一种基于YOLO的可回收物分类方法、系统及存储介质与流程

技术特征：
1.一种基于yolo的可回收物分类方法，其特征在于，包括以下步骤：步骤100.构建分类网络模型；所述分类网络模型以yolov5网络作为基础网络，采用cspdarknet53框架，所述cspdarknet53框架包括c3、sppf和cbma中的卷积下采样层，并在其基础上更换损失函数为siou，引入meta-acon激活函数和transformer encode结构，所述激活函数meta-acon与conv2d、batch normalization结合为cbma组件；所述transformer encode结构，在原有c3基础上形成c3tr层；步骤200.对所构建的分类网络模型进行训练，获得训练好的分类网络模型；步骤300.将待测图片或视频流输入到训练好的分类网络模型里，获取检测结果。2.根据权利要求1所述的一种基于yolo的可回收物分类方法，其特征在于，所述步骤100中所述yolov5网络采用cnn对目标进行端到端的检测，输入任意大小的3通道rgb图片，将图像重定义为640*640作为分类网络的输入。3.根据权利要求2所述的一种基于yolo的可回收物分类方法，其特征在于，所述cnn网络将图片切分为s*s个网格，每个网格负责检测中心点落在该网格内的目标，输出3层，分别为20*20、40*40、80*80的特征图，每一层最终预测值为s*s*[b*(5*n)]大小的张量，其中，b为每一个网格对应的检测框数量，5为每一个检测框的坐标信息(x,y,h,w)和物体置信度信息，n为物体种类数，其中，x表示检测框左上角点的x坐标信息，y表示检测框左上角点的y坐标信息，w表示检测框的宽度信息，h表示检测框的高度信息。4.根据权利要求3所述的一种基于yolo的可回收物分类方法，其特征在于，所述预测值通过非极大值抑制筛选出符合要求的检测框，生成最终的检测数据框，包括检测框位置、物体类别信息、物体置信度信息。5.根据权利要求1所述的一种基于yolo的可回收物分类方法，其特征在于，所述步骤200对所构建的分类网络模型进行训练，具体包括以下步骤：步骤201.获取可回收物图像，并对可回收物图像中的物体进行标注；步骤202.对所述数据集进行预处理，将预处理后的数据集划分为训练集和测试集；步骤203.将上述训练集和测试集图片输入到分类网络模型里，进行数据增强和多轮迭代训练，保存最优模型，得到训练好的分类网络模型。6.根据权利要求5所述的一种基于yolo的可回收物分类方法，其特征在于，所述步骤201中对可回收物图像中的物体进行标注，具体包括：对图像进行标注，得到xml格式标签文件，随后利用标签格式转换脚本将其转换为yolo格式的标签文件。7.根据权利要求6所述的一种基于yolo的可回收物分类方法，其特征在于，所述步骤202中对所述数据集进行预处理，包括采用数据增强方法对数据集进行扩充，所述数据增强方法包括但不限于：图片翻转、旋转、缩放、移位、模糊、马赛克、混合增强。8.一种基于yolo的可回收物分类系统，其特征在于，包括：数据获取模块、物体检测模块；数据获取模块用于获取待检测图片或视频流；物体检测模块用于将待测图片或视频流输入到训练好的智能分类网络模型里，获取检测结果。9.根据权利要求8所述的一种基于yolo的可回收物分类系统，其特征在于，所述物体检
测模块中包括分类网络模型，所述分类网络模型以yolov5网络作为基础网络，采用cspdarknet53框架，在其基础上将原有的损失函数更换为siou；将原有的激活函数更换为meta-acon，激活函数meta-acon与conv2d、batch normalization结合为cbma组件；并引入transformer encode结构，在与原有c3基础上形成c3tr层。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质被配置成存储程序，所述程序被配置成执行权利要求1-7任意一项所述基于yolo的可回收物分类方法。

技术总结
本发明公开了一种基于YOLO的可回收物分类方法，包括：构建分类网络模型；所述分类网络模型以YOLOv5网络作为基础网络，采用CSPDarknet53框架，在其基础上将原有的损失函数更换为SIoU；将原有的激活函数更换为Meta-ACON，激活函数Meta-ACON与Conv2d、Batch Normalization结合为CBMA组件；并引入Transformer Encode结构，在与原有C3基础上形成C3TR层；对所构建的分类网络模型进行训练；将待测图片或视频流输入到训练好的分类网络模型里，获取检测结果。本发明有效提升了可回收物的分类检测精度，降低误检漏检概率，高效实现可回收物的分拣。实现可回收物的分拣。实现可回收物的分拣。


技术研发人员：贾蕴 赵杰 柯枫 于轹丹 陈国龙 亓克超 宋吉锋 王丽萍 王海涛 杨雪晴
受保护的技术使用者：烟台中科数据技术有限公司
技术研发日：2022.11.17
技术公布日：2023/2/3