CN114266884B 旋转框定位多形态瓶状物品分拣目标检测方法 （浙江工业大学）

旋转框定位多形态瓶状物品分拣目标检测旋转框定位多形态瓶状物品分拣目标检测旋转框定位的目标检测模型进行训练；4、MR2-2模拟实际分拣情况以及多种随机性状况，并搜集同类物品多种形态结改进所述旋转框定位的目标检测算法模型结构：基于YOLOv5转框精准定位网络YOLOv5的C3模块的模型改进方法，解决垃圾分拣场景下同材质物品结将目标物角度预测视为分类问题，设计符合垃圾分拣物理场景的环形平滑标签CSL来yy及类别损失计算方法，采用二分类交叉熵损失函数BCEWithLogitsLoss对于角度损失进行n个样本为第iyn,i表示第n个样本在CSL(x)表达式下第i个角3n个样本的各个角度预测值与真实值依次带入k表示输入数据维度；多头注意力机制具有更高的运算效率，且从不同的特征空间中学习自适应注意力分4将平均精度均值mAP作为模型的评价指标，以及模型参数量和计算量作为模型轻量化据集的图片包含三类可回收垃圾，分别是金属罐状物cans、塑料制品瓶装物plastic_5统目标检测算法模型受特定参数约束条件，在复杂场景下对分拣对象检测的准确性降低，场景时瓶状物品任意位姿和同类别物品多样化形态结构和多尺度外形尺寸导致识别出现[0005]本发明提出旋转框精准定位网络MR2-YOLOv5(Multi-scaleRefinedRotated6并将参数基于图像自身宽高进行归一化处理，标签参数定义为(classnameid，rx，ry，longside，shortside，θ)。Classnameid为类别ID参数，rx和ry为目标中心点横纵坐标，[0016]将目标物角度预测视为分类问题，设计符合垃圾分拣物理场景的环形平滑标签以及类别损失计算方法，采用二分类交叉熵损失函数BCEWithLogitsLoss对于角度损失进将第n个样本的各个角度预测值与真实值依次7[0026](1)将Focus模块作为第一层，以此类推。在第9层及SPP层(池化层)后添加[0032](2)过多的下采样层会导致图像中小目标特征消失，导致网络无法学习到相应的YOLOv5保留原始检测尺寸，不降低该尺度下特征学习能同层级进行特征融合尤为重要。将主干网络多层计算结果一次或多次输入进入BiFPN加强特征提取网络，当BiFPN自下而上的部分对于两个同尺度特征进行融合；到自上而下结构8[0041]将平均精度均值(mAP)作为模型的评价指标，以及模型参数量和计算量作为模型9分别是金属罐状物(cans)、塑料制品瓶装物(plastic_bottle)、玻璃制品瓶装物(glass_x和ry为目标中心点横纵坐标，longside为目标框较长边，shortside为目标框较短大幅度提高了训练时目标背景复杂度。使用Mosaic数据增强方法后的train_batch如说明[0062]将目标物角度预测视为分类问题，设计符合垃圾分拣物理场景的环形平滑标签y为定义为X轴顺时针旋转至较近边平行的角度。结合目前YOLOv5模型中置信度损失以及类别[0073](1)将Focus模块作为第一层，以此类推。在第9层及SPP层(池化层)后添加[0080](2)过多的下采样层会导致图像中小目标特征消失，导致网络无法学习到相应的YOLOv5保留原始检测尺寸，不降低该尺度下特征学习能力，通过增加[0089]将平均精度均值(mAP)作为模型的评价指标，以及模型参