(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221028641 1.6 (22)申请日 2022.03.22 (71)申请人 重庆大学 地址 400044 重庆市沙坪坝区沙正 街174号 (72)发明人 宋永端　沈志熙　徐赞林　 (74)专利代理 机构 重庆晟轩知识产权代理事务 所(普通合伙) 50238 专利代理师 王海凤 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/32(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于改进YOLOv3的散装小包装中药袋 检测方法 (57)摘要 本发明涉及一种基于改进YOLOv3的散装小 包装中药袋检测方法， 该方法包括S1采集包含散 装小包装中药袋的图像数据， 依据VOC2012数据 集格式制作得到训练集， S2对原始 YOLOv3网络模 型的检测头和backbone进行改进， S3对改进的 YOLOv3网络模型进行训练， S4向训练好的最终改 进的YOLOv3网络模型输入待检测图像， 输 出散装 小包装中药袋用矩形框标记并显示。 本发明对传 统YOLOv3算法进行轻量化改进， 在保证其精度和 实时性的同时， 将 模型大小减小到285 KB， 具有较 高的实用性。 权利要求书2页 说明书6页 附图4页 CN 114863152 A 2022.08.05 CN 114863152 A 1.一种基于改进YOLOv3的散装小包 装中药袋 检测方法， 其特 征在于： 包括如下步骤： S1： 采集包含散装小包装中药袋的图像数据， 使用labelImage工具对所有图像进行标 注， 即在每个图像上采用矩形框标注散装小包装， 将所有 标注后的图像依据 VOC2012数据集 格式制作得到训练集； S2： 构建改进的YOLOv3网络模型， 包括如下三个部分的改进： S21： 对原始YOLOv3网络模型中 的backbone进行改进得到初步改进的YOLOv3网络模型， 具体如下： 对原始YOLOv3网络模型中的backbone进行剪枝处理， 将原本的1 ‑2‑8‑8‑4残差结构调 整为1‑2‑3稀疏残差结构， 并设置各个稀疏残差结构的长度因子； 同时限制每个卷积层的卷 积核个数不超过32个； 构建一条包含3个卷积层的卷积支路， 将第一个卷积层的输出作为卷积支路的输入， 并 将卷积支路各层的输出按顺序分别与backbo ne的3个下采样层的输出进行拼接； 构建一条包含2个池化层的池化支路， 将第1个残差结构的输出经过第1池化层处理与 第2个残差结构的输出进行拼接， 作为第3个下采样层和第2池化层的输入； 将第2池化层的 输出与第3个残差结构的输出进行拼接， 作为检测头的输入； S22： 构建改进的YOLOv3网络模型检测头部分， 将原版YOLOv3检测头的大、 中、 小三个尺 度目标检测改为单个大尺度目标检测得到二次改进的YOLOv3网络模型； S23： 对S22得到的二次改进的YOLOv3网络模型进行损失函数和后处理模块的改进得到 最终改进的YOLOv3网络模型； S3： 对S23得到的最终改进的YOLOv3网络模型进行训练： S31： 采用K ‑means聚类算法对训练集中的标注散装小包装中药袋的矩形框对应的高和 宽进行聚类， 获得需要的锚框尺寸； S32： 利用训练集中的数据， 采用神经网络进行梯度反向传播的方法对最终改进的 YOLOv3网络模型训练； S4： 将待检测图像的尺寸调整为128*128分辨率， 再将训练好的最终改进的YOLOv3网络 模型载入到嵌入式设备中， 向训练好的最终改进的YOLOv3网络模型输入待检测图像， 训练 好的最终改进的YOLOv3网络模型将检测到的散装小包装中药袋目标用外接矩形标记并显 示。 2.如权利 要求1所述的基于改进YOLOv3的散装小包装中药袋检测方法， 其特征在于： 所 述S2中将原本的残差结构调整为稀疏残差结构的具体步骤如下 当l＝2时： 所述 l表示长度因子， 即稀疏残差单 元中输入层的个数； y2＝y0+f1(y0)+f2(f1(y0)) 其中y0为稀疏残差模块的输入， f1(y0)和f2(f1(y0))为该稀疏残差模块中卷积层输出特 征图， y2为该稀疏残差模块的输出； 当l＝3时： y3＝y0+f1(y0)+f2(f1(y0))+f3(f2(f1(y0))) 其中y0为稀疏残差模块的输入， f1(y0)和f2(f1(y0))、 f3(f2(f1(y0)))为该稀疏残差模块 中卷积层输出 特征图， y3为该稀疏残差模块的输出。 3.如权利 要求2所述的基于改进YOLOv3的散装小包装中药袋检测方法， 其特征在于： 所权　利　要　求　书 1/2 页 2 CN 114863152 A 2述S22得到最终改进的YOLOv3网络模型的改进过程为： 将S2得到的改进的YOLOv3网络模型 的损失函数调整为CI oU损失函数， 将后处 理模块中NMS类型调整为DI oU‑NMS。 4.如权利 要求1所述的基于改进YOLOv3的散装小包装中药袋检测方法， 其特征在于： 所 述S31中K ‑means聚类算法的簇数 K设为3。 5.如权利 要求3所述的基于改进YOLOv3的散装小包装中药袋检测方法， 其特征在于： 所 述S31中获得需要的锚框尺寸 为(42,42),(58,62),(94,89)。权　利　要　求　书 2/2 页 3 CN 114863152 A 3