一种图像中的硅料在真实世界中的尺寸的计算方法及其终端、存储介质与流程

本发明涉及一种图像目标识别方法，特别是涉及一种图像中的硅料在真实世界中的尺寸的计算方法及其终端、存储介质。

背景技术：

1、硅料是指硅材料，是重要的半导体材料。硅是产量最大、应用最广的半导体材料，它的产量和用量标志着一个国家的电子工业水平。原料硅经破碎机破碎至一定尺寸进入下道工序，其破碎的尺寸越小，破碎机的工作效率越低，生产成本越高；反之，破碎的尺寸适当增大，可大幅提高破碎机工作效率，降低其生产成本。然而，若硅料尺寸过大，尺寸过大的硅料会损伤生产过程中的机器，不利于下道工序的生产。

2、但是硅料在生产过程中需要尽量避免接触硅料，以保证硅料的纯度，因此在运送过程中需要通过硅料剔除装置对尺寸过大的硅料进行剔除。例如公开号为cn218049084u的专利公开了一种硅料气吹剔除装置，包括检测单元、输送单元、气吹剔除机构，所述检测单元位于输送单元上方，且其检测端朝向输送单元的输送面，所述气吹剔除机构固定设于输送单元输送末端下方，且吹气口与输送单元的输送面末端相对。该硅料气吹剔除装置通过在硅料进入下道工序之前增加气吹剔除机构，通过检测相机可对输送单元上不符合尺寸的硅料进行拍照以确定不符合尺寸的硅料位于对应的气吹剔除机构所在的区域，通过气吹剔除机构将超过一定尺寸的硅料剔除，保证进入下道工序的硅料满足尺寸要求，可提高破碎机的工作效率，大大节约硅料的生产成本，通过气吹的方式，避免了硅料在剔除的过程与其他物质接触，保证了硅料的纯度。但是该硅料剔除装置硅料尺寸检测方法精度不够高，速度不够快，去除大块硅料的智能化自动化水平不高。

技术实现思路

1、基于此，有必要针对现有硅料尺寸检测方法精度不够高、速度不够快的技术问题，提供一种图像中的硅料在真实世界中的尺寸的计算方法及其终端、存储介质。

2、本发明提出的一种图像中的硅料在真实世界中的尺寸的计算方法，包括以下步骤：

3、对相机进行标定，根据标定结果确定真实世界中硅料大小和硅料图像中像素大小的比例关系；

4、使用yolov5s6模型推理出待测硅料图像中的所有硅料的推理框；

5、通过所述比例关系，利用所述推理框的宽高的像素大小计算出真实世界中的硅料尺寸；

6、对所述yolov5s6模型做优化，所述优化的方法包括以下步骤：

7、s11.通过利用qfl损失函数作为yolov5s6模型的分类损失函数、利用eiou损失函数作为yolov5s6模型的边框回归损失函数，实现对yolov5s6模型的改进得到yolo_si模型；

8、s12.创建动态激活函数dyrelue：

9、dyrelue＝(bn((fc(relu(fc(avgpool(x)))))

10、+bn((fc(relu(fc(maxpool(x))))))

11、×bn(conv(x))×x；

12、式中，avgpool为平均池化，maxpool为最大池化，fc为全连接层，relu为激活函数，bn为批正则化，conv为1×1的卷积层；

13、s13.将动态激活函数dyrelue替换所述yolo_si模型中cbs模块的silu激活函数，得到的yolo_si模型即优化后的yolov5s6模型。

14、在本发明的一较佳实施例中，对优化后的yolov5s6模型进行深度学习，所述深度学习的方法包括以下步骤：

15、s21.采集传送中的硅料的图像，并将已获取的硅料图像划分为训练集和验证集；

16、s22.将优化后的yolov5s6模型作为深度学习模型，利用所述训练集对所述深度学习模型进行训练，再利用所述验证集对所述深度学习模型进行验证。

17、步骤s21中，所述硅料图像是指通过相机采集硅料传送过程中的视频，再通过对视频进行帧的获取处理后而得到的硅料图像。

18、在本发明的一较佳实施例中，步骤s21中，所述训练集、验证集的划分方法包括以下步骤：

19、s211、标注出硅料图像中的所有硅料；

20、s212、将硅料图像划分为训练集、验证集。

21、在本发明的一较佳实施例中，步骤s211中，使用labelme标注工具用矩形框标注出硅料图像中的所有硅料。

22、在本发明的一较佳实施例中，步骤s212中，将硅料图像按照9:1划分为训练集、验证集。

23、在本发明的一较佳实施例中，步骤s11中，所述qfl损失函数的表达式为：

24、qfl(σ)＝-|y-σ|β((1-y)log(1-σ)+ylog(σ))；

25、上式中：y为标签，σ为预测值，β取值为1.5；

26、在本发明的一较佳实施例中，步骤s11中，所述eiou损失函数的表达式为：

27、

28、上式中：liou是iou损失，ldis是距离损失，lasp是方位损失。

29、本发明还提出一种计算机终端，其包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如前述的图像中的硅料在真实世界中的尺寸的计算方法的步骤。

30、本发明还提出一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时，实现如前述的图像中的硅料在真实世界中的尺寸的计算方法的步骤。

31、本发明提出的一种图像中的硅料在真实世界中的尺寸的计算方法，具有如下有益效果：

32、本发明计算方法通过对yolov5s6模型做优化，利用qfl(quality focal loss)损失函数作为yolov5s6模型的分类损失函数，qfl损失函数通过调整损失函数的权重，使得模型更加关注单类别目标，从而提高模型的准确性。

33、本发明计算方法通过对yolov5s6模型做优化，利用eiou(eiou loss)损失函数作为yolov5s6模型的边框回归损失函数，eiou损失函数将纵横比的损失项拆分成预测的宽高分别与最小外接框宽高的差值，加速了预测框的收敛、提高了预测框的回归精度。

34、同时，本发明计算方法还创建了动态激活函数dyrelue，dyrelue激活函数辅助函数编码输入的全局上下文信息，自适应根据该信息构建分片线性激活函数(piece linearactivation)。相比静态激活函数，dyrelue带来的额外计算量几乎可以忽略，但可以极大的提升模型的特征表达能力，尤其适合于轻量型网络。将动态激活函数dyrelue替换所述yolo_si模型中cbs模块的silu激活函数，大大提高了yolo_si模型的网络性能，进一步提高了硅料尺寸的检测精度和检测速度。

技术特征：

1.一种图像中的硅料在真实世界中的尺寸的计算方法，包括以下步骤：

2.根据权利要求1所述的图像中的硅料在真实世界中的尺寸的计算方法，其特征在于，对优化后的yolov5s6模型进行深度学习，所述深度学习的方法包括以下步骤：

3.根据权利要求2所述的图像中的硅料在真实世界中的尺寸的计算方法，其特征在于，步骤s21中，所述硅料图像是指通过相机采集硅料传送过程中的视频，再通过对视频进行帧的获取处理后而得到的硅料图像。

4.根据权利要求2所述的图像中的硅料在真实世界中的尺寸的计算方法，其特征在于，步骤s21中，所述训练集、验证集的划分方法包括以下步骤：

5.根据权利要求4所述的图像中的硅料在真实世界中的尺寸的计算方法，其特征在于，步骤s211中，使用labelme标注工具用矩形框标注出硅料图像中的所有硅料。

6.根据权利要求4所述的图像中的硅料在真实世界中的尺寸的计算方法，其特征在于，步骤s212中，将硅料图像按照9:1划分为训练集、验证集。

7.根据权利要求1所述的图像中的硅料在真实世界中的尺寸的计算方法，其特征在于，步骤s11中，所述qfl损失函数的表达式为：

8.根据权利要求1所述的图像中的硅料在真实世界中的尺寸的计算方法，其特征在于，步骤s11中，所述eiou损失函数的表达式为：

9.一种计算机终端，其包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8中任一项所述的图像中的硅料在真实世界中的尺寸的计算方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时，实现如权利要求1至8中任意一项所述的图像中的硅料在真实世界中的尺寸的计算方法的步骤。

技术总结
本发明涉及一种图像中的硅料在真实世界中的尺寸的计算方法及其终端、存储介质。所述计算方法包括以下步骤：对相机进行标定，根据标定结果确定真实世界中硅料大小和硅料图像中像素大小的比例关系。使用YOLOv5s6模型推理出待测硅料图像中的所有硅料的推理框。通过所述比例关系，利用所述推理框的宽高的像素大小计算出真实世界中的硅料尺寸。对所述YOLOv5s6模型做优化，通过利用QFL损失函数作为YOLOv5s6模型的分类损失函数、利用EIOU损失函数作为YOLOv5s6模型的边框回归损失函数，实现对YOLOv5s6模型的改进得到YOLO_SI模型。创建动态激活函数DyReluE。将动态激活函数DyReluE替换所述YOLO_SI模型中CBS模块的SiLU激活函数，得到优化后的YOLOv5s6模型。本发明能够更加精确地检测硅料尺寸，具有较高的检测速度。

技术研发人员：左召明,许庆刚,余仲元,袁嘉乐
受保护的技术使用者：合肥开比锐精机科技有限公司
技术研发日：
技术公布日：2024/1/13