【源码＆教程】YOLOv7：硬币币值真伪检测系统

本文链接：https://blog.csdn.net/cheng2333333/article/details/134792421

本文探讨了硬币自动分类技术在实际应用中的挑战，特别是硬币表面的多样性。介绍了YOLOv7算法在硬币真伪检测中的应用，包括网络结构、算法优化和系统整合过程，以及相关的图片和视频教程资源。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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

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

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

6.算法优化

backbone

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

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。