本发明涉及智能家居，具体涉及一种基于yolov5模型的食品实时目标检测方法及系统。
背景技术：
1、在当今快速发展的智能家居时代，家电设备作为家庭生活的核心组成部分，正逐步向智能化、自动化方向迈进。
2、现有家电设备通常缺乏智能化的图像识别能力，难以有效应对动态场景的检测与分析，导致用户操作繁琐、学习成本高且易出错。现有部分家电设备尝试通过结合手机app实现图像识别这一技术，但存在数据泄露风险，难以保障用户的信息安全；且受硬件限制，依赖网络，实时性处理得不到保证。
3、随着卷积神经网络的发展，目标检测算法也转向了基于深度神经网络的检测算法，其以高效、准确的特点，在多个领域取得了显著成效。其中yolov5作为当前领先的目标检测模型之一，因其高准确率和实时性受到广泛关注。然而，现有的模型部署方案多集中在服务器或桌面平台，对于资源受限的移动或嵌入式设备上的部署研究相对较少。特别是对于特定的硬件平台(android或linux系统)，如rk3568开发板，需要一种高效的方法来实现模型的转换和部署，从而实现家电设备的自动化和智能化。
4、因此，现如今急需提供一种基于yolov5模型的食品实时目标检测方法及系统，以此来解决上述问题。
技术实现思路
1、本发明的目的是克服现有技术的不足和缺陷，提供一种基于yolov5模型的食品实时目标检测方法及系统，通过将yolov5模型部署到终端硬件平台，从而实现对动态场景的高效识别和分析，提高了家电设备的智能化水平和用户体验。
2、本发明的目的是通过以下技术方案来实现的：
3、一种基于yolov5模型的食品实时目标检测方法，包括以下步骤:
4、s1、对yolov5模型进行训练，得到最佳权重，再对模型进行最终评估，获得训练后的模型；
5、s2、将训练好的yolov5模型转换格式，并部署到开发板上；
6、s3、获取待检测目标图像，将目标图像输入至训练后的模型中进行识别，得到最终检测结果；
7、s3、将检测结果的类别进行数据处理，处理后发送给主控模块，主控模块接收到数据后，选择相应的操作参数并执行操作。
8、作为本发明的一种优选技术方案，所述步骤s1具体包括如下步骤：
9、s11、采集不同包装的平面图和视频流，构建数据集及创建标签文件，标记图像中的目标；
10、s12、将标签文件转化为yolov5模型训练所需的txt标签文件格式，将数据集划分为训练集，验证集和测试集，其中，训练集用于训练模型，验证集用于在训练过程中评估模型性能并保存最佳权重参数，测试集则用于对训练好的模型进行最终评估；
11、s13、原始的yolov5模型提取不同尺寸大小的特征图，以捕捉细节和语义信息、对目标进行分类；
12、s14、将数据集中的训练集图像输入至改进后yolov5模型进行训练，并保存训练过程中yolov5模型在验证集上检测准确率最高时的权重参数，将该权重参数保存为权重文件best.pt；
13、s15、对损失函数进行优化，设置训练参数，将训练过程中将模型在验证集上表现最好时的权重参数保存为权重文件best.pt，模型训练至最后的权重参数保存为权重文件last.pt；
14、s16、训练完成后，将训练过程中表现最好的权重参数的文件best.pt加载至改进后的yolov5模型中，并对实时场景中的检测目标进行测试；
15、s17、使用精确率(precision)、召回率(recall)和平均精度map来评估模型性能；
16、s18、加载权重文件best.pt至改进后的yolov5模型中，再将测试集图像输入到改进后的yolov5模型中，得到测试集最终评估的测试结果；
17、作为本发明的一种优选技术方案，所述步骤s15具体为：训练过程中的训练集中图像大小设置为640*640，使用随机梯度下降法对损失函数进行优化，训练参数设定为：初始学习率0.01，动量值设置为0.9，权重衰减值为5e-4，在训练过程中使用余弦退火的方法来降低学习率，并且在训练过程中将模型在验证集上表现最好时的权重参数保存为权重文件best.pt，模型训练至最后的权重参数保存为权重文件last.pt。
18、作为本发明的一种优选技术方案，所述步骤s16中precision和recall的计算公式如下：
19、
20、precision是所有预测正确的百分比，recall是所有真实框中目标被预测为正的百分比；其中，tp表示预测被认为是“真正例”，fp表示预测被认为是“假正例”，fn表示模型中所捡漏的目标被称为“假负例”；
21、根据精度和召回率，可以计算出每个类的平均精度ap，对所有类别的ap求均值得到map；
22、作为本发明的一种优选技术方案，所述模型训练使用的显卡为geforce rtx4070ti super。
23、作为本发明的一种优选技术方案，所述步骤s2具体为以下步骤：
24、s21、将yolov5模型的pytorch权重文件通过tensorflow lite转换工具转换为tensorflow lite格式；
25、s22、对转换后的模型进行量化和优化，以适应不同开发板的硬件特性；
26、s23、将优化后的tensorflow lite模型部署到开发板上；
27、s24、在开发板上运行模型，对输入的图像数据进行实时推理，以实现不同包装外观的食品目标检测。
28、作为本发明的一种优选技术方案，所述步骤s3具体为：打开usb camera，获取视频流，逐帧读取视频流中的图像，并传输给yolov5模型进行检测，yolov5模型对每一帧图像进行目标检测，并返回每个检测到的目标的边界框、类别和置信度。
29、作为本发明的一种优选技术方案，所述步骤s4具体为：获取yolov5模型的检测结果的类别，将类别转换格式，再通过串口传输给主控模块，主控模块接收数据后，根据类别选择操作参数并执行相应操作。
30、本发明还提供一种基于yolov5模型的食品实时目标检测系统，包括：
31、图像识别模块：用于在linux系统上加载yolov5模型；
32、usb camera：用于获取平面图和视频流，并发送给yolov5模型的图像识别模块；
33、门控传感器模块：用于检测门是否关闭，并将门关闭信号传输给主控模块；
34、主控模块：接收到门控传感器模块的门关闭信号后，根据接收到图像识别模块对目标检测的检测结果，调整操作参数并执行相应操作。
35、与现有技术相比，本发明具有如下的有益效果：
36、本发明通过将yolov5模型部署在android或linux系统开发板上进行实时目标检测，通过采用yolov5模型对动态图像进行识别，相比传统图像识别方法，提高了检测的准确性和实时性，能够更快速地响应用户操作和环境变化。有效减少误检和漏检的情况，提供更可靠的识别结果；通过动态图像识别技术的应用，家电设备能够自主识别并判断用户行为和环境变化，实现智能化控制和调整，提高了家电设备的智能化水平和用户体验。
1.一种基于yolov5模型的食品实时目标检测方法，其特征在于，包括以下步骤:
2.根据权利要求1所述的一种基于yolov5模型的食品实时目标检测方法，其特征在于，所述步骤s1具体包括如下步骤：
3.根据权利要求2所述的一种基于yolov5模型的食品实时目标检测方法，其特征在于，所述步骤s15具体为：训练过程中的训练集中图像大小设置为640*640，使用随机梯度下降法对损失函数进行优化，训练参数设定为：初始学习率0.01，动量值设置为0.9，权重衰减值为5e-4，在训练过程中使用余弦退火的方法来降低学习率，并且在训练过程中将模型在验证集上表现最好时的权重参数保存为权重文件best.pt，模型训练至最后的权重参数保存为权重文件last.pt。
4.根据权利要求2所述的一种基于yolov5模型的食品实时目标检测方法，其特征在于，所述步骤s16中precision和recall的计算公式如下：
5.根据权利要求2所述的一种基于yolov5模型的食品实时目标检测方法，其特征在于，所述模型训练使用的显卡为geforce rtx 4070ti super。
6.根据权利要求1所述的一种基于yolov5模型的食品实时目标检测方法，其特征在于，所述步骤s2具体为以下步骤：
7.根据权利要求1所述的一种基于yolov5模型的食品实时目标检测方法，其特征在于，所述步骤s3具体为：打开usb camera，获取视频流，逐帧读取视频流中的图像，并传输给yolov5模型进行检测，yolov5模型对每一帧图像进行目标检测，并返回每个检测到的目标的边界框、类别和置信度。
8.根据权利要求1所述的一种基于yolov5模型的食品实时目标检测方法，其特征在于，所述步骤s4具体为：获取yolov5模型的检测结果的类别，将类别转换格式，再通过串口传输给主控模块，主控模块接收数据后，根据类别选择操作参数并执行相应操作。
9.一种用于实现如权利要求1至8所述的基于yolov5模型的食品实时目标检测系统，其特征在于，所述系统包括：
