[发明专利]一种基于改进YOLOv5的工业清点方法

说明书

一种基于改进YOLOv5的工业清点方法，构建检测网络对工业清点中的旋转目标进行检测，得到目标矩形检测框，并计数实现工业清点；所述检测网络基于YOLOv5网络改进，在YOLOv5网络的预测阶段，对预测目标信息增加角度参数并引入旋转矩形交并比RIOU评估旋转目标的置信度，对预测目标信息使用多任务损失进行训练，包括环形平滑标签角度分类Loss、矩形框回归Loss、目标分类Loss和旋转置信度Loss，最后根据旋转非极大值抑制得到最终的目标矩形检测框输出。本发明精确的描述目标位置，从而避免因为重叠或目标密度过大导致的误漏检问题，相对于其他旋转目标检测方法，本发明对检测网络进行综合训练，更加高效、准确。

技术领域

本发明属于计算机图像处理技术领域，设计工业图像检测，为一种基于改进YOLOv5的工业清点方法。

背景技术

工业清点在很多工业生产中是必不可少的步骤，重要性不亚于缺陷检测。例如，对于奶粉罐以及蛋白粉罐这种内附塑料调羹的产品，如果未进行放置调羹，那么顾客收到产品后就会影响使用体验、无法度量饮用剂量，进而影响品牌信誉；如果放置多个，则会增加生产耗材，成本升高。另外，对于盒装或箱装内固定个数产品的场景，也需要进行清点技术，保证数量准确送至货架。另外还有对于散装物品的清点，例如槟榔、图钉等。

目前现有技术大致分为人工、称重、目标检测等方法。其中人工方法是仅凭肉眼检测数目是否正确，称重则通过产品质量来推断产品数目。目标检测方法是通过计数推理出的图像内目标矩形数目，来达到计数的目的。旋转目标检测方法则是输出更准确、带有方向信息的矩形框，是普通目标检测的改进。

人工方法极易出现疲劳导致的计数错误，而且不适用于视野内数目较多的场景，无论是效率还是成本都没有竞争力；称重法并不适用于很多小质量产品，容易出现较大误差；目标检测方法目前应用广泛，其中以输出无方向的矩形居多，对于复杂重叠场景应对效果并不好；现存的旋转目标检测方法进行工业清点并不成熟，精度还是效率难以兼顾。

发明内容

本发明要解决的问题是：工业清点中，人工费时费力效率和精度都无法保证，自动化目标检测对于旋转目标等复杂检测场景的适应性不好，检测精度和效率无法满足需求。

本发明的技术方案为：一种基于改进YOLOv5的工业清点方法，构建检测网络对工业清点中的旋转目标进行检测，得到目标矩形检测框，并对检测框进行计数，实现工业清点；所述检测网络为基于YOLOv5网络的改进，检测网络输入阶段使用Focus结构，分片处理输入的图像数据，Backbone结构部分使用CSPNet结构，Neck阶段使用FPN+PAN结构，在YOLOv5网络的Prediction预测阶段，对预测目标信息增加角度参数，即增加角度信息分类，并引入旋转矩形交并比RIOU评估旋转目标的置信度，检测网络在训练阶段对预测目标信息使用多任务损失Loss进行训练，包括环形平滑标签角度分类Loss、矩形框回归Loss、目标分类Loss和旋转置信度Loss，最后根据旋转非极大值抑制得到最终的目标矩形检测框输出，在实际工业清点的检测阶段，预测目标信息经过旋转非极大值抑制处理后，输出目标数目信息。

进一步的，旋转非极大值抑制具体为：

(1)按类别对检测图片中得到的所有预测框P₁,P₂,P₃,...,P_n划分集合，表示为S₁,S₂,S₃,...,S_m；

(2)对m个集合分别计算旋转置信度，得分降序排列，得到L_m序列；

(3)在L_m中取出得分最高的位置对应的预测框P_i，与同序列中其他的预测框做RIOU计算，如果大于预设阈值，则剔除，如果小于则保留；

(4)在剩余预测框中找到得分最高的位置，重复步骤(3)，直到序列中所有预测框均被遍历。