一种基于改进的YOLOv5n的商品种类识别方法技术

本发明专利技术公开了一种基于改进YOLOv5n模型的商品种类识别方法，属于深度学习中的目标识别技术领域。其技术方案如下：步骤S1：采集目标图像样本数据，并对各商品图片进行类别标注。步骤S2：对YOLOv5n模型进行改进。首先，在YOLOv5n的特征融合网络中增加一个新的特征提取层。其次，引入EMA注意力机制模块，减少无效特征的干扰。这些改进共同提升了YOLOv5n模型在商品种类识别任务中的性能。步骤S3：采用数据增强技术，将增强后的目标图像数据集输入改进后的YOLOv5n模型进行迭代训练，获得训练好的改进YOLOv5n模型。步骤S4：进行商品类别检测，最终获得识别结果。改进后的特征提取层和EMAS注意力机制，使模型在相同的测试图像中能够更加准确地捕捉目标的识别特征，取得更优的识别效果。

【技术实现步骤摘要】

本专利技术涉及深度学习目标识别，尤其涉及一种基于改进的yolov5n的商品种类识别方法。

技术介绍

1、随着科技的不断发展，如今拍照识别物品、自助售货机以及无人超市逐渐走进我们的生活。类似自助售货机相关产品，在售卖商品时检测结果出错或者直接没有识别出商品，将会出现非常大问题，因此在进行识别时对商品检测的准确度必须是以高标准进行评判。以往对于商品的检测都是人工进行，但是这样会损耗大量的人力物力，如今基于深度学习卷积神经网络的图像识别被广泛的应用，并且在各个领域都发挥着极其重要的作用，所以现在也使用它来进行商品的识别。其中，目标检测算法分为端到端检测算法和非端到端加测算法，端到端的检测速度比非端到端的快，但是检测精度没有非端到端的高。yolov5n是一种端到端的可实时目标检测方法，yolov5n能进行实时的检测任务，它将单个卷积神经网络应用于整个图像，将图像分成网格，并预测每个网格的类概率和边界框，最终得到检测目标的类别概率信息和位置信息。但是yolov5n对于同种类别的商品识别精度较差，因此还需要和其它的识别方法来配合使用，例如：双线性卷积神经网络等细粒度识本文档来自技高网...

【技术保护点】

1.一种基于改进YOLOv5n目标检测的商品状态识别方法，其特征在于，包括：

2.根据权利要求1所述的一种基于改进YOLOv5n目标检测的商品状态识别方法，其特征在于，所述在步骤S1中，采集目标图像样本数据包括：从Fruit Detection Dataset获得相应的数据集，使用Sign in to Roboflow制作包含不同特征的图像样本数据。

3.根据权利要求1所述的一种基于改进YOLOv5n目标检测的商品状态识别方法，其特征在于，所述在步骤S2中，对目标检测算法YOLOv5n进行改进具体包括：在原始YOLOv5n模型的基础上，在SPPF网络和Neck网络...

【技术特征摘要】

1.一种基于改进yolov5n目标检测的商品状态识别方法，其特征在于，包括：

2.根据权利要求1所述的一种基于改进yolov5n目标检测的商品状态识别方法，其特征在于，所述在步骤s1中，采集目标图像样本数据包括：从fruit detection dataset获得相应的数据集，使用sign in to roboflow制作包含不同特征的图像样本数据。

3.根据权利要求1所述的一种基于改进yolov5n目标检测的商品状态识别方法，其特征在于，所述在步骤s2中，对目标检测算法yolov5n进行改进具体包括：在原始yolov5n模型的基础上，在sppf网络和neck网络中，新增跳转连接操作和ema注意力机制模块...

【专利技术属性】
技术研发人员：朴燕，马玉玺，沈雪婷，许振齐，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：