基于改进YOLO模型的零售商品识别方法及装置
本发明涉及目标检测,尤其涉及一种基于改进yolo模型的零售商品识别方法及装置。
背景技术:
1、随着人工智能和物联网技术的深度融合,智能零售已成为推动商业效率和用户体验升级的关键驱动力。其中,基于机器视觉的商品识别技术是实现无人化结算、智能库存管理和防损监控的核心支撑。目标检测作为商品识别任务的基础,其精度和效率直接决定了智能系统的实用性。特别是在零售结账这一高频场景中,快速、准确地识别和定位屏幕前的商品,是确保交易顺畅和计费准确的前提。在深度学习的驱动下,针对零售场景的目标检测挑战已有诸多解决方案。早期高精度识别方法通常基于两阶段检测器,例如faster r-cnn,其核心优势在于准确性,但是难以满足结账场景对实时性的要求。由于其卓越的实时性能,yolo系列已经成为商品识别领域的主流选择。这些算法通过端到端的回归方法,有效解决了两阶段检测器的速度瓶颈。
2、为了适应售货柜、无人机等计算资源有限的边缘设备部署需求,轻量化改进成为关键趋势。例如,有研究通过引入shufflenetv2等轻量级骨干网络大幅减少了模型的参数量和计算量,或采用ghost卷积来降低计算负担。针对零售场景的跨尺度问题,许多研究致力于改进neck。例如,有方法借鉴bifpn思想,对多尺度特征进行重新融合,以增强模型的检测精度。同时,在目标检测算法中引入注意力机制是提升模型准确度的有效手段。它解决了特征提取时无注意力偏好的问题,提升了检测准确度。
3、然而,零售结账场景对目标检测算法提出了严苛的挑战。首先是极端的跨尺度变化问题:待识别商品尺寸差异巨大,要求模型具备均衡的多尺度特征感知能力。其次,高密度的摆放和遮挡是常态,商品堆叠和紧密相邻导致目标边界模糊不清,考验着模型的边界框回归精度。最后,结算台区域常常伴随着背景干扰物,如人影、购物篮以及环境反光,这些非目标噪声极易分散模型的注意力,造成误检或漏检。现有的改进方法多采用cbam等通道-空间注意力模块。这些机制主要聚焦于通道和空间维度的静态加权,难以应对结账场景中商品复杂的几何形变和边界模糊问题。
4、综上所述,当前零售商品识别算法在轻量化和基础精度方面取得了进展,仍无法识别商品几何形变和堆叠遮挡,无法抑制结账场景中人影、篮筐等复杂的全局背景噪声。
技术实现思路
1、有鉴于此,有必要提供一种基于改进yolo模型的零售商品识别方法及装置,用以实现提高商品识别时动态适应商品几何形变和堆叠遮挡的能力,同时有效抑制结账场景中的背景噪声,提高模型在复杂环境下的识别准确性的目的。
2、为了实现上述目的,第一方面,本发明提供一种基于改进yolo模型的零售商品识别方法,包括:
3、将零售场景下的商品图像输入至训练好的改进yolo模型中,得到所述改进yolo模型输出的商品识别结果;所述改进yolo模型是利用抗干扰全局关系建模模块替换原始yolov11主干网络的注意力模块,以及在所述主干网络末端增加多尺度形态特征增强模块得到的;
4、其中,所述抗干扰全局关系建模模块,用于对所述商品图像的输入特征图进行全图上下文建模,得到融合全图上下文的融合特征;
5、所述多尺度形态特征增强模块,用于对所述融合特征进行多尺度形态增强,得到多尺度形态特征。
6、在一种可能的实现方式中,所述抗干扰全局关系建模模块,包括:
7、第一分割单元、多头空间全局感知单元、第一前馈网络和第一拼接单元;
8、所述第一分割单元,用于对经过两次1×1卷积的输入特征图进行分割,得到第一特征和第二特征;
9、所述多头空间全局感知单元,用于通过多头自注意力对所述第一特征进行上下文建模,得到多头注意力特征;
10、所述第一前馈网络,用于对所述多头注意力特征进行通道数转换,得到处理后的多头注意力特征;
11、所述第一拼接单元,用于将所述第二特征和所述处理后的多头注意力特征进行拼接,并通过1×1卷积进行融合,得到所述融合特征。
12、在一种可能的实现方式中,所述多头空间全局感知单元,具体用于:
13、对所述第一特征进行维度转换,并将转换后的特征进行通道划分,得到第一通道特征和第二通道特征;
14、对所述第一通道特征进行线性变换后,与所述第一通道特征相加,得到第一相加特征;
15、对所述第二通道特征进行线性变换后,与所述第二通道特征相加,得到第二相加特征;
16、将所述第一相加特征和所述第二相加特征进行拼接,得到拼接特征;
17、基于多头注意力机制将所述拼接特征的通道划分为多个头,生成查询矩阵、键矩阵和值矩阵;
18、基于所述查询矩阵和所述键矩阵,构建注意力分数矩阵;
19、基于所述第一特征的高度和宽度,构建动态空间响应权重偏置矩阵;
20、基于所述注意力分数矩阵、所述动态空间响应权重偏置矩阵和所述键矩阵,确定所述多头注意力特征。
21、在一种可能的实现方式中,所述基于所述查询矩阵和所述键矩阵,构建注意力分数矩阵,包括:
22、对所述查询矩阵和所述键矩阵进行归一化处理;
23、基于归一化处理后的键矩阵的转置,以及归一化处理后的查询矩阵,进行批量矩阵乘法计算,得到所述注意力分数矩阵。
24、在一种可能的实现方式中,所述基于所述第一特征的高度和宽度,构建动态空间响应权重偏置矩阵,包括:
25、基于所述第一特征的高度和宽度,构建包含所述第一特征中任意两个像素点的相对位移的坐标集合;
26、对所述坐标集合中的每个分量进行坐标变换,并将坐标变换后的分量输入两层线性网络,得到每个注意力头的偏置基础值;
27、基于当前特征图中像素点对的实际相对位置和所述偏置基础值,构造空间偏置矩阵;
28、对所述空间偏置矩阵进行非线性映射和放大处理,得到所述动态空间响应权重偏置矩阵。
29、在一种可能的实现方式中,所述多尺度形态特征增强模块,包括:
30、第二分割单元、多尺度形态特征增强单元、第二前馈网络和第二拼接单元;
31、所述第二分割单元,用于对经过两次1×1卷积的融合特征图进行分割,得到第三特征和第四特征;
32、所述多尺度形态特征增强单元,用于对所述第三特征进行多尺度形态增强,得到增强特征;
33、用于所述第二前馈网络,用于对所述增强特征进行变换,得到处理后的第三特征;
34、所述第二拼接单元,用于将所述第四特征和所述处理后的第三特征拼接,并通过1×1卷积进行融合,得到所述多尺度形态特征。
35、在一种可能的实现方式中,所述多尺度形态特征增强单元,具体用于:
36、对所述第三特征进行1×1卷积,并通过gelu激活函数生成中间特征;
37、对所述中间特征依次进行5×5卷积、7×7卷积和1×1卷积,得到空间特征权重;
38、将所述中间特征和所述空间特征权重进行逐元素相乘,再进行1×1卷积,生成所述增强特征。
39、在一种可能的实现方式中,所述第二前馈网络依次包括:
40、1×1卷积、gelu激活函数和1×1卷积。
41、第二方面,本发明还提供一种基于改进yolo模型的零售商品识别装置,包括:
42、识别单元,用于将零售场景下的商品图像输入至训练好的改进yolo模型中,得到所述改进yolo模型输出的商品识别结果;所述改进yolo模型是利用抗干扰全局关系建模模块替换原始yolov11主干网络的注意力模块,以及在所述主干网络末端增加多尺度形态特征增强模块得到的;
43、其中,所述抗干扰全局关系建模模块,用于对所述商品图像的输入特征图进行全图上下文建模,得到融合全图上下文的融合特征;
44、所述多尺度形态特征增强模块,用于对所述融合特征进行多尺度形态增强,得到多尺度形态特征。
45、第三方面,本发明还提供一种电子设备,包括数据采集器、存储器和处理器,其中,
46、所述数据采集器、所述存储器和所述处理器通信连接;
47、所述数据采集器,用于采集零售场景下的商品图像;
48、所述存储器,用于存储程序;
49、所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现上述任意实现方式中所述的基于改进yolo模型的零售商品识别方法中的步骤。
50、本发明的有益效果是:本发明提供的基于改进yolo模型的零售商品识别方法及装置,通过对原始yolov11进行改进,利用抗干扰全局关系建模模块替换主干网络的注意力模块,以及在主干网络末端增加多尺度形态特征增强模块得到改进yolo模型,通过抗干扰全局关系建模模块对商品图像的输入特征图进行全图上下文建模,得到融合全图上下文的融合特征,通过多尺度形态特征增强模块对融合特征进行多尺度形态增强,得到多尺度形态特征,改进yolo模型通过集成抗干扰全局关系建模模块和多尺度形态特征增强模块,从而提高了商品识别时动态适应商品几何形变和堆叠遮挡的能力,同时有效抑制结账场景中的背景噪声,提高模型在复杂环境下的识别准确性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com