基于边缘设备的轻量化小目标果实检测模型

第33卷第1期2021年

橡胶护套>简易信号发生器智慧农业

地中海果蝇基于边缘设备的轻量化小目标果实检测模型张文利1，陈开臻

图1　模型RegNet-Yolov3网络结构

Fig.1　RegNet-Yolov3 network structure diagram

　轻量化特征提取网络设计压力维持阀

原Yolov3中特征提取网络Darknet53网络层数深、计算量大，导致模型在边缘设备上运行速度较慢。该文基于RegNet网络中X_Block模块，对原Yolov3中特征提取网络进行轻量化设计并重新搭建。由于目标果实多数为小目标物体，不需要过深的网络层数提供大的感受野，网络层数设计为8层。X_Block模块结构示意图如图2所示，该模块中含有两个1×1卷积和一个3×3卷积，同时具有3个网络激活层，相比单个卷积层与激活层连接，X_Block模块加深了网络深度，在提高网络拟合能力的同时，浅层网络也具有更好的特征提取能力。不同于标准卷积使用多个与输入数据相同深度的卷积核进行卷积求和的过程，X_Block模块中采用分组卷积的方法。该方法对输入的特征图通道进行分组，以及每个卷积核也相应进行分组，最后在对应的组内进行卷积操作。分组卷积最终输出数据的维度与标准卷积输出的数据维度相同，但计算量会因为这种分组卷积方式的卷积操作而大幅度减少。因此，分组卷积的主要功能是减少模型的参数量，从而加快计算速度。　小目标检测算法优化设计

竹炭颗粒

针对果园中多数果实为小目标物体，研究主要通过两种方法对模型小目标检测性能进行优化：（1）Mosaic数据增强方法，（2）添加浅层网络检测分支。

图2　X_Block模块结构

Fig.2　X_Block module structure diagram

Masoic数据增强方法提升网络模型多尺度学习能力。Mosaic

4张图片，对每张图片进行翻转、缩放、域变换等操作，并按照不

张图片拼接合成一张图，输入网络进行训练，如图

采集过程中拍摄距离等参数的不同，果实呈现不同尺度特征，合成后的图片融合了多种尺度的果实特征信息，并丰富了目标果实背景信息，有利于提升模型多尺度学习能力。同时，采集图片中多数果实呈现为小目标物体，对样本图片进行拼接合成，间接的增加了小目标样本数据量，增强了模型对小目标果实的检测能力。电厂脱硫滤布

图3　Mosaic数据增强方法效果

Fig.3　A diagram showing the results of the data enhancement method Mosaic

本文发布于:2024-09-22 12:49:58，感谢您对本站的认可！

本文链接：https://www.17tex.com/tex/3/307662.html