[发明专利]一种基于改进YOLOv3的散装小包装中药袋检测方法

权利要求书

1.一种基于改进YOLOv3的散装小包装中药袋检测方法，其特征在于：包括如下步骤：

S1：采集包含散装小包装中药袋的图像数据，使用labelImage工具对所有图像进行标注，即在每个图像上采用矩形框标注散装小包装，将所有标注后的图像依据VOC2012数据集格式制作得到训练集；

S2：构建改进的YOLOv3网络模型，包括如下三个部分的改进：

S21：对原始YOLOv3网络模型中的backbone进行改进得到初步改进的YOLOv3网络模型，具体如下：

对原始YOLOv3网络模型中的backbone进行剪枝处理，将原本的1-2-8-8-4残差结构调整为1-2-3稀疏残差结构，并设置各个稀疏残差结构的长度因子；同时限制每个卷积层的卷积核个数不超过32个；

构建一条包含3个卷积层的卷积支路，将第一个卷积层的输出作为卷积支路的输入，并将卷积支路各层的输出按顺序分别与backbone的3个下采样层的输出进行拼接；

构建一条包含2个池化层的池化支路，将第1个残差结构的输出经过第1池化层处理与第2个残差结构的输出进行拼接，作为第3个下采样层和第2池化层的输入；将第2池化层的输出与第3个残差结构的输出进行拼接，作为检测头的输入；

S22：构建改进的YOLOv3网络模型检测头部分，将原版YOLOv3检测头的大、中、小三个尺度目标检测改为单个大尺度目标检测得到二次改进的YOLOv3网络模型；

S23：对S22得到的二次改进的YOLOv3网络模型进行损失函数和后处理模块的改进得到最终改进的YOLOv3网络模型；

S3：对S23得到的最终改进的YOLOv3网络模型进行训练：

S31：采用K-means聚类算法对训练集中的标注散装小包装中药袋的矩形框对应的高和宽进行聚类，获得需要的锚框尺寸；

S32：利用训练集中的数据，采用神经网络进行梯度反向传播的方法对最终改进的YOLOv3网络模型训练；

S4：将待检测图像的尺寸调整为128*128分辨率，再将训练好的最终改进的YOLOv3网络模型载入到嵌入式设备中，向训练好的最终改进的YOLOv3网络模型输入待检测图像，训练好的最终改进的YOLOv3网络模型将检测到的散装小包装中药袋目标用外接矩形标记并显示。

2.如权利要求1所述的基于改进YOLOv3的散装小包装中药袋检测方法，其特征在于：所述S2中将原本的残差结构调整为稀疏残差结构的具体步骤如下

当l＝2时：所述l表示长度因子，即稀疏残差单元中输入层的个数；

y₂＝y₀+f₁(y₀)+f₂(f₁(y₀))

其中y₀为稀疏残差模块的输入，f₁(y₀)和f₂(f₁(y₀))为该稀疏残差模块中卷积层输出特征图，y₂为该稀疏残差模块的输出；

当l＝3时：

y₃＝y₀+f₁(y₀)+f₂(f₁(y₀))+f₃(f₂(f₁(y₀)))

其中y₀为稀疏残差模块的输入，f₁(y₀)和f₂(f₁(y₀))、f₃(f₂(f₁(y₀)))为该稀疏残差模块中卷积层输出特征图，y₃为该稀疏残差模块的输出。

3.如权利要求2所述的基于改进YOLOv3的散装小包装中药袋检测方法，其特征在于：所述S22得到最终改进的YOLOv3网络模型的改进过程为：将S2得到的改进的YOLOv3网络模型的损失函数调整为CIoU损失函数，将后处理模块中NMS类型调整为DIoU-NMS。