CN115410157B 一种物料输送巷道异物视觉检测方法 （东华理工大学）

WO2021085784A1,2021.05US2019294929A1,2019.该方法利用加权K_means对锚框进行聚类，解决意力机制的GhostNet作为YOLOv4模型特征提取2将特征层Y通过SE注意力模块进行Squeeze和Excitat对特征层Y进行全局平均池化，把hxw的特征层转化为1x1的特征层；到新的c1xhxw的特征层；S2、利用SE注意力模块改进GhostNet网络中19x19、38x38和76x76三种大小不同的32.根据权利要求1所述的一种物料输送巷道异物视觉检测方法，其特征在于，所述S3ix10_5。3.根据权利要求1所述的一种物料输送巷道异物视觉检测方法，其特征在于，所述S445用基于深度学习方法对轨道/巷道安全运行检测的研究获得了较多关注与深入开展。一些技术专家提出单定点多边框检测器SSD(singleshotMultiboxDetector)用于运输轨道6在提高Adam算法的前期收敛速度同时提升模重信息进行归一化处理获得通道权重，将通道权重分别与Y对应的c1个通道特征图数据相i的衰减平均值：78道异物不适应问题；再采用融合SE注意力机制的GhostNet作为YOLOv4模型特征提取网络，到较好的检测效果：对异物的平均检测精度达到98.48误检率为0.62检测速度为在提高Adam算法的前期收敛速度同时提升模[0057]具体而言，本发明为一种改进的YOLOv4的物料输送巷道异物视觉检测方法，大小的网格，若检测目标位于某个网格中，则由对应的网格负责完成该目标的检测。在[0060](3)在特征融合阶段，在YOLOv3的FPN特征金字塔中加入了空间金字塔池化9[0069]SE注意力机制如图2所示。SE注意力机制首先将物料输送巷道图像经过GhostNet[0072]因YOLOv4目标检测模型采用随机梯度下降算法(Sgd)对神经网络权重进行迭代更型收敛速度和稳定性。同时，为了避免出现学习率衰减至0，本发明将最小学习率设置为值来调节每个维度对聚类结果的影响。在实验中，WK_means聚类算法获取的先验框比[0107]本系统在龙岩烟草工业有限责任公司卷烟厂辅料库搭建视觉系统采集物料输送[0108]数据集由分辨率为390×882，格式为bmp的共4686张图像构成。数据预处理使用[0117]本发明模型使用检测速度(FramesPerSecond,FPS)、平均检测精度(Mean与改进模型进行消融实验。利用常用的轻量级特征提取网络代替YOLOv4的CSPDarkNet53测速度提高了2平均检测精度提高了1.75精确率提高了12.11误检率减少了[0136]利用WK_means聚类算法对锚框进行优化，并和K_means锚框优化算法针对本发明度提高了3FPS，平均检测精度提高了1.1召回率提高了0.18精确率提高了1误检[0139]综上可知，本发明提出的YOLOv4_GhostNet_SE_Adam_step_WK_means模型对卷烟[0140]为了进一步研究验证本发明模型的泛化能力，利用VOC2007数据集和COCO2017数上，检测速度分别为48FPS和52FPS，误检率分别为3.15％和2.93表明本发明模型在[0145]综上所述，本发明针对卷烟厂物料输送巷道异物检测存在的实时性和准确性问[0146](1)利用WK_means聚类算法对锚框进行优化，可以去除一些不适合卷烟厂巷道异[0148](3)利用Adam优化算法和学习率等间隔调整策略快速精确找到全局最优解，