申请/专利权人：三峡大学

申请日：2023-06-21

公开（公告）日：2024-05-14

公开（公告）号：CN116958053B

主分类号：G06T7/00

分类号：G06T7/00;G06V10/22;G06V10/82;G06V10/776;G06V10/774;G06N3/0464;G06N3/045;G06N3/082

优先权：

专利状态码：有效-授权

法律状态：2024.05.14#授权;2023.11.14#实质审查的生效;2023.10.27#公开

摘要：一种基于yolov4‑tiny的竹签计数方法，它包括以下步骤：S1：首先采集多张一定数目的竹签横截面图片，并将图片统一大小；S2：对S1中采集的每张原始图进行标注，使用标注工具为图片中的每个竹签绘制矩形边界框，保存相应的标注文件；S3：将标注好的数据集划分为训练集、验证集和测试集；S4：构建基于yolov4‑tiny网络；S5：将标注好的训练数据集输入所构建的yolov4‑tiny网络中进行多轮迭代训练，同时保存训练过程中的网络权重文件；S6：将验证集和测试集输入网络，使用S5中保存的权重文件，对网络进行性能评估；S7：调用保存的最优权重，对输入的待测竹签图片进行检测，检测结果图像上显示竹签的准确位置和计数结果；通过以上步骤实现竹签计数。

主权项：1.一种基于yolov4-tiny的竹签计数方法，其特征在于，它包括以下步骤：S1：首先采集多张一定数目的竹签横截面图片，并将图片统一大小；S2：对S1中采集的每张原始图进行标注，使用标注工具为图片中的每个竹签绘制矩形边界框，保存相应的标注文件；S3：将标注好的数据集划分为训练集、验证集和测试集，以便进行网络模型的训练和评估；S4：构建基于yolov4-tiny网络；S5：将标注好的训练数据集输入所构建的yolov4-tiny网络中进行多轮迭代训练，同时保存训练过程中的网络权重文件；S6：将验证集和测试集输入网络，使用S5中保存的权重文件，对网络进行性能评估，根据计数准确性、召回率和F1值这些指标，选取指标最高所对应的权重文件作为最优权重，保存以供后续调用；S7：调用保存的最优权重，对输入的待测竹签图片进行检测，检测结果图像上显示竹签的准确位置和计数结果；通过以上步骤实现竹签计数；在步骤S4中，所构建的yolov4-tiny网络结构如下：Backbone特征提取模块第一层Input1→Backbone特征提取模块第二层Basic_DCN2→Backbone特征提取模块第三层Basic_DCN3→Backbone特征提取模块第四层CSP_Blocks4→Backbone特征提取模块第五层CSP_Blocks5→Backbone特征提取模块第六层CSP_Blocks6→Backbone特征提取模块第七层Basic_DCN7；Backbone特征提取模块第五层CSP_Blocks5→注意力机制模块CBAM8→Neck特征融合第四层Concat10→YOLOHead检测头14；Backbone特征提取模块第七层CSP_Blocks7→注意力机制模块CBAM9→Neck特征融合第一层Basic_Conv13→YOLOHead检测头15；Neck特征融合第一层Basic_Conv13→注意力机制模块CBAM12→特征融合第三层Upsample11→特征融合第四层Concat10。

全文数据：

权利要求：

百度查询： 三峡大学 一种基于yolov4-tiny的竹签计数方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD