首页|基于SlimYOLOv3的工业场景目标检测算法

基于SlimYOLOv3的工业场景目标检测算法

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
基于人工设计特征的检测算法检测速度普遍较慢,检测精度也有待提高,已无法满足现今工业生产中的需求.而基于深度学习的检测技术,因其需要大量的计算和存储空间无法在资源受限的设备上部署使用.针对这些问题,引用一种通道剪枝方法实现YOLOv3检测网络的轻量化,得到剪枝模型SlimYOLOv3,并进一步提出将SlimYOLOv3用于工业场景下的实时检测任务.方法通过对通道缩放因子施加L1正则化来增强卷积层的通道级稀疏性,并对信息量较小的特征通道进行剪枝,最终获得轻量级的网络模型.与原模型相比,SlimYOLOv3剪枝模型减小了60％,计算量减少了50％,检测速度是原模型的1.7倍,更适于智能工业场景中复杂目标的实时检测.
Target detection algorithm in industrial scene based on SlimYOLOv3

刘馨柔、李洋、宋文军

展开 >

长春理工大学 电子信息工程学院,长春 130000

机器视觉 智能工业 目标检测 模型剪枝 YOLOv3

中国吉林省科学技术计划发展项目吉林省预算内基本建设资金项目中国吉林省科学技术计划发展项目

20180201042GX2019C054-b20200401090GX

2021

10.19734/j.issn.1001-3695.2020.06.0203

计算机应用研究
四川省电子计算机应用研究中心

计算机应用研究

CSTPCDCSCD北大核心
影响因子：0.93
ISSN：1001-3695
年,卷(期)：2021.38(6)
  • 1
  • 3