基于深度学习的白酒酒花实时分类方法

目的:解决白酒传统摘酒方法"看花摘酒"的主观性和不稳定性,以及现有机器视觉酒花分类方法难以满足实时分类的问题.方法:轻量型YOLOv5以YOLOv5 s作为初始模型,使用K-mean聚类的锚框取代默认锚框,以提高模型检测精度和稳定性,使用ShuffleNetV2网络替换YOLOv5 s主干网络进行特征提取,以达到轻量化模型的目的,并增加CBAM注意力机制使模型更加关注酒花特征.结果:与YOLOv5 s初始模型相比,轻量型YOLOv5模型占用内存减少92.5％,参数量减少93.7％,计算量降低63.4％,检测精度提升2.8％,FPS高达526.结论:轻量型YOLOv5降低了对...

Full description

Saved in:
Bibliographic Details
Published in食品与机械 Vol. 38; no. 11; pp. 111 - 116
Main Authors 刘智萍, 崔克彬
Format Journal Article
LanguageChinese
Published 华北电力大学计算机系,河北 保定 071003 2022
Subjects
实时分类
ShuffleNetV2
白酒酒花
YOLOv5
CBAM注意力机制
Online AccessGet full text
ISSN1003-5788
DOI10.13652/j.spjx.1003.5788.2022.80168

Cover

More Information
Summary:目的:解决白酒传统摘酒方法"看花摘酒"的主观性和不稳定性,以及现有机器视觉酒花分类方法难以满足实时分类的问题.方法:轻量型YOLOv5以YOLOv5 s作为初始模型,使用K-mean聚类的锚框取代默认锚框,以提高模型检测精度和稳定性,使用ShuffleNetV2网络替换YOLOv5 s主干网络进行特征提取,以达到轻量化模型的目的,并增加CBAM注意力机制使模型更加关注酒花特征.结果:与YOLOv5 s初始模型相比,轻量型YOLOv5模型占用内存减少92.5％,参数量减少93.7％,计算量降低63.4％,检测精度提升2.8％,FPS高达526.结论:轻量型YOLOv5降低了对硬件配置的要求,可以很好地实现酒花实时检测分类.
ISSN:1003-5788
DOI:10.13652/j.spjx.1003.5788.2022.80168