面向轻量化网络的安全帽检测算法

随着深度学习的发展,神经网络模型的体积越来越大,伴随而来的是参数量与计算量的增多,但实际安全帽检测环境下需要把网络模型部署在算力有限的移动端或嵌入式设备中,而这些设备无法支持复杂的计算量。针对这个问题,提出了一种适合部署在移动设备的轻量级目标检测网络HourGlass-YOLO（HG-YOLO）。以YOLOv5为基础模型,基于Inverted Resblock结构重构了新的主干特征提取网络HourGlass;并使用通道剪枝技术,对BatchNormalization（BN）层进行稀疏训练,将权值较小的通道进行删减,在保证精度的情况下,减少模型的参数;融合卷积层和BN层来加快在CPU上的推理速度。实验结果表明HG-YOLO在保证精度的情况下,将YOLOv5模型的体积压缩87%、浮点数减少86%、参数量降低89%,相比SSD在检测速度上快了8.2倍,更适合实际工业场景中的部署。     

改进SSD的可回收垃圾检测方法

目前我国可回收垃圾的回收利用主要依靠人工分拣的方式,造成了人力资源浪费、资源利用率低等问题。为提高资源的回收利用,提出了一个基于改进single shot multibox detector（SSD）算法的可回收垃圾检测器。针对模型参数量大,难以部署应用的问题,选用新的主干特征提取网络,引入轻量化的网络RepVGG替换SSD中的VGG16网络,同时采用结构重参数化的方式大幅减少参数量和计算量。修改SSD的辅助卷积层结构,进一步减少参数量。针对数据集尺寸变化大的问题,引入SK模块,自适应调整感受野的尺寸,提高检测精度。实验结果表明,改进的SSD模型在可回收垃圾检测任务上具有较好的检测精度和实时性,精度为95.23%,相较于原始SSD提升了4.33个百分点,检测速度可以达到64?FPS,因此该算法可以更好地应用于工业。