露天矿卡车司机驾驶行为Yolo-V5检测模型轻量级优化研究

针对Yolo-V5目标检测算法在露天矿应用中存在的模型拟合能力低、实时目标检测占用内存过大及设备配置要求高等缺陷，提出融合优化策略对Yolo-V5模型进行轻量级优化研究。在模型训练阶段，引入动量改进torch.optim.SGD()算法对模型训练权重进行优化，加快训练收敛速度，增强模型拟合度；模型训练后，在OpenVino环境下对Yolo-V5模型进行网络层剪枝和FP16量化，模型体积压缩75%,运算内存降低33.88%。通过实验室对比试验，得出如下结论：相较搭载GPU设备，采用融合优化策略的检测模型，在低配置CPU设备上推理FPS提升83.71%,平均推理时间降低45.11%,8类驾驶行为检测预警时间降低9.89%～82.21%,对吸烟、吃喝、手机检测精确度提升3.34%～10.00%。研究表明：融合优化策略实现了Yolo-V5轻量级优化的研究目标，实时目标检测摆脱了对GPU设备的依赖，为Yolo-V5目标检测进一步在露天矿应用推广打下了良好的研究基础。