摘要
自动售货柜行业在中国大陆地区大中城市中发展势头迅猛.传统的售货柜采用硬件分隔、重量判断和射频感应等商品识别方法,导致售货柜空间利用率低和购物体验较差.目前基于深度学习的目标检测方法如YOLOv5s等被应用于商品识别领域,而现有的目标检测算法网络模型参数多、计算量大,难以在售货柜嵌入式系统部署应用.针对上述问题基于YOLOv5s提出一种轻量化的商品识别算法模型.首先采用轻量化网络ShuffleNetv2 替换YOLOv5s原来的主干网络,大量缩减网络模型的参数数量和计算量;然后在模型颈部的所有C3 层引入注意力机制CBAM形成C3CBAM,提取图像中的关键信息进行自适应特征融合,提高网络检测精度;最后利用WIoU Loss代替CIoU Loss作为回归损失函数,借助WIoU的动态非单调聚焦机制重点关注普通质量的锚框,提高网络模型的整体性能.设置 4 组不同的实验进行验证分析,实验结果表明,利用ShuffleNetv2 替换原始YOLOv5s的主干网络后,网络的参数量和计算量分别降低了 84.3%和86.4%,有效减少了内存占有率,改进后的YOLOv5s算法实现了模型轻量化和检测精度的有效平衡,能够部署在售货柜嵌入式系统中进行商品识别,对商品智能识别算法方面的研究具有重要借鉴意义.
基金项目
重庆市科技局技术创新与应用发展专项(cstc2020jscxgksbX0017)
重庆电子工程职业学院校级科研项目(XJZK201902)
NETL
NSTL
万方数据