[发明专利]一种基于改进YOLOv5目标检测的商品状态识别方法

说明书

本发明公开了一种基于改进YOLOv5目标检测的商品状态识别方法包括：步骤S10：采集目标图像样本数据；步骤S20：对目标检测算法YOLOv5进行改进；步骤S30：在YOLOv5特征融合网络中添加一个新的特征提取层，改进损失函数；步骤S40：将通过Mosaic数据增强后的目标图样数据集送入YOLOv5网络中进行迭代训练；步骤S50：将目标图片送入至训练后得到的最佳模型中，检测目标类别及位置，最终得到识别结果。本发明通过通过设计跳转连接操作向深层网络传递清晰目标特征，引入卷积注意力机制模块，使得模型更加关注对识别有关的分类特征，解决了无效特征影响识别精度的问题，在相同的测试图像中可以更加准确地捕捉到目标的识别特征，并在不增加训练成本的前提下取得更好的识别效果。

技术领域

本发明涉及目标检测技术领域，特别涉及一种基于改进YOLOv5目标检测的商品状态识别方法。

背景技术

随着人工智能迅速发展，随着深度学习的蓬勃发展，目标检测等计算机视觉技术已经广泛应用到了各行各业并发挥了重要作用。以YOLO为代表的目标检测技术兼备目标分割与识别能力，同时在准确性和实时性方面也表现出了极高的性能。尤其是在复杂场景中，需要对不同目标进行实时处理时，目标自动提取和识别就显得尤为重要。

YOLOv5是YOLO系列的最新目标检测算法，相较于前几个版本的算法在在检测平均精度方面均有所提升，具有均值权重文件更小，训练时间和推理速度更短的特点。当前，以YOLO系列为代表的目标检测算法已经广泛应用到了人脸识别、交通流量监控、工业零件检测等生产生活场景。但是，市面上针对水果蔬菜、保健食品、烘焙类食品等日常零售行业的应用还比较缺乏，现有的YOLOv5目标检测的商品状态识别方法，存在以下缺点：

1)、不同应用场景下的高质量商品数据集欠缺，同时，为训练出指标较好的模型，需要耗费大量时间精力进行数据集标注；

2)、现有的识别方法在不同应用场景下对于商品识别存在特征提取困难的问题，且对于实时性要求较高；

3)、在物联网小型设备上，如何在较少的代码和有限的带宽等受限环境下实现各功能模块间实时可靠的消息服务。

发明内容

针对现有技术存在的问题，本发明提供了一种基于改进YOLOv5目标检测的商品状态识别方法。

为实现上述目的，本发明提供如下技术方案：

一种基于改进YOLOv5目标检测的商品状态识别方法，包括：

步骤S10：采集目标图像样本数据，将采集到的目标图样数据集使用Mosaic数据增强，即采用多张图片随机裁剪、随机排列、随机缩放，然后组合成一张图片，得到待识别数据集；

步骤S20：对目标检测算法YOLOv5进行改进，获得改进的YOLOv5目标检测算法；

步骤S30：在YOLOv5特征融合网络中添加一个新的特征提取层，并调整YOLOv5网络的目标框回归公式，改进损失函数；

步骤S40：将通过Mosaic数据增强后的目标图样数据集送入YOLOv5网络中进行迭代训练，并使用余弦退火算法对学习率进行调整；

步骤S50：训练完成后，将目标图片送入至训练后得到的最佳模型中，检测目标类别及位置，最终得到识别结果。

优选地，所述在步骤S10中，采集目标图像样本数据包括：通过远程控制系统操控摄像头进行旋转，实现分时采集，获得包含不同特征的图像样本数据。

优选地，所述在步骤S20中，对目标检测算法YOLOv5进行改进具体包括：在原始YOLOv5模型的基础上，在Backbone骨干网络和Neck网络中，新增跳转连接操作和卷积注意力机制模块，并进行加权特征融合。