机器人卫浴洁具综合检测程序运行演示

机器人卫浴洁具检测程序运行演示课程框架课程引入模型获取和导入施加载荷与约束模型简化与拆分实践训练交流讨论实践训练评价反馈课程总结，布置作业激学导思讲授新知教学巩固教学提升教学延伸课程总结及5S整理5分钟15分钟15分钟30分钟15分钟10分钟课程引入代码分析代码演示一二三目录能力目标（1）能够对物体检测有基础的认识；（2）能够完成对卫浴洁具的检测。知识目标（1）了解物体检测的原理；素质目标（1）具有严谨求实精神；（2）具有自主学习的能力；（3）具备5S职业素养。课程目标一课程引入物体识别是机器智能的基本功能之一，它是任何一个以图像或视频作为输入的实际应用系统中的核心问题和关键技术。这类系统的性能和应用前景都依赖于其中物体的知识表示和分类识别所能达到的水平。物体识别技术无论是在军事还是在民用中都有着广泛需求和应用。如智能视频监控、视觉导航、人机交互、计算机取证、各类身份识别和认证系统、数字图书馆和Internet中的在海量图像库和视频中的基于内容的检索、编码与压缩等等。本案例利用yolo-v3对卫浴洁具进行了物体识别二代码分析初始化参数YOLOv3算法的预测结果就是边界框。每一个边界框都旁随着一个置信值。第一阶段中，全部低于置信度阀值的都会排除掉。对剩余的边界框执行非最大抑制算法，以去除重叠的边界框。非最大抑制由一个参数nmsThrehold控制。读者可以尝试改变这个数值，观察输出的边界框的改变。接下来，设置输入图片的宽度（inpWidth）和高度（inpHeight）。我们设置他们为320。如果想要更快的速度，读者可以把宽度和高度设置为320。如果想要更准确的结果，改变他们到608。二代码分析读取模型和类别文件s包含了训练好的模型能识别的所有目标名字。我们读出各个类别的名字。接着，我们读取了网络，其包含两个部分：yolov3.weights:预训练得到的权重。yolov3.cfg：配置文件我们把DNN的后端设置为OpenCV，目标设置为CPU。可以通过使cv.dnn.DNN_TARGET_OPENCL置为GPU，尝试设定偏好的运行目标为GPU。但是要记住当前的OpenCV版本只在Intel的GPU上测试，如果没有Intel的GPU则程序会自动设置为CPU。二代码分析读取输入这一步我们读取图像，视频流或者网络摄像头。另外，我们也使用Videowriter（OpenCV里的一个类）以视频方式保存带有输出边界框的每一帧图片。二代码分析处理每一帧读取了输入图片或者视频流的一帧图像后，这帧图像需要经过bolbFromImage()函数处理为神经网络的输入类型bolb。在这个过程中，图像像素以一个1/255的比例因子，被缩放到0到1之间。同时，图像在不裁剪的情况下，大小调整到320x320。注意我们没有降低图像平均值，因此传递[0,0,0]到函数的平均值输入，保持swapRB参数到默认值1。二代码分析得到输出层的名字OpenCV的网络类中的前向功能需要结束层，直到它在网络中运行。因为我们需要运行整个网络，所以我们需要识别网络中的最后一层。我们通过使用getUnconnectedOutLayers()获得未连接的输出层的名字，该层基本就是网络的最后层。然后我们运行前向网络，得到输出，如前面的代码片段（net.forward(getOutputsNames(net))）。二代码分析后处理网络输出网络输出的每个边界框都分别由一个包含着类别名字和5个元素的向量表示。头四个元素代表center_x,center_y,width和height。第五个元素表示包含着目标的边界框的置信度。其余的元素是和每个类别（如目标种类）有关的置信度。边界框分配给最高分数对应的那一种类。一个边界框的最高分数也叫做它的置信度（confidence）。如果边界框的置信度低于规定的阀值，算法上不再处理这个边界框。置信度大于或等于置信度阀值的边界框，将进行非最大抑制。这会减少重叠的边界框数目。二代码