8的无序零件检测方法，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YOLOV8的无序零件检测方法，其特征在于，ADownconv卷积模块包括一个Avgpool2d、一个Maxpool2d、两个CBS模块；输入特征先进行Avgpool2d再经过Chunk分为两个特征，将两个特征分别通过3x3的CBS模块和Maxpool2d、1x1的CBS模块后再进行Concat操作。
3.根据权利要求1所述的基于改进YOLOV8的无序零件检测方法，其特征在于，C2f_GS模块包括两个CBS模块和若干GS模块，输入特征经过1x1的CBS模块后进行split拆分为两个特征，其中一个特征经过每一操作层后进行短接，另一个特征经过n个GS模块得到两个输出特征，两个输出特征进行concat操作和1x1的CBS模块。
4.根据权利要求1所述的基于改进YOLOV8的无序零件检测方法，其特征在于，Fusionblock模块包括1个1x1卷积、两个CBS模块和一个Fusion_attention模块；Fusion_attention模块由两个平
5.根据权利要求1所述的基于改进YOLOV8的无序零件检测方法，其特征在于，还包括：在neck网络输出特征图中引入Soft-nms损失函数，得到旋转检测框。
6.根据权利要求1所述的基于改进YOLOV8的无序零件检测方法，其特征在于，利用Precision、Recal1和mAP指标对改进YOLOV8网络进行验证。
7.根据权利要求1所述的基于改进YOLOV8的无序零件检测方法，其特征在于，无序零件包括：圆形螺母、六角螺母、轴承、圆柱头螺丝、黑色外六角螺丝M10和黑色外六角螺丝M16。
8.改进YOLOV8的无序零件检测系统，其特征在于，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现如权利要求1-7任一项所述的改进YOLOV8的无序零件检测方法。
9.存储有计算机程序代码的计算机可读介质，其特征在于，计算机程序代码在由处理器执行时实现如权利要求1-7任一项所述的改进YOLOV8的无序零件检测方法。
...【技术特征摘要】
1.基于改进yolov8的无序零件检测方法，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yolov8的无序零件检测方法，其特征在于，adownconv卷积模块包括一个avgpool2d、一个maxpool2d、两个cbs模块；输入特征先进行avgpool2d再经过chunk分为两个特征，将两个特征分别通过3x3的cbs模块和maxpool2d、1x1的cbs模块后再进行concat操作。
3.根据权利要求1所述的基于改进yolov8的无序零件检测方法，其特征在于，c2f_gs模块包括两个cbs模块和若干gs模块，输入特征经过1x1的cbs模块后进行split拆分为两个特征，其中一个特征经过每一操作层后进行短接，另一个特征经过n个gs模块得到两个输出特征，两个输出特征进行concat操作和1x1的cbs模块。
4.根据权利要求1所述的基于改进yolov8的无序零件检测方法，其特征在于，fusionblock模块包括1个1x1卷积、两个cbs模块和一个fusion_attention模块；fusion_attention模块由两个平均池化、三个1x1conv2d和一个cbs模块构成；两个输入特征分别输入fusion_attention模块的两个平均池化，其中一个平均池化的输出经1x1 conv2d与另一个平均池化...
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。