CN116189099B 基于改进yolov8的暴露垃圾检测及堆放监控的方法 （南京华苏科技有限公司）

CN205114216U,2016.03.30JP2022014437A,2022.01.19US2021178432A1,2021.06.17WO2021022475A1,2021.02.11基于改进yolov8的暴露垃圾检测及堆放监本发明公开了一种基于改进yolov8的暴露2298.Z.Wu等.UsingYOLOv5forGarbageClassification.20214thInteConferenceonPatternRecogni38.ComputerVision.YOLOv8vs.YOLOv5:Model.https://www.augmentedstartups.cblog/yolov8-vs-yolov5-choosing-object-detection-model.2023,1-4.53578855/article/details/129762616.2023,1-3.ZanjiaTong等.Wise-IoU:BouRegressionLosswithDynamicMechanism./a2301.10051.2023,1-8.3S1采集数据制作数据集：采集待检测及监控区域的S2搭建网络并训练模型：搭建网络并利用数据集S3模型推理：将获得的暴露垃圾检测模型接入实时S4结果分析：对步骤S3中获得的推理结果进行逻所述步骤S1中还包括对采集的图像数据通过样本变换的数据增强方式对图像数据进在所述步骤S1中，待检测及监控的区域的图像数圾图像数据以及通过人力到小区或者街道拍摄暴S42：将一帧流图像数据输入步骤S2中训练得到暴露垃圾检测模型，进行暴露垃圾检所述步骤S5的具体步骤为：若在检测及监控的区域中检在所述步骤S2中选取yolo系列的单阶段目标检测模型yo单阶段目标检测模型yolov8在骨干网络上使用C2f模块替换了YOLOv5的C3模块，且在分类DFLLoss和CIoULoss作为回归损失，且使用了Task_AlignedAssigner正负样本匹配方4在所述步骤S2中通过暴露垃圾检测模型在采用目标检测WIoUv3添加至目标检测模型yolov8的网络中，并对损失函数LossCIoU、损失函数LossSIoU和损失函数LossWIoUv3进行了消融实验，对比损失函数LossCIoU、损失函数LossSIoU和损失函数LossWIoUv3对输出2.根据权利要求1所述的基于改进yolov8的暴露垃圾检测及堆放监控的方法，其特征distancecost描述了两个边界框的中心点在x轴和y轴上的归一化距离，其惩罚项力5RSIoU=Δ+Ω;3.根据权利要求1所述的基于改进yolov8的暴露垃圾检测及堆放监控的方法，其特征gIoug6[0003]目前常用的方法为对获取的原始图像进行区域检测得到原始图[0004]中国专利文献(CN112560755A)公开了一种识别城市暴露垃圾7[0006]中国专利文献(CN106203498A)公开了一种城市场景垃圾检测方法及系统，包[0007]中国专利文献(CN114782681A)公开了一种基于深度学习的暴露垃圾及满溢垃[0008]中国专利文献(CN114818868A)公开了一种特征提取模型构建和垃圾检测方法8[0011]中国专利文献(CN113989626A)公开了一种基于目标检测模型的多类别垃圾场[0012]目前常用的方法为对获取的原始图像进行区域检测得到原始图[0013]本发明要解决的技术问题是提出基于改进yolov8的暴露垃圾检测及堆放监控的9添加噪声等方法产生新的样本；多样本增强是通过组合以及转换多个样本，主要有Smote测模型，所述单阶段目标检测模型yolov8在骨干网络上使用C2f模块替换了YOLOv5的C3模[0050]distancecost描述了两个边界框的中心点在x轴和y轴上的归一化距离，其惩罚[0057]RSIoU=Δ+Ω;Loss作为分类Loss以及DFLLoss+CIoULoss作为回归损失；5)YOLOv8抛弃了以往的IOU匹[0066]图2是本发明基于改进yolov8的暴露垃圾检测及堆放监控的方法的步骤S4的流程[0067]图3a是本发明基于改进yolov8的暴露垃圾检测及堆放监控的方法中的YOLO8n_[0068]图3b是本发明基于改进yolov8的暴露垃圾检测及堆放监控的方法中的YOLOv8n_[0069]图3c是本发明基于改进yolov8的暴露垃圾检测及堆放监控的方法中的YOLOv8n_[0070]图4a是本发明基于改进yolov8的暴露垃圾检测及堆放监控的方法中的YOLO8n_[0071]图4b是本发明基于改进yolov8的暴露垃圾检测及堆放监控的方法中的YOLOv8n_[0072]图4c是本发明基于改进yolov8的暴露垃圾检测及堆放监控的方法中的YOLOv8n_[0073]图5a是本发明基于改进yolov8的暴露垃圾检测及堆放监控的方法中的YOLO8n_[0074]图5b是本发明基于改进yolov8的暴露垃圾检测及堆放监控的方法中的YOLOv8n_[0075]图5c是本发明基于改进yolov8的暴露垃圾检测及堆放监控的方法中的YOLOv8n_[0076]图6是本发明基于改进yolov8的暴露垃圾检测及堆放监控的方法的单阶段目标检[0077]下面将结合本发明的实施例图中的附图，对本发明实施例中的技术方案进行清内的垃圾桶或者垃圾回收站周围的垃圾图像数据以及通过人力到小区或者街道拍摄暴露的图像数据通过样本变换的数据增强方式对图像数据进行扩增，具体包括单样本数据增添加噪声等方法产生新的样本；多样本增强是通过组合以及转换多个样本，主要有Smote模块表示卷积(Conv)加批归一化(BN)和激活函数(SiLU)操作；C2f模块表示卷积+拆分+合交叉熵的形式去优化与标签y最接近的一左一右2个位置的概yolov8的源码中与计算边框损失的函数相关文件进行修改调参)；LossWIoUv3添加至目标检测模型yolov8的网络中，并对损失函数LossCIoU、损失函数LossSIoU和损失函数LossWIoUv3进行了消融实验，对比损失函数LossCIoU、损失函数[0095]因此，在IoU的基础上进行优化得到GIoU；对损失函数L[0105]所述损失函数LossSIou是以anglecost、distancecost、shapecost构造的[0107]distancecost描述了两个边界框的中心点在x轴和y轴上的归一化距离，其惩罚[0114]RSIoU=Δ+Ω;将显著放大普通质量锚框anchorbox的LIoU；LIou∈[0，1]，这将显著降低高质量锚框[0121]消融实验结果如表1所示，在本实施例中通过比较三组模型(YOLO8n_CIoU模型、型检测准确度达到了70.69其检测性能最优；如图3a～图3c(三个模型在杂乱场景下的态场景下的检测结果)所示，图中的garbage_bag为垃圾袋，cardboard为硬纸板，对比了