[发明专利]基于YOLOv3剪枝网络和嵌入式开发板的实时药盒检测方法

权利要求书

1.基于YOLOv3剪枝网络和嵌入式开发板的药盒检测方法，其特征在于：包括如下步骤：

步骤1：设计YOLOv3主干网络及损失函数；

步骤2：通过人工拍摄的方式对各个品牌的药盒进行图像数据采集；

步骤3：制作药盒数据集并进行训练；

步骤4：通过基于BN层缩放因子γ的剪枝方法对YOLOv3进行模型压缩和加速推算；

步骤5：将YOLOv3压缩模型部署到Nano嵌入式系统上并使用TensorRT进行模型推理加速；

步骤6：使用CSI摄像头在Nano上进行实时药盒检测。

2.根据权利要求1所述的基于YOLOv3剪枝网络和嵌入式开发板的药盒检测方法，其特征在于：所述步骤1具体步骤如下：

2.1)：YOLOv3主干网络设计；

2.1.1)：借鉴ResNet网络中的shortcut设计加深YOLOv3主体网络的深度，通过设定卷积层中的步长参数实现卷积层的下采样。除最后三层用于预测的卷积层之外，其余的卷积层后都添加Batch Normalization(BN)操作，并在BN层接LeakyRelu激活函数。借鉴特征金字塔模型结构，通过上采样操作对网络输出的三个特征图进行融合，达到多尺度预测的目的。；

2.1.2)：使用用K-meas聚类方法，对真实框进行聚类，得到九种锚框，每三种锚框对应一个尺度的特征图。此方法的目的是加速预测框的回归；

2.1.3)：在网络前向推断中预测公式如下所示：

b_x＝σ(t_x)+c_x (1)

b_y＝σ(t_y)+c_y (2)

b_x,b_y是预测框在对应尺寸的特征图上的相对中心坐标值。b_w,b_h是预测框的宽和高。c_x,c_y是输出特征图grid cell的左上角坐标，p_w,p_h为锚框的宽和高。t_x,t_y为预测的坐标偏移值，t_w,t_h为预测的尺度缩放倍数；

2.2)：设计YOLOv3损失函数；

2.2.1)：设计目标置信度损失函数如下所示：

其中网络输出c_i通过Sigmoid函数得到

2.2.2)：设计目标类别损失函数如下所示：

其中，网络输出c_i通过Sigmoid函数得到表示目标检测框i中存在第j类目标的Sigmoid概率；

2.2.3)：设计目标定位损失函数如下：

其中：

其中表示预测框的坐标偏移量(YOLOv3预测的是坐标偏移值)，表示真实框的坐标偏移量，(b^x,b^y,b^w,b^h)为预测框的参数，(c^x,c^y,p^w,p^h)为锚框的参数，(g^x,g^y,g^w,g^h)为真实框的参数；；

2.2.4)：通过权重系数得到最终的损失函数：

L(O,o,C,c,l,g)＝λ_confL_conf(o,c)+λ_claL_cla(O,C)+λ_locL_loc(l,g) (8) 。