基于SlimYOLOv3的工业场景目标检测算法

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.     

基于DeepLabV3+的远距离目标语义分割模型

针对复杂环境下远距离目标在语义分割时易出现的边界模糊、断裂及目标丢失等问题,基于DeepLabV3+网络提出了一种结合边界信息的语义分割模型.该模型采用改进的Darknet-53网络代替原DeepLabV3+特征提取网络以加快模型运行速度,并设计了一种特征融合模块作为低层特征用于解码阶段恢复细节信息,为了进一步优化目标边界,利用特征共享原则,设计一种通过主体网络特征共享层学习多尺度信息以预测目标边界的边界提取模块,以此对分割图像进行约束优化,提升模型在边界处的预测准确率.实验结果表明,提出的语义分割模型能够有效缓解远距离目标语义分割时的边界模糊等问题.