轻量化YOLOv5s网络车底危险物识别算法 |
| |
引用本文: | 金鑫,庄建军,徐子恒.轻量化YOLOv5s网络车底危险物识别算法[J].浙江大学学报(自然科学版 ),2023(8):1516-1526+1561. |
| |
作者姓名: | 金鑫 庄建军 徐子恒 |
| |
作者单位: | 南京信息工程大学电子与信息工程学院 |
| |
基金项目: | 国家重点研发计划资助项目(2021YFE0105500);;国家自然科学基金资助项目(62171228);;江苏高校‘青蓝工程’资助项目; |
| |
摘 要: | 针对现有车底危险物检测模型结构复杂、参数量大、不易部署于端侧的问题,提出轻量化SG-YOLOv5s网络模型.对YOLOv5s网络的骨干和颈部进行优化改进,显著降低网络的参数量,大幅缩小模型的权重体积;在训练阶段采用Mixup数据增强,提高模型的泛化能力;采用SIoU替换边框回归损失函数CIoU,使危险物预测框更接近真实框,提高检测精度.鉴于车底危险物数据集较少的现状,利用智能小车拍摄大量车底碎片化图像,采用AutoStitch算法进行图像拼接,最终获得自建车底图像数据集.实验结果表明:在自建的9种模拟车底危险物数据集上,SG-YOLOv5s模型识别精确率为97.63%,相较于原YOLOv5s模型提升了1.26%,而参数量减少了71.27%,模型权重体积下降了71.28%,为后续识别模型的嵌入式部署提供了可能.
|
关 键 词: | 轻量化模型 YOLOv5s 数据增强 目标识别 图像拼接 |
|
|