由于图床过期,图片无法正常显示,有图阅览请移步以下Gitee/Github网址,文末获取【源码和部署教程】或者通过以下Gitee/Github的文末邮件获取

Gitee(推荐国内访问): https://gitee.com/qunmasj/projects

Github(推荐国外访问): https://github.com/qunshansj?tab=repositories

# 1.研究背景
硬币自动分类技术在多种系统和设备中都起到了关键作用,例如:自动投币系统、自动售票系统等等。由于硬币各种旋转角度和输入模式的广泛变化,硬币分类是人工智能及计算机视觉领域中一个极其困难的过程。硬币光面区域的存在是硬币输入模式广泛变化的原因,主要包括两种:镜面反射及光面区域磨损划伤。硬币表面质量参差不齐,对于表面质量较好的硬币,硬币光面区域存在镜面反射,使得拍摄的硬币图像具有不同的视觉特征,呈现多样性;其次,随着硬币的流通使用,硬币光面区域会产生划痕甚至变得模糊不清。

2.图片演示

4.png

6.png

3.视频演示

基于YOLOv7的硬币真伪检测系统(源码&教程)_哔哩哔哩_bilibili

4.人民币硬币&假币数据集

2.png

3.png

5.YOLOv7算法

我们先整体来看下 YOLOV7,首先对输入的图片 resize 为 640x640 大小,输入到 backbone 网络中,然后经 head 层网络输出三层不同 size 大小的 feature map,经过 Rep 和 conv输出预测结果,这里以 coco 为例子,输出为 80 个类别,然后每个输出(x ,y, w, h, o) 即坐标位置和前后背景,3 是指的 anchor 数量,因此每一层的输出为 (80+5)x3 = 255再乘上 feature map 的大小就是最终的输出了。

网络结构

image.png

6.算法优化

backbone

image.png

骨干网络参考原博客结构,总共有 50 层, 我在上图用黑色数字把关键层数标示出来了。
首先是经过 4 层卷积层,如下图,CBS 主要是 Conv + BN + SiLU 构成,我在图中用不同的颜色表示不同的 size 和 stride, 如 (3, 2) 表示卷积核大小为 3 ,步长为 2。 在 config 中的配置如图。

REP模块

参考博客引入REP模块分为两个,一个是train,也就是训练,一个deploy,也就是推理。
训练模块,它有三个分支。
最上面的分支是3x3的卷积,用于特征提取。
中间的分支是1x1的卷积,用于平滑特征。
最后分支是一个Identity,不做卷积操作,直接移过来。
最后把它们相加在一起。
推理模块,包含一个3x3的卷积,stride(步长为1)。是由训练模块重参数化转换而来。
在训练模块中,因为第一层是一个3x3的卷积,第二层是一个1x1的卷积,最后层是一个Identity。
在模型从参数化的时候,需要把1x1的卷积啊,转换成3x3的卷积,把Identity也转换成3x3的卷积,然后进行一个矩阵的一个加法,也就是一个矩阵融合过程。
然后最后将它的权重进行相加,就得到了一个3x3的卷积,也就是说,这三个分支就融合成了一条线,里面只有一个3x3的卷积。
它们的权重是三个分支的叠加结果,矩阵,也是三个分支的叠加结果。

image.png

7.系统整合

下图源码&环境部署视频教程&数据集&自定义UI界面
1.png
参考博客《基于YOLOv7的硬币真伪检测系统(源码&教程)》

8.参考文献

[1]赵静,邱海飞,段航波,等.自动硬币分点装置设计与样机研制[D].2019
[2]邓成.基于螺旋振动上料的硬币清分机设计[D].2018
[3]李井元,方黎勇,胡栋材,等.基于变换矩阵的BGA X-ray图像倾斜识别 及校正方法[D].2018
[4]师平.一种检测金属表面划痕的多尺度多方向形态学方法[D].2016
[5]宋迪.基于机器视觉的手机隔板划痕检测研究[D].2014
[6]Alexander J, Ratner,Henry R, Ehrenberg,Zeshan, Hussain,等.Learning to Compose Domain-Specific Transformations for Data Augmentation.[J].Advances in neural information processing systems.2017,30(Spec ).3239-3249.
[7]Parsa, Seyyedeh-Sahar,Sourizaei, Mohamad,Dehshibi, Mohammad Mahdi,等.Coarse-grained correspondence-based ancient Sasanian coin classification by fusion of local features and sparse representation-based classifier[J].Multimedia tools and applications.2017,76(14).15535-15560.DOI:10.1007/s11042-016-3856-6.
[8]LeCun Yann,Bengio Yoshua,Hinton Geoffrey.Deep learning[J].Nature.2015,521(7553).436-444.DOI:10.1038/526050a.
[9]Russakovsky, Olga,Deng, Jia,Su, Hao,等.ImageNet Large Scale Visual Recognition Challenge[J].International Journal of Computer Vision.2015,115(3).211-252.DOI:10.1007/s11263-015-0816-y.
[10]Lu Chih-Cheng,Chang Wen-Liu,Wang Chih-Chen,等.A statistical pattern analysis approach for rapid coin identification based on Eddy-current sensors[J].Procedia Engineering.2011.5579-5583.DOI:10.1016/j.proeng.2011.08.1035.


如果您需要更详细的【源码和环境部署教程】,除了通过【系统整合】小节的链接获取之外,还可以通过邮箱以下途径获取:

1.请先在GitHub上为该项目点赞(Star),编辑一封邮件,附上点赞的截图、项目的中文描述概述(About)以及您的用途需求,发送到我们的邮箱

sharecode@yeah.net

2.我们收到邮件后会定期根据邮件的接收顺序将【完整源码和环境部署教程】发送到您的邮箱。

【免责声明】本文来源于用户投稿,如果侵犯任何第三方的合法权益,可通过邮箱联系删除。