前言
玻璃瓶、塑料瓶使用后可以回收再产，既有效解决废料垃圾的产生，同时也能够实现产品的循环利用。随着政府对环境友好型、资源节约型社会建设的不断深入，以及消费者本身环保节约意识的增强，玻璃包装逐渐成为政府鼓励类包装材料，消费者的认可程度也不断提升。各种玻璃瓶、塑料瓶的应用已然非常普遍，诸如：酒类、医包、日包等。
为了提高塑料瓶、玻璃瓶的生产线定位检测、回收利用等环节的效率，在当今全自动化生产趋势下，需要配合机床、机器人等识别和定位瓶子位置，传统的人工目测显然不是一个好的解决方案。各企业急需一套全自动化的检测方案，来解决这个难以平衡的矛盾。
本系统基于YOLOv5算法实现，采用登录注册进行用户管理，对于图片、视频和摄像头捕获的实时画面，可检测瓶子，系统支持结果记录、展示和保存，每次检测的结果记录在表格中。对此这里给出博主设计的界面，同款的简约风，功能也可以满足图片、视频和摄像头的识别检测，希望大家可以喜欢，初始界面如下图：
检测类别时的界面截图（点击图片可放大）如下图，可识别画面中存在的多个类别，也可开启摄像头或视频检测：
详细的功能演示效果参见博主的B站视频或下一节的动图演示，觉得不错的朋友敬请点赞、关注加收藏！系统UI界面的设计工作量较大，界面美化更需仔细雕琢，大家有任何建议或意见和可在下方评论交流。
1. 效果演示
首先我们还是通过动图看一下识别的效果，系统主要实现的功能是对图片、视频和摄像头画面中的瓶子进行识别，识别的结果可视化显示在界面和图像中，另外提供多个目标的显示选择功能，演示效果如下。
（一）系统介绍
基于深度学习的瓶子检测软件主要用于日常塑料瓶、玻璃瓶等瓶子检测，利用深度学习技术检测识别瓶子数目，可视化检测结果；可对图片、视频、摄像设备得到的图像进行分析，自动标记和记录检测结果，辅助计算机进行瓶子生产回收等工序；深度学习模型可方便切换和更新，已针对不同场景进行模型调整；提供用户登录注册功能，方便用户管理和使用；检测结果易于查看、记录和保存。
（二）技术特点
（1）检测算法采用YoloV5实现，模型可切换更新；
（2）定位图片、视频或摄像头等图像中瓶子位置；
（3）检测结果实时性强，便携展示、记录和保存；
（4）支持用户登录、注册、管理、界面可视化等功能；
（三）用户注册登录界面
这里设计了一个登录界面，可以注册账号和密码，然后进行登录。界面还是参考了当前流行的UI设计，左侧是一个动图，右侧输入账号、密码、验证码等等。
（四）选择图片识别
系统允许选择图片文件进行识别，点击图片选择按钮图标选择图片后，显示所有识别的结果，可通过下拉选框查看单个结果，以便具体判断某一特定目标。本功能的界面展示如下图所示：
（五）视频识别效果展示
很多时候我们需要识别一段视频中的多个瓶子，这里设计了视频选择功能。点击视频按钮可选择待检测的视频，系统会自动解析视频逐帧识别多个瓶子，并将瓶子的分类和计数结果记录在右下角表格中，效果如下图所示：
（六）摄像头检测效果展示
在真实场景中，我们往往利用摄像头获取实时画面，同时需要对瓶子进行识别，因此本文考虑到此项功能。如下图所示，点击摄像头按钮后系统进入准备状态，系统显示实时画面并开始检测画面中的瓶子，识别结果展示如下图：
2. 检测原理与训练
（一）基于YoloV5的瓶子检测
YOLOv5( You Only Look Once ) 是 由 UltralyticsLLC 公司于 2020 年 5 月份提出，其图像推理速度最快达 0.007 s，即每秒可处理 140 帧，满足视频图像实时检测需求，同时结构更为小巧，YOLOv5s 版本的权重数据文件为 YOLOv4的 1/9，大小为 27 MB。YOLOv5处理流程为：
（1）先将输入图片缩放到固定大小 640×640，再假想地将图片切分为 7×7个网格；
（2）对整张图像做卷积运算，每个小网格负责 2 个回归框的和置信度的预测，同时每个小网格还要预测出来 20 个类别，以及属于这些类别的条件概率。
（3）使用非极大值抑制法，对输出结果—类别和位置进行筛选处理。
YOLO 最大的特长是由于只看一次，所以速度极快，但是准确率跟当下最好的检测器相比有差距。对于出现在同一个网格里，距离很近的两个小目标，经常出现漏检等情况。
Yolov5 按照网络深度大小和特征图宽度大小分为 Yolov5s、 Yolov5m、Yolov5l、Yolov5，本文采用了 yolov5s 作为使用模型。Yolov5 的结构分为 input,backbone,Neck, 预测层。
（1）在输入端使用了 Mosaic 的数据增强方式，随机调用 4 张图片，随机大小和分布，进行堆叠，丰富了数据，增加了很多小目标，提升小物体的识别能力。可以同时计算 4 张图片，相当于增加了 Mini-batch 大小，减少了GPU 内存的消耗。Yolov5 首先也可以通过聚类设定anchor大小，然后还可以在训练过程中，在每次训练时，计算不同训练集中的ahchor值。然后在预测时使用了自适应图片大小的缩放模式，通过减少黑边，提高了预测速度。
（2） 在 Backbone 上 的 主 要 是 采 用 了Focus 结构，CSPnet 结构。Focus 结构不存在与 YOLOv3和 v4 版本中，其关键步骤为切片操作，如下图 所示。例如将原始图像 416* 416* 3 接入 Focus 结构中，通过切片操作，变为 208* 208* 12 的特征图，接下来进行一次 32 个卷积核操作，变为 208* 208* 32 的特征图。
（二）数据集和训练
这里我们使用的瓶子识别数据集，包含训练数据集1486张图片，验证集248张图片，验证集125张图片，共计1859张图片。数据集部分图像及其标注信息如下图所示：
每张图像均提供了图像类标记信息，图像中瓶子的bounding box，瓶子的关键part信息，以及瓶子的属性信息，数据集并解压后得到如下的图片。
在深度学习中，我们通常通过损失函数下降的曲线来观察模型训练的情况。而YOLOv5训练时主要包含三个方面的损失：矩形框损失(box_loss)、置信度损失（obj_loss）和分类损失(cls_loss)，在训练结束后，我们也可以在logs目录下找到生成对若干训练过程统计图。下图为博主训练瓶子类识别的模型训练和曲线图。
YOLOv5训练时主要包含三个方面的损失：矩形框损失(box_loss)、置信度损失（obj_loss）和分类损失(cls_loss)，下图为博主训练交通标志类识别的模型训练曲线图。
一般我们会接触到两个指标，分别是召回率recall和精度precision，两个指标p和r都是简单地从一个角度来判断模型的好坏，均是介于0到1之间的数值，其中接近于1表示模型的性能越好，接近于0表示模型的性能越差，为了综合评价目标检测的性能，一般采用均值平均密度map来进一步评估模型的好坏。绘制出来可以得到如下图所示的曲线。
以PR-curve为例，可以看到我们的模型在验证集上的均值平均准确率为0.945。
3. 瓶子检测识别
在训练完成后得到最佳模型，接下来我们将帧图像输入到这个网络进行预测，从而得到预测结果，预测方法（predict.py）部分的代码如下所示：
python def predict(img): img = torch.from_numpy(img).to(device) img = img.half() if half else img.float() img /= 255.0 if img.ndimension() == 3: img = img.unsqueeze(0) t1 = time_synchronized() pred = model(img, augment=False)[0] pred = non_max_suppression(pred, opt.conf_thres, opt.iou_thres, classes=opt.classes, agnostic=opt.agnostic_nms) t2 = time_synchronized() InferNms = round((t2 - t1), 2) return pred, InferNms
得到预测结果我们便可以将帧图像中的瓶子框出，然后在图片上用opencv绘图操作，输出瓶子的类别及瓶子的预测分数。以下是读取一个瓶子图片并进行检测的脚本，首先将图片数据进行预处理后送predict进行检测，然后计算标记框的位置并在图中标注出来。
python if __name__ == '__main__': # video_path = 0 video_path = "./UI_rec/test_/瓶子检测视频.mp4" # 初始化视频流 vs = cv2.VideoCapture(video_path) (W, H) = (None, None) frameIndex = 0 # 视频帧数 try: prop = cv2.CAP_PROP_FRAME_COUNT total = int(vs.get(prop)) # print("[INFO] 视频总帧数：{}".format(total)) # 若读取失败，报错退出 except: print("[INFO] could not determine # of frames in video") print("[INFO] no approx. completion time can be provided") total = -1 fourcc = cv2.VideoWriter_fourcc(*'XVID') ret, frame = vs.read() vw = frame.shape[1] vh = frame.shape[0] print("[INFO] 视频尺寸：{} * {}".format(vw, vh)) output_video = cv2.VideoWriter("./results.avi", fourcc, 20.0, (vw, vh)) # 处理后的视频对象 # 遍历视频帧进行检测 while True: # 从视频文件中逐帧读取画面 (grabbed, image) = vs.read() # 若grabbed为空，表示视频到达最后一帧，退出 if not grabbed: print("[INFO] 运行结束...") output_video.release() vs.release() exit() # 获取画面长宽 if W is None or H is None: (H, W) = image.shape[:2] image = cv2.resize(image, (850, 500)) img0 = image.copy() img = letterbox(img0, new_shape=imgsz)[0] img = np.stack(img, 0) img = img[:, :, ::-1].transpose(2, 0, 1) # BGR to RGB, to 3x416x416 img = np.ascontiguousarray(img) pred, useTime = predict(img) det = pred[0] p, s, im0 = None, '', img0 if det is not None and len(det): # 如果有检测信息则进入 det[:, :4] = scale_coords(img.shape[1:], det[:, :4], im0.shape).round() # 把图像缩放至im0的尺寸 number_i = 0 # 类别预编号 detInfo = [] for *xyxy, conf, cls in reversed(det): # 遍历检测信息 c1, c2 = (int(xyxy[0]), int(xyxy[1])), (int(xyxy[2]), int(xyxy[3])) # 将检测信息添加到字典中 detInfo.append([names[int(cls)], [c1[0], c1[1], c2[0], c2[1]], '%.2f' % conf]) number_i += 1 # 编号数+1 label = '%s %.2f' % (names[int(cls)], conf) # 画出检测到的目标物 plot_one_box(image, xyxy, label=label, color=colors[int(cls)]) # 实时显示检测画面 cv2.imshow('Stream', image) image = cv2.resize(image, (vw, vh)) output_video.write(image) # 保存标记后的视频 if cv2.waitKey(1) & 0xFF == ord('q'): break # print("FPS:{}".format(int(0.6/(end-start)))) frameIndex += 1
执行得到的结果如下图所示，图中瓶子的种类和置信度值都标注出来了，预测速度较快。基于此模型我们可以将其设计成一个带有界面的系统，在界面上选择图片、视频或摄像头然后调用模型进行检测。
博主对整个系统进行了详细测试，最终开发出一版流畅得到清新界面，就是博文演示部分的展示，完整的UI界面、测试图片视频、代码文件，以及Python离线依赖包（方便安装运行，也可自行配置环境），均已打包上传，感兴趣的朋友可以通过下载链接获取。
