CN116189099B 基于改進yolov8的暴露垃圾檢測及堆放監控的方法 （南京華蘇科技有限公司）

CN205114216U,2016.03.30JP2022014437A,2022.01.19US2021178432A1,2021.06.17WO2021022475A1,2021.02.11基于改進yolov8的暴露垃圾檢測及堆放監本發明公開了一種基于改進yolov8的暴露2298.Z.Wu等.UsingYOLOv5forGarbageClassification.20214thInteConferenceonPatternRecogni38.ComputerVision.YOLOv8vs.YOLOv5:Model.https://www.augmentedstartups.cblog/yolov8-vs-yolov5-choosing-object-detection-model.2023,1-4.53578855/article/details/129762616.2023,1-3.ZanjiaTong等.Wise-IoU:BouRegressionLosswithDynamicMechanism./a2301.10051.2023,1-8.3S1采集數據制作數據集：采集待檢測及監控區域的S2搭建網絡并訓練模型：搭建網絡并利用數據集S3模型推理：將獲得的暴露垃圾檢測模型接入實時S4結果分析：對步驟S3中獲得的推理結果進行邏所述步驟S1中還包括對采集的圖像數據通過樣本變換的數據增強方式對圖像數據進在所述步驟S1中，待檢測及監控的區域的圖像數圾圖像數據以及通過人力到小區或者街道拍攝暴S42：將一幀流圖像數據輸入步驟S2中訓練得到暴露垃圾檢測模型，進行暴露垃圾檢所述步驟S5的具體步驟為：若在檢測及監控的區域中檢在所述步驟S2中選取yolo系列的單階段目標檢測模型yo單階段目標檢測模型yolov8在骨干網絡上使用C2f模塊替換了YOLOv5的C3模塊，且在分類DFLLoss和CIoULoss作為回歸損失，且使用了Task_AlignedAssigner正負樣本匹配方4在所述步驟S2中通過暴露垃圾檢測模型在采用目標檢測WIoUv3添加至目標檢測模型yolov8的網絡中，并對損失函數LossCIoU、損失函數LossSIoU和損失函數LossWIoUv3進行了消融實驗，對比損失函數LossCIoU、損失函數LossSIoU和損失函數LossWIoUv3對輸出2.根據權利要求1所述的基于改進yolov8的暴露垃圾檢測及堆放監控的方法，其特征distancecost描述了兩個邊界框的中心點在x軸和y軸上的歸一化距離，其懲罰項力5RSIoU=Δ+Ω;3.根據權利要求1所述的基于改進yolov8的暴露垃圾檢測及堆放監控的方法，其特征gIoug6[0003]目前常用的方法為對獲取的原始圖像進行區域檢測得到原始圖[0004]中國專利文獻(CN112560755A)公開了一種識別城市暴露垃圾7[0006]中國專利文獻(CN106203498A)公開了一種城市場景垃圾檢測方法及系統，包[0007]中國專利文獻(CN114782681A)公開了一種基于深度學習的暴露垃圾及滿溢垃[0008]中國專利文獻(CN114818868A)公開了一種特征提取模型構建和垃圾檢測方法8[0011]中國專利文獻(CN113989626A)公開了一種基于目標檢測模型的多類別垃圾場[0012]目前常用的方法為對獲取的原始圖像進行區域檢測得到原始圖[0013]本發明要解決的技術問題是提出基于改進yolov8的暴露垃圾檢測及堆放監控的9添加噪聲等方法產生新的樣本；多樣本增強是通過組合以及轉換多個樣本，主要有Smote測模型，所述單階段目標檢測模型yolov8在骨干網絡上使用C2f模塊替換了YOLOv5的C3模[0050]distancecost描述了兩個邊界框的中心點在x軸和y軸上的歸一化距離，其懲罰[0057]RSIoU=Δ+Ω;Loss作為分類Loss以及DFLLoss+CIoULoss作為回歸損失；5)YOLOv8拋棄了以往的IOU匹[0066]圖2是本發明基于改進yolov8的暴露垃圾檢測及堆放監控的方法的步驟S4的流程[0067]圖3a是本發明基于改進yolov8的暴露垃圾檢測及堆放監控的方法中的YOLO8n_[0068]圖3b是本發明基于改進yolov8的暴露垃圾檢測及堆放監控的方法中的YOLOv8n_[0069]圖3c是本發明基于改進yolov8的暴露垃圾檢測及堆放監控的方法中的YOLOv8n_[0070]圖4a是本發明基于改進yolov8的暴露垃圾檢測及堆放監控的方法中的YOLO8n_[0071]圖4b是本發明基于改進yolov8的暴露垃圾檢測及堆放監控的方法中的YOLOv8n_[0072]圖4c是本發明基于改進yolov8的暴露垃圾檢測及堆放監控的方法中的YOLOv8n_[0073]圖5a是本發明基于改進yolov8的暴露垃圾檢測及堆放監控的方法中的YOLO8n_[0074]圖5b是本發明基于改進yolov8的暴露垃圾檢測及堆放監控的方法中的YOLOv8n_[0075]圖5c是本發明基于改進yolov8的暴露垃圾檢測及堆放監控的方法中的YOLOv8n_[0076]圖6是本發明基于改進yolov8的暴露垃圾檢測及堆放監控的方法的單階段目標檢[0077]下面將結合本發明的實施例圖中的附圖，對本發明實施例中的技術方案進行清內的垃圾桶或者垃圾回收站周圍的垃圾圖像數據以及通過人力到小區或者街道拍攝暴露的圖像數據通過樣本變換的數據增強方式對圖像數據進行擴增，具體包括單樣本數據增添加噪聲等方法產生新的樣本；多樣本增強是通過組合以及轉換多個樣本，主要有Smote模塊表示卷積(Conv)加批歸一化(BN)和激活函數(SiLU)操作；C2f模塊表示卷積+拆分+合交叉熵的形式去優化與標簽y最接近的一左一右2個位置的概yolov8的源碼中與計算邊框損失的函數相關文件進行修改調參)；LossWIoUv3添加至目標檢測模型yolov8的網絡中，并對損失函數LossCIoU、損失函數LossSIoU和損失函數LossWIoUv3進行了消融實驗，對比損失函數LossCIoU、損失函數[0095]因此，在IoU的基礎上進行優化得到GIoU；對損失函數L[0105]所述損失函數LossSIou是以anglecost、distancecost、shapecost構造的[0107]distancecost描述了兩個邊界框的中心點在x軸和y軸上的歸一化距離，其懲罰[0114]RSIoU=Δ+Ω;將顯著放大普通質量錨框anchorbox的LIoU；LIou∈[0，1]，這將顯著降低高質量錨框[0121]消融實驗結果如表1所示，在本實施例中通過比較三組模型(YOLO8n_CIoU模型、型檢測準確度達到了70.69其檢測性能最優；如圖3a～圖3c(三個模型在雜亂場景下的態場景下的檢測結果)所示，圖中的garbage_bag為垃圾袋，cardboard為硬紙板，對比了