[发明专利]一种基于迁移学习的饮料瓶回收视觉检测方法

说明书

本发明涉及针对饮料瓶回收视觉检测领域，特别是涉及一种基于迁移学习的饮料瓶回收视觉检测方法，该方法包括如下步骤：将不同的饮料瓶放入饮料瓶回收机的投瓶口，传送带装置将饮料瓶传至内部，饮料瓶回收机顶部的摄像头采集饮料瓶图像数据；使用图像标注软件对上述的饮料瓶的图像数据进行人工标注；对上述的饮料瓶的图像数据进行预处理；对上述的饮料瓶的图像进行数据增强处理；定义训练和验证所用的数据集；迁移学习模型构建及训练，加载预训练目标检测模型，使用饮料瓶的图像数据进行迁移学习微调阶段参数学习；模型效果评估，评估目标检测模型的均值平均精度值；模型导出和部署，导出和部署饮料瓶回收视觉检测的CPU和NPU模型。

技术领域

本发明涉及针对饮料瓶回收视觉检测领域，特别是涉及一种基于迁移学习的饮料瓶回收视觉检测方法。

背景技术

饮料瓶回收视觉检测是回收饮料瓶装置的核心，目前市场上的回收饮料瓶装置使用扫瓶子条形码识别方式或通过识别瓶子形状的方式，很难识别压扁或非饮料瓶的情况。基于传统神经网络的方法进行识别存在需要大量人工标注的训练样本数据，需要大量算力和时间进行训练，存在检测精度低、实时性较差和目标漏检等问题。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供本发明针对目前技术发展的需求和不足之处，提供一种基于迁移学习的饮料瓶回收视觉检测方法，解决了

本发明是通过以下技术方案实现的：

一种基于迁移学习的饮料瓶回收视觉检测方法，其特征在于，该方法的实现过程包括：

S01、将不同的饮料瓶放入饮料瓶回收机的投瓶口，传送带装置将饮料瓶传至内部，饮料瓶回收机顶部的摄像头采集饮料瓶图像数据；

S02、使用图像标注软件对上述的饮料瓶的图像数据进行人工标注；

S03、对上述的饮料瓶的图像数据进行预处理；

S04、对上述的饮料瓶的图像进行数据增强处理；

S05、定义训练和验证所用的数据集；

S06、迁移学习模型构建及训练，加载预训练目标检测模型，使用饮料瓶的图像数据进行迁移学习微调阶段参数学习；

S07、模型效果评估，评估目标检测模型的均值平均精度值(mAP)；

S08、模型导出和部署，导出和部署饮料瓶回收视觉检测的CPU和NPU模型。

其中，所述步骤S01中饮料瓶回收顶部摄像头可以是一个或多个CCD摄像头，也可以是一个或多个CMOS摄像头。

其中，所述步骤S02人工标注饮料瓶数据集可以是COCO格式，也可以是VOC格式。

其中，所述步骤S03中，对饮料瓶图像数据通过程序自动完成预处理，预处理包括调整色调、对比度，图像大小。

其中，所述步骤S04中，图像数据增强处理包括对图像进行旋转、随机平移、图像翻转、改变色调和饱和度、对比度增强、随机裁剪图像、随机扩张图像或图像标准化操作中的一项或多项。

其中，所述步骤S05中，定义训练和验证所用的数据集使用随机采样的方式分割，将数据划分训练集、验证集和测试集，训练集、验证集和测试集的比例为6:2:2。

其中，所述步骤S06中，加载预训练目标检测模型包括ResNet、Yolo、VGG、MobileNet、LeNet、CNN中一项或多项。

其中，所述步骤S07中，评估模型效果使用评估目标检测模型的均值平均精度值。

其中，所述步骤S08中，训练好的模型包括可在手机APP部署或Linux平台上部署的CPU和NPU视觉检测模型。