[發明專利]一種基于神經網絡的碗碟檢測方法

在審

• 申請號: 201811007923.4
• 申請日: 2018-08-31
• 公開（公告）號: CN109409197A
• 公開（公告）日: 2019-03-01
• 發明（設計）人: 陳曉鵬;楊德順
• 申請（專利權）人: 廣州市派客樸食信息科技有限責任公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 廣州致信偉盛知識產權代理有限公司 44253
• 代理人: 伍嘉陵

本發明公開一種基于神經網絡的碗碟檢測方法，包括以下步驟：S1，獲取圖像并輸入YOLO神經網絡；S2，訓練YOLO神經網絡；S3，獲取訓練好的神經網絡模型的置信度參數，得到關鍵特征；S4，設置置信度閾值，選擇并匹配邊界框的目標；S5，使用神經網絡最終抽取的特征進行碗碟圖像分類；S6，根據模型參數輸出參數并框出目標。本發明基于對圖像進行全局信息預測，減少網絡中的卷積層，簡化了檢測步驟，提升了檢測的準確率和速度。

技術領域

本發明涉及一種碗碟檢測方法，尤其涉及一種基于神經網絡的碗碟檢測方法。

背景技術

隨著智能化技術的發展，基于深度學習的神經網絡技術已經可以應用在目標檢測中。在碗碟檢測方面，目前的檢測方法大部分是基于輪廓檢測，或者是根據相對規則的外觀采取人為設置目標形狀特征進行檢測，并不是基于全局信息進行預測。這種方式只能針對特定目標，對環境要求也較為苛刻，碗碟的擺放，菜品的干擾等會導致在使用過程中出現無法檢測等異常情況，造成檢測準確率低。并且這種網絡模型檢測時會消耗較高的運算資源，導致檢測速度下降而不能達到視頻流的狀態。

發明內容

本發明提供一種基于神經網絡的碗碟檢測方法，旨在解決目前碗碟檢測準確率低，速度慢的問題。

本發明所述的一種基于神經網絡的碗碟檢測方法，包括以下步驟：

S1，獲取圖像并輸入YOLO神經網絡；

S2，訓練YOLO神經網絡；

S3，獲取訓練好的神經網絡模型的置信度參數，得到關鍵特征；

S4，設置置信度閾值，選擇并匹配邊界框的目標；

S5，使用神經網絡最終抽取的特征進行碗碟圖像分類；

S6，根據模型參數輸出參數并框出目標。

本發明是基于圖像的全局信息進行預測，通過YOLO神經網絡提取特征訓練，對獲取的碗碟圖像目標進行邊界框的置信度計算，通過將置信度信息與特征類別進行比較，得出檢測目標。本發明采用YOLO神經網絡，相比其他神經網絡，YOLO的卷積層減少，結構簡單，維度計算較低，提升了算法的速度。除此之外，使用經過訓練的YOLO神經網絡，計算更多邊界框的置信度并排除干擾，使檢測準確率提高。

附圖說明

圖1是一種基于神經網絡的碗碟檢測方法流程圖1；

圖2是一種基于神經網絡的碗碟檢測方法流程圖2；

圖3是一種基于神經網絡的碗碟檢測方法流程圖3；

圖4是一種基于神經網絡的碗碟檢測方法流程圖4。

具體實施方式

下面結合附圖和實施例對本發明作進一步說明。

如圖1所示，一種基于神經網絡的碗碟檢測方法，包括以下步驟：S1，獲取圖像并輸入YOLO神經網絡；S2，訓練YOLO神經網絡；S3，獲取訓練好的神經網絡模型的置信度參數，得到關鍵特征；S4，設置置信度閾值，選擇并匹配邊界框的目標；S5，使用神經網絡最終抽取的特征進行碗碟圖像分類；S6，根據模型參數輸出參數并框出目標。本發明采用YOLO神經網絡對圖像進行全局信息預測，并且可以減少卷積層，提升了檢測的準確率和速度。

如圖2所示，YOLO神經網絡的訓練步驟包括：S21，收集碗碟的各種樣本，并制作可用的數據集；S22，設置神經網絡結構，填寫層參數；S23，配置GPU環境，采用雙GPU模式；S24，使用測試集的圖像測試，若測試置信度達到設定值則進入步驟S3，否則返回步驟S23。神經網絡具有學習功能，在對神經網絡進行大量的訓練學習后，可以更加快速準確地檢測目標。