摘要
针对边缘端进行垃圾检测分类实时性差的问题,提出轻量化的Yolov5垃圾检测解决方案.引入Stem模块,增强模型对输入图像的特征提取能力.将backbone的C3模块进行改进,提高特征提取能力.使用深度可分离卷积替换网络中的3×3降采样卷积,实现模型轻量化.使用K-means++算法重新计算物体的锚框值,使模型在训练过程中能够更好地预测目标框的大小.通过实验研究对比可知,改进模型相比于Yolov5s模型,mAP 0.5提升了0.8％,mAP_0.5:0.95提升了 3％,模型参数量减少到原来的77.9％,推理速度提升了 21.9％,极大地提高了模型的检测性能.
基金项目
国家自然科学基金青年基金(62005232)
福建省自然科学基金面上项目(2020J01294)
NETL
NSTL
维普
万方数据