[发明专利]一种基于YOLO v2-tiny的医用创可贴瑕疵检测方法

说明书

本发明公开了一种基于YOLO v2‑tiny的医用创可贴瑕疵检测方法，步骤包括：用摄像头采集创可贴图像数据，制作VOC格式数据集；用制作完成的数据集训练YOLO v2‑tiny模型至损失函数降为0.1～0.2之间并保存权重模型；运用训练完成的YOLO v2‑tiny模型回归出创可贴图像具体坐标位置并根据坐标裁剪出目标创可贴；取裁剪后创可贴中心处10*10～30*30之间像素大小，利用单通道颜色算法将裁剪后的目标与同等大小的白色区域计算相似度，相似度计算公式采用欧氏距离；根据环境设定一个阈值，阈值取值范围为3500～5000，如若欧氏距离计算结果大于该值则无药芯，小于等于该值设为带有药芯。本发明能有效地解决目前生产线上医用创可贴耗费大量人力财力的问题且瑕疵检测效率可达到40次/分。

技术领域

本发明属于图像识别领域，具体涉及一种基于YOLO v2-tiny的医用创可贴瑕疵检测方法。

背景技术

机器换人是推动产业升级的重要举措，目标瑕疵检测是提高工业效率的重要手段之一。用机器代替人实施分拣同时机器具有识别分类某一样目标的能力将大大提高产业效率。

在医用创可贴行业中，创可贴的瑕疵检测占有重要的地位，提高医用创可贴瑕疵检测的精度和效率将大大提高企业的生产效率。医用创可贴瑕疵检测主要是检测是否带有药芯。目前，瑕疵检测的方式主要是靠人工肉眼检测，此方法需要耗费大量的人力和财力同时人的视觉会有一定地疲劳，因此会出现一定的漏检。

发明内容

本发明实施例的目的在于提供一种基于YOLO v2-tiny的医用创可贴瑕疵检测方法，目标识别网络结合OpenCV颜色匹配算法能够有效地提高瑕疵检测的精度和效率同时有效地解决上述人工检测的不足。

本发明实施例是这样实现的，一种基于YOLO v2-tiny的医用创可贴瑕疵检测方法包括以下步骤：

步骤一：用摄像头采集创可贴图像数据，制作VOC格式数据集；

进一步，在步骤一中的用摄像头采集创可贴图像数据，制作VOC格式数据集，VOC格式数据集共有三个文件夹分别是train文件夹用于存放所有训练和验证的图片、Annotation文件夹存放对应图片的xml，xml由labeImg标注软件生成、ImageSets文件夹又细分了Layout，Main，Segmentation三个子文件夹，将训练图片的名称制成txt文件放于Main文件夹下。

步骤二：用制作完成的数据集训练YOLO v2-tiny模型至损失函数降为O.1～0.2之间并保存权重模型；

进一步，在步骤二中的训练YOLO v2-tiny模型至损失函数降为0.1～0.2之间，其中的训练损失函数为其中λ_coord代表坐标误差权值，λ_noobj代表分类误差权值，S*S代表将图片分成S*S个栅格，B代表每个grid中bounding box的个数，判断第i个栅格和第j个bounding box是否负责这个object，判断是否有object的中心落入栅格中，x_i，y_i代表第i个栅格的bounding box的中心坐标，w_i，h_i代表第i个栅格的bounding box的宽和高，分别代表第i个栅格的真实目标框的中心中心点坐标、宽度、长度、目标类别和置信度，C_i代表模型预测第i个栅格的类别，p_i代表模型预测第i个栅格目标物体的置信度。

进一步，在步骤二中的训练YOLO v2-tiny模型至损失函数降为0.1～0.2之间，学习率learning rate取值为0.001～0.1，动量参数Momentum为0.9～1，decay取值为0.0005～0.001，将训练进行至损失函数降为0.1～0.2之间且损失函数变化值小于0.02。

步骤三：运用训练完成的YOLO v2-tiny模型回归出创可贴图像具体坐标位置并根据坐标裁剪出目标创可贴；