[发明专利]一种基于YOLOv3的传送带托辊检测方法

权利要求书

1.一种基于YOLOv3的传送带托辊检测方法，其特征在于：包括以下步骤：

S1、在不同环境下采集皮带托辊图片，制作初始样本数据集；

S2、对步骤S1得到的初始样本数据集中的图片数据进行预处理及数据增强，得到最终样本数据集；

S3、对步骤S2得到的最终样本数据集进行标注，并划分为训练集、测试集和验证集；

S4、构建YOLOv3-mobilenet目标检测模型；

S5、将步骤S4得到的YOLOv3-mobilenet目标检测模型中的作为定位损失的边框损失和中心点损失改为GIOU损失，得到改进YOLOv3-Mobilenet目标检测模型；

S6、在训练集上训练改进YOLOv3-mobilenet目标检测模型，并在测试集上测试改进YOLOv3-mobilenet算法性能；

S7、将步骤S6得到的改进YOLOv3-mobilenet目标检测模型在测试集上的性能测试结果与YOLOv3-mobilenet、YOLOv3、SSD进行比较，得到性能比较结果。

2.根据权利要求1所述的一种基于YOLOv3的传送带托辊检测方法，其特征在于：步骤S1具体包括：

S11、通过在皮带两侧不同位置安装摄像头，实时拍摄皮带转动情况下托辊的图片信息，获得托辊视频；

S12、将S11获取到的托辊视频进行分帧处理，提取每一帧的图像，得到不同时间段的托辊图像序列集；

S13、筛选S12得到的序列集，选取不同光照、不同时间段、不同天气环境下的托辊图像序列集，得到初始样本数据集。

3.根据权利要求1所述的一种基于YOLOv3的传送带托辊检测方法，其特征在于：步骤S2具体包括：对步骤S1得到的初始样本数据集进行处理操作，扩充数据集，进而得到最终样本数据集；所述处理操作包括但不限于平移、旋转、调整饱和度和增加噪声。

4.根据权利要求1所述的一种基于YOLOv3的传送带托辊检测方法，其特征在于：步骤S3具体包括：利用Labelimg标注软件对最终样本数据集进行标注，共两个类别，分别是uproller和bufferroller，并制成VOC2007标准数据集的格式，然后利用voc_annotation.py文件程序划分训练数据、评估数据和测试数据。

5.根据权利要求1所述的一种基于YOLOv3的传送带托辊检测方法，其特征在于：步骤S4具体包括：构建轻量化Mobilenet网络代替原有的darknet53进行特征提取，由keras/tensorflow深度学习框架构建YOLOv3-mobilenet目标检测模型。

6.根据权利要求1所述的一种基于YOLOv3的传送带托辊检测方法，其特征在于：步骤S5具体包括：利用Kmeans聚类算法对训练集中手工标记的目标框进行聚类，得到聚类的初始anchor，训练过程中，更改定位损失的边框损失和中心点损失为GIOU损失，得到改进YOLOv3-Mobilenet目标检测模型。

7.根据权利要求1所述的一种基于YOLOv3的传送带托辊检测方法，其特征在于：步骤S6具体包括：

S61、采取mobilenet在Image数据集上的预训练权重文件，在训练集上训练模型并保存最终训练权重；

S62、训练结束后，将测试集输入到经S61训练好的网络模型中，经过卷积层、池化层、mobilenet网络结构及上采样层，得到多尺度特征图;

S63、将特征图中的预测结果分别与真实框计算IOU值，然后与IOU阈值进行对比，筛选出大于IOU阈值的预测框；

S64、将步骤S63得到的结果通过NMS处理去除冗余检测框后，挑选IOU阈值最大的预测框作为最终识别结果。

8.根据权利要求1所述的一种基于YOLOv3的传送带托辊检测方法，其特征在于：步骤S7包括：通过与YOLOv3、YOLOv3-mobilenet、SSD对比，在自制传送带托辊数据集和官方VOC2007公共数据集上进行训练并对比预测，从精度和速度验证有效性。