CN119399454A 一种基于深度学习的倒瓶检测方法、装置及可读介质 （泉州湖南大学工业设计与机器智能创新研究院）

瓶检测模型的主干特征提取网络采用C3Ghost模之后连接一个AAM模块，在YOLOv5网络的颈部特征融合网络的每一个拼接模块之前添加CBAM模测的生产线的图像输入到经训练的倒瓶检测模2构建基于改进的YOLOv5网络的倒瓶检测模型并进行训练，得到经训练的倒瓶检测模干特征提取网络采用C3Ghost模块代替YOLOv5网络的主干特征提取网络的CSP1_X模块，并映射和通道融合得到第一融合特征，并将所述第一融合特征输入到所述颈部特征融合网将所述待检测的生产线的图像输入到所述经训练的倒瓶检测模型，得到倒瓶检测结2.根据权利要求1所述的基于深度学习的倒瓶检测方法，3.根据权利要求2所述的基于深度学习的倒瓶检测方法，其特征在于，所述Ghost4.根据权利要求1所述的基于深度学习的倒瓶检测方法，其所述SPPF模块的输出特征输入自适应池化层后进行不同通道的倍率为ci的下采样操iE{1,2,3}；所述第一尺度特征、第二尺度特征和第三尺度特征分别进行上采样后所述权值映射与所述特征映射进行矩阵乘积和通道分离后与所述SPPF模块的输出特在所述通道注意力模块中，所述CBAM模块的输入特征的宽和高分一平均池化特征分别输入共享全连接层后依次经过求和层和Sigmoid激活函数层，得到通;3将所述通道注意力模块的输出特征与所述CBAM模块的输入特征进行在所述空间注意力模块中，将所述空间注意力模块的输入特二最大池化特征和第二平均池化特征沿通道轴进行拼接后依次经过卷积核大小为7X7的卷积层和Sigmoid激活函数层，得到空间注意力模块的输出特征，该计算过程如下式所;f"()表示卷积核大小为7x7的卷积层对应的函数；将所述空间注意力模块的输出特征与所述空间注意力模块的输入特征进行加权相乘，;表示真实框与预测框的中心点的欧氏距离，表示真实框与预测框的宽度的欧氏距离，表示真实框与预测框的高度的欧氏距离，表示可调参数，。模型构建模块，被配置为构建基于改进的YOLOv5网络的倒瓶检测模和头部预测网络，所述主干特征提取网络采用C3Ghost模块代替YOLOv5网络中的CSP1_X模预测模块，被配置为将所述待检测的生产线的图像输入到所述经训练的倒瓶检测模45[0004]本申请的目的在于针对上述提到的技术问题提出一种基于深度学习的倒瓶检测提取网络采用C3Ghost模块代替YOLOv5网络的主干特征提取网络的CSP1_X模块，并在SPPF得到第一融合特征，并将第一融合特征输入到颈部特征融合网络，颈部特征融合网络在SPPF模块的输出特征输入自适应池化层后进行不同通道的倍率为的下采样操6权值映射与特征映射进行矩阵乘积和通道分离后与SPPF模块的输出特征进行通;化特征和第二平均池化特征沿通道轴进行拼接后依次经过卷积核大小为7×7的卷积层和;f7()表示卷积核大小为7x7的卷积层对应的函数；;7度的欧氏距离，表示真实框与预测框的高度的欧氏距离，表示可调参数，。模型构建模块，被配置为构建基于改进的YOLOv5网络的倒瓶检测模型并进行训和头部预测网络，主干特征提取网络采用C3Ghost模块代替YOLOv5网络的主干特征提取网算机程序被处理器执行时实现如第一方面中任一理器执行时实现如第一方面中任一实现方式描测模型的主干特征提取网络采用轻量化C3Ghost模块代替YOLOv5网络的主干特征提取网络[0017]（3）本发明提出的一种基于深度学习的倒瓶检测方法在SPPF模块之后连接一个8图2为本申请的实施例的基于深度学习的倒瓶检测方法的倒瓶检测模型的结构示图3为本申请的实施例的基于深度学习的倒瓶检测方法的C3Ghost模块的结构示图4为本申请的实施例的基于深度学习的倒瓶检测方法的GhostBottleneck模块图5为本申请的实施例的基于深度学习的倒瓶检测方法的Ghost模块的结构示意图7为本申请的实施例的基于深度学习的倒瓶检测方法的CBAM模块的结构示意图8为本申请的实施例的基于深度学习的倒瓶检测方法的通道注意力模块的结构图9为本申请的实施例的基于深度学习的倒瓶检测方法的空间注意力模块的结构[0023]图1示出了本申请的实施例提供的一种基于深度学习的倒瓶检测方法，包括以下9特征提取网络采用C3Ghost模块代替YOLOv5网络的主干特征提取网络的CSP1_X模块，并在[0026]具体的，参考图2，基于改进的YOLOv5网络的倒瓶检测模型（GAC_YOLOv5）是在第五CBS模块、第一C3Ghost模块、第六CBS模块、第二C3Ghost模块、第七CBS模块、第三接批量标准化层(BatchNormalization)和Sigmoid激活函数层；第一C3Ghost模块、第二[0028]颈部特征融合网络的具体融合过程如下：AAM模块输出的第一融合特征M1依次经征分为两部分，其中一部分依次经过其中一个分支的第一CBS模块和GhostBottleneck模图3，C3Ghost模块将其输入特征一分为二，分别经过两个分支的模块处理后得到第一中间长为1（Strides=1）的基本结构。GhostBottleneck模块只使用两个Ghost模块，第一个Ghost模块用于扩大特征图的通道数，其后经过批量标准化层(BatchNormalization)和用批量标准化层(BatchNormalization)进行操作。如果此时输入特征和输出特征形状相SPPF模块的输出特征输入自适应池化层后进行不同通道的倍率为的下采样操权值映射与特征映射进行矩阵乘积和通道分离后与SPPF模块的输出特征进行通映射T2与特征映射T1进行矩阵乘积和通道分离后与SPPF模块的输出特征C3进行通道融合，;化特征和第二平均池化特征沿通道轴进行拼接后依次经过卷积核大小为7×7的卷积层和;fx7()表示卷积核大小为7×7的卷积层对应的函数；[0038]具体的，参考图7，CBAM模块将通道注意力机制和空间注意力机制进行结合，对每一个拼接模块之前添加CBAM模块，以提高模型的特征提取能力，从而使基于改进的;度的欧氏距离，表示真实框与预测框的高度的欧氏距离，表示可调参数，。表3采用YOLOv5网络模型和GAC_YOLOv本申请提出的基于深度学习的倒瓶检测方法采用轻量化网络结构并引入注意力现对生产线上酒瓶的竖立状态进行实时监测，能够准确识别倾倒的酒瓶并进行标识报警，模型构建模块2，被配置为构建基于改进的YOLOv5网络的倒瓶检测模型并进行训和头部预测网络，主干特征提取网络采用C3Ghost模块代替YOLOv5网络的主干特征提取网[0058]总线1103可以是工业标准体系结构(IndustryStandardArchitecture，简称仅有一根总线1103或一种类型的总线1[0059]上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合处