[发明专利]一种基于改进YOLOv3的散装小包装中药袋检测方法

说明书

本发明涉及一种基于改进YOLOv3的散装小包装中药袋检测方法，该方法包括S1采集包含散装小包装中药袋的图像数据，依据VOC2012数据集格式制作得到训练集，S2对原始YOLOv3网络模型的检测头和backbone进行改进，S3对改进的YOLOv3网络模型进行训练，S4向训练好的最终改进的YOLOv3网络模型输入待检测图像，输出散装小包装中药袋用矩形框标记并显示。本发明对传统YOLOv3算法进行轻量化改进，在保证其精度和实时性的同时，将模型大小减小到285KB，具有较高的实用性。

技术领域

本发明涉及计算机视觉领域，尤其涉及一种基于改进YOLOv3的散装小包装中药袋检测方法。

背景技术

近年来，计算机科学技术发展迅猛，计算机处理能力和算法不断取得突破，自动驾驶、工业质检和智能安防等应用不断商业化，这些技术中都离不开目标检测，目标检测通过识别待测物体特征为用户提供各种服务和技术支持。目标检测技术在这些应用场景发挥着无可替代的作用，越来越多的科研人员也都聚焦于该领域。

中医在我国有着悠久的历史，是我国的三大国粹之一，中药作为祖国医学的宝贵财富也一直受到广大患者的欢迎。随着时代的发展和科学技术的不断进步，传统的中药饮片向新型现代中药饮片进行变革，小包装中药饮片应运而生。小包装中药具有保持性状、剂量准确、易于复核、洁净卫生、调剂方便、提高效率等诸多优势，近十几年来已在医疗机构中得到广泛应用，反响热烈，有极其广阔的发展前景。但由于如何在实际应用场景中准确快速的对小包装中药袋进行检测仍是一个难题，多数药房仍采用传统的人工方式对其进行调剂。

现有技术中，传统的目标检测算法由于其自身特性在小包装中药袋的检测精度上很难达到要求，而基于深度学习的目标检测算法检测精度良好，但对于小包装中药袋检测这种检测精度和实时性要求都极高的场景，则需要进行针对性的优化改进。

发明内容

针对现有技术存在的上述问题，本发明要解决的技术问题是：现有目标检测算法在应对散装小包装中药袋检测场景下的参数冗余和检测精度低的问题。

为解决上述技术问题，本发明采用如下技术方案：一种基于改进YOLOv3的散装小包装中药袋检测方法，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：