摘要
由于较大的参数量和较高的计算复杂度,直接在移动端部署通用检测及识别模型的难度较高.为了解决轻量化的移动端部署难题及提升移动设备上葡萄叶病害的检测能力,拟提出1种轻量化、高精度、实时性的检测模型.首先,引入Slimming算法对传统的YOLO v5n网络进行缩减,利用模型稀疏化训练、批归一化的缩放因子分布状况对不重要的通道进行筛选;其次,引入轻量级上采样算子CARAFE增加感受野,进行数据特征融合;最后,将边界框回归损失函数改进为WIoU损失函数,制定合适的梯度增益分配策略来获得更加精准的框定位提升模型对每个类别目标的检测能力.试验结果表明,改进后的模型能够在保持模型性能的情况下有效轻量化.与传统的YOLO v5n相比,改进后的算法mAP提高了 0.2百分点,同时改进后的模型权重、参数量、计算量分别为1.6 MB、0.6 M、1.8 G,分别比原模型减少了 58％、67％、57％,能够满足移动端和嵌入式设备的部署要求.
国家科技期刊平台
NSTL
维普
万方数据