[发明专利]一种基于卷积神经网络对图像中的铅笔进行精确计数的方法

说明书

本发明公开了一种基于卷积神经网络对图像中的铅笔进行精确计数的方法，该方法首先搭建YOLO神经网络模型；对生产线上俯拍采集的多种不同类型的铅笔图片进行预处理，作为训练数据；通过对YOLO神经网络进行训练，得到网络的权重和偏置；将待计数的铅笔图像作为神经网络模型的输入，获得出铅笔的精确数目。铅笔形状有六边形和圆形，笔芯形状有圆形和三角形，笔芯颜色有红色、绿色、蓝色、黄色、黑色等多种。由于笔芯裸露在外，笔芯形状和铅笔形状相似，因此传统图像处理方法，包括二值化处理后进行形态学操作等不适用于这种类型的铅笔。通过深度学习的方法，构建YOLO神经网络模型可以对这种类型的铅笔进行精确计数，准确率可大大提升。

技术领域

本发明属于批量物品制造领域，尤其涉及一种基于卷积神经网络对图像中的铅笔进行精确计数的方法。

背景技术

铅笔是是一种用来书写以及绘画素描专用的笔类，历史悠久。铅笔制造行业在当今制造业高度发达的时代也已屡见不鲜。针对市场需要，很多铅笔制造厂可以生产出不同外观、颜色、用途以及型号的铅笔，并且生产量巨大，高达上千万甚至数亿。经过机器生产的铅笔外观上完全相同，由于生产的数量级巨大，精确统计生产的铅笔数目成为生产厂家的一大困难。单一的利用传送带计数不够精确，依赖人工进行铅笔计数又十分耗费精力，并且效率极低。同时，由于铅笔的类型众多，不同类型的铅笔外观也大大不同，传统的图像处理方法针对某一类别的铅笔可能效果很好，但是无法做到通用。而精确、高效的统计出产品的数目对厂家十分重要，是厂家做出适合发展和销售的合理预测和规划的重要数据支持。

发明内容

发明目的：针对上述现有方法存在的问题和不足，本发明旨在提供一种基于卷积神经网络对图像中的铅笔进行精确计数的方法，通过该方法可以利用卷积神经网络模型实现对多种不同类型的铅笔进行计数，同时提高计数的精度和速度。

技术方案：为实现本发明的目的，本发明所采用的技术方案如下：一种基于卷积神经网络对图像中的铅笔进行精确计数的方法，该方法包括以下步骤：

(1)搭建YOLO神经网络模型；

(2)对生产线上俯拍采集获得的铅笔图片进行预处理；

(3)对神经网络结构参数进行设定和训练参数初始化；

(4)将多种不同类型的铅笔图像作为一类数据进行数据增强；

(5)对获取的铅笔图像进行数据训练，得到网络权重和偏置；

(6)将待计数的铅笔图像输入神经网络模型，得到铅笔的精确数目。

其中，在步骤(1)中，所述搭建YOLO神经网络模型的结构如下：

第一层为卷积层，首先进行批量归一化，经过卷积核提取特征后，输出依次经过Leaky Relu函数、2×2最大池化层；

第二层为卷积层，首先进行批量归一化，经过卷积核提取特征后，输出依次经过Leaky Relu函数、2×2最大池化层；

第三层为卷积层，首先进行批量归一化，经过卷积核提取特征后，输出依次经过Leaky Relu函数、2×2最大池化层；

第四层为卷积层，首先进行批量归一化，经过卷积核提取特征后，输出依次经过Leaky Relu函数、2×2最大池化层；

第五层为卷积层，首先进行批量归一化，经过卷积核提取特征后，输出依次经过Leaky Relu函数、2×2最大池化层；

第六层为卷积层，首先进行批量归一化，经过卷积核提取特征后，输出依次经过Leaky Relu函数、2×2最大池化层；

第七层为卷积层，首先进行批量归一化，经过卷积核提取特征后，输出经过LeakyRelu函数；