本發(fā)明屬于目標檢測，尤其涉及一種基于深度學習的藥品包裝精確監(jiān)測方法。

背景技術：

1、藥品包裝形態(tài)各異，有藥瓶、藥袋、藥盒等五花八門的形狀，它們的幾何特征、表征信息有很大差別，傳統(tǒng)的工業(yè)相機檢測方法使用圖像處理技術，包括圖像二值化、閾值分割和形態(tài)學分割等步驟，來獲取圖像的檢測結果。這些技術依賴于人工經(jīng)驗進行設計，只能適用于特定情況，泛化能力差，難以在實際的復雜應用場景下快速準確地檢測各種藥品包裝，導致需要花費額外人力物力處理無法檢測的包裝，無法實現(xiàn)全自動化檢測的需求。

技術實現(xiàn)思路

1、鑒于目前人工檢測藥品包裝存在的上述不足，本發(fā)明提供一種基于深度學習的藥品包裝精確檢測方法，通過拓展數(shù)據(jù)樣本的多樣性、加入注意力機制使得模型具有較強的學習泛化能力，提高模型的檢測精度。

2、為達到上述目的，本發(fā)明的實施例采用如下技術方案：

3、一種基于yolov8網(wǎng)絡的矢量藥品包裝檢測方法，所述的基于yolov8網(wǎng)絡的矢量藥品包裝檢測方法，具體方法包括：

4、對獲得的樣本圖像作數(shù)據(jù)增強得到增強圖像；

5、基于yolov8網(wǎng)絡搭建具有注意力機制的網(wǎng)絡模型；

6、基于增強圖像對網(wǎng)絡模型進行訓練得到檢測模型；

7、將目標圖像輸入檢測模型得到檢測結果。

8、依照本發(fā)明的一個方面，所述的對獲得的樣本圖像作數(shù)據(jù)增強得到增強圖像，具體包括：對樣本圖像進行hsv顏色增強、隨機旋轉增強、隨機仿射增強、隨機馬賽克增強操作，得到多樣的增強圖像。

9、依照本發(fā)明的一個方面，所述的基于yolov8網(wǎng)絡搭建具有注意力機制的網(wǎng)絡模型，包括backbone結構模塊、neck結構模塊、head結構模塊，將各模塊依次連接成可訓練的網(wǎng)絡模型。

10、依照本發(fā)明的一個方面，所述的backbone結構包含c2f模塊，所述的c2f模塊包括三個輸出通道，與neck結構相連；在所述的c2f模塊中的concate層之前添加通道注意力層和空間注意力層。

11、依照本發(fā)明的一個方面，所述的neck結構包括三個輸入通道，通道之間的特征融合采用wconcate加權特征拼接方式。

12、依照本發(fā)明的一個方面，所述的wconcate加權特征拼接方式采用如下公式實現(xiàn)：

13、fwc＝w{c(f1,f2)}，其中，f1,f2是來自上層進入concate模塊的特征圖，fwc是經(jīng)過增強后的特征圖，c為concate模塊的等價函數(shù)，為自學習產(chǎn)生的加權函數(shù)。

14、依照本發(fā)明的一個方面，所述的head結構包含2個輸出通道：分類輸出通道和檢測輸出通道；所述分類輸出通道，輸出目標物體的類別；所述檢測輸出通道，輸出目標物體的邊界框，所述邊界框具有方向性。

15、依照本發(fā)明的一個方面，基于增強圖像對網(wǎng)絡模型進行訓練得到檢測模型，具體包括用增強圖像作為網(wǎng)絡模型的輸入，通過損失函數(shù)評價網(wǎng)絡模型的預測能力，通過迭代多次后，直至損失函數(shù)不再下降，模型達到最優(yōu)，并保存該最優(yōu)檢測模型。

16、依照本發(fā)明的一個方面，所述的將目標圖像輸入檢測模型得到檢測結果，具體為目標圖像輸入到上述得到的最優(yōu)檢測模型后，執(zhí)行檢測任務，得到目標圖像的檢測結果，即目標藥品的分類和目標藥品的檢測框。

17、一種基于yolov8網(wǎng)絡的矢量藥品包裝檢測系統(tǒng)，所述的基于yolov8網(wǎng)絡的矢量藥品包裝檢測系統(tǒng)包括：

18、圖像數(shù)據(jù)處理模塊，用于藥品包裝圖像數(shù)據(jù)增強得到增強圖像；

19、構建模型模塊，用于搭建具有注意力機制的網(wǎng)絡模型；

20、訓練模塊，用于增強圖像對網(wǎng)絡模型訓練得到檢測模型；

21、測試模塊，用于將測試圖像輸入到檢測模型中，輸出模型的檢測結果。

22、本發(fā)明實施的優(yōu)點：(1)采用多種圖像增強技術，對訓練數(shù)據(jù)進行增強，從而提高算法的泛化性和圖像的易讀性；(2)通過網(wǎng)絡模型中解耦檢測頭，將分類與回歸卷積層獨立優(yōu)化，可以更準確檢測任意角度的物體；(3)通過在模型c2f單元中，加入注意力處理機制，進一步提高檢測的準確性。

技術特征：

1.一種基于yolov8網(wǎng)絡的矢量藥品包裝檢測方法，所述的基于yolov8網(wǎng)絡的矢量藥品包裝檢測方法，具體步驟包括：

2.根據(jù)權利要求1所述的基于yolov8網(wǎng)絡的矢量藥品包裝檢測方法，其特征在于，所述的獲得藥品包裝樣本圖像并作數(shù)據(jù)增強得到增強圖像，具體包括：獲取藥品包裝樣本圖像并對圖像數(shù)據(jù)進行hsv顏色增強、隨機旋轉增強、隨機仿射增強、隨機馬賽克增強操作，得到多樣的增強圖像。

3.根據(jù)權利要求1所述的基于yolov8網(wǎng)絡的矢量藥品包裝檢測方法，其特征在于，所述的基于yolov8網(wǎng)絡搭建具有注意力機制的網(wǎng)絡模型，包括backbone結構模塊、neck結構模塊、head結構模塊，將各模塊依次連接成可訓練的網(wǎng)絡模型。

4.根據(jù)權利要求3所述的基于yolov8網(wǎng)絡的矢量藥品包裝檢測方法，其特征在于，所述的backbone結構包含c2f模塊，所述的c2f模塊包括三個輸出通道，與neck結構相連；在所述的c2f模塊中的concate層之前添加通道注意力層和空間注意力層。

5.根據(jù)權利要求3所述的基于yolov8網(wǎng)絡的矢量藥品包裝檢測方法，其特征在于，所述的neck結構包括三個輸入通道，三個通道之間的特征融合采用wconcate加權特征拼接方式。

6.根據(jù)權利要求5所述的基于yolov8網(wǎng)絡的矢量藥品包裝檢測方法，其特征在于，所述的wconcate加權特征拼接方式采用如下公式實現(xiàn)：

7.根據(jù)權利要求根據(jù)權利要求3所述的基于yolov8網(wǎng)絡的矢量藥品包裝檢測方法，其特征在于，所述的head結構包含2個輸出通道：分類輸出通道和檢測輸出通道；所述分類輸出通道，輸出目標物體的類別；所述檢測輸出通道，輸出目標物體的邊界框，所述邊界框具有方向性。

8.根據(jù)權利要求1至7中任一所述的基于yolov8網(wǎng)絡的矢量藥品包裝檢測方法，其特征在于，基于增強圖像對網(wǎng)絡模型進行訓練得到檢測模型，具體包括用增強圖像作為網(wǎng)絡模型的輸入，通過損失函數(shù)評價網(wǎng)絡模型的預測能力，通過迭代多次后，直至損失函數(shù)不再下降，模型達到最優(yōu)，并保存該最優(yōu)檢測模型。

9.根據(jù)權利要求8所述的基于yolov8網(wǎng)絡的矢量藥品包裝檢測方法，其特征在于，所述的將目標圖像輸入最優(yōu)檢測模型得到檢測結果，具體為目標圖像輸入到上述得到的最優(yōu)檢測模型后，執(zhí)行檢測任務，得到目標圖像的檢測結果，即目標藥品的分類和目標藥品的檢測框。

10.一種基于yolov8網(wǎng)絡的矢量藥品包裝檢測系統(tǒng)，所述的基于yolov8網(wǎng)絡的矢量藥品包裝檢測系統(tǒng)包括：

技術總結
本發(fā)明公開了一種基于yolov8網(wǎng)絡的矢量藥品包裝檢測方法，該方法對工業(yè)相機采集的藥品包裝圖像進行準確快速的檢測并提供高質量的檢測結果，對多種異形的包裝也可以實現(xiàn)準確檢測，有很強的魯棒性。本發(fā)明利用多種數(shù)據(jù)增強方法對訓練圖像樣本進行預處理并構建訓練樣本集，提高了算法的泛化性和圖像的易讀性；其中，提供的一種改進的C2F模型，將多條梯度流特征輸出進行多維的注意力處理，還通過解耦檢測頭將分類與回歸卷積層獨立優(yōu)化，可以更準確地檢測任意角度的物體。

技術研發(fā)人員：鐘金榮,李陽,陳路,謝維斯,石晶,王曉亮
受保護的技術使用者：上海和進物流機械有限公司
技術研發(fā)日：
技術公布日：2024/12/10