m基于Yolov2深度学习网络的智能零售柜商品识别系统matlab仿真,带GUI界面

1.算法仿真效果

matlab2022a仿真结果如下：

2.算法涉及理论知识概要

       YOLO（You Only Look Once）是一种实时的目标检测算法，YOLOv2则是其改进版本，由Joseph Redmon和Ali Farhadi于2016年提出。YOLOv2采用了端到端的方式直接从整幅图像预测边界框和类别概率，极大地提高了检测速度。

       YOLOv2网络由一系列卷积层组成，最后连接到全连接层以生成预测结果。其输出张量尺寸为S×S×(B×(5+C))，其中：

S是输出网格的尺寸，一般设置为S=7；

B是每个网格单元预测的边界框数量（默认为2）；

55代表每个边界框的坐标信息（x,y,w,h,confidence），其中(x,y)是边界框的中心相对于网格单元的位置比例，w,h是边界框的宽度和高度相对于整幅图像的比例，confidence是包含物体且预测框正确的置信度；

C是待检测物品的类别数。

损失函数由位置损失、置信度损失和类别概率损失三部分组成：

      在智能零售柜场景中，YOLOv2首先通过训练集学习各类商品的特征。当部署在零售柜时，摄像头拍摄的实时画面会被送入YOLOv2网络，网络将整幅图像划分为多个网格，每个网格负责预测一定数量的边界框及其所属商品的类别概率。网络输出后，通过非极大值抑制（Non-Maximum Suppression, NMS）算法剔除非最大概率的边界框，保留最具代表性的商品框。最终，系统根据框内商品的类别信息和计数规则完成商品识别与数量统计。

3.MATLAB核心程序

sidx             = randperm(size(FACES,1));% 打乱数据集索引
idx              = floor(0.75 * length(sidx));% 将75%的数据用作训练集
train_data       = FACES(sidx(1:idx),:);% 选取训练集
test_data        = FACES(sidx(idx+1:end),:);% 选取测试集
% 图像大小
image_size       = [224 224 3];
num_classes      = size(FACES,2)-1;% 目标类别数量
anchor_boxes = [% 预定义的锚框大小
    43 59
    18 22
    23 29
    84 109
    ];
% 加载预训练的 ResNet-50 模型
load mat\Resnet50.mat
 
% 用于目标检测的特征层
featureLayer = 'activation_40_relu';
% 构建 YOLOv2 网络
lgraph       = yolov2Layers(image_size,num_classes,anchor_boxes,Initial_nn,featureLayer);
 
options = trainingOptions('sgdm', ...
    'MiniBatchSize', 8, ....
    'InitialLearnRate',1e-4, ...
    'MaxEpochs',200,...
    'CheckpointPath', Folder, ...
    'Shuffle','every-epoch', ...
    'ExecutionEnvironment', 'gpu');% 设置训练选项
% 训练 YOLOv2 目标检测器
[detector,info] = trainYOLOv2ObjectDetector(train_data,lgraph,options);
 
 
 
 
save model.mat detector