露天矿卡车司机驾驶行为Yolo-V5检测模型轻量级优化研究 |
| |
引用本文: | 刘煜祖,马连成,段金刚,史小冬,王仁炎,张烨佼.露天矿卡车司机驾驶行为Yolo-V5检测模型轻量级优化研究[J].矿业研究与开发,2022,42(11):171-178. |
| |
作者姓名: | 刘煜祖 马连成 段金刚 史小冬 王仁炎 张烨佼 |
| |
作者单位: | 1. 东北大学智慧矿山研究中心;2. 鞍钢集团矿业有限公司齐大山铁矿 |
| |
基金项目: | “十三五”国家重点研发计划项目(2016YFC0801608); |
| |
摘 要: | 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。
|
关 键 词: | 露天矿卡车 驾驶行为 目标检测 Yolo-V5 轻量级优化 |
|
| 点击此处可从《矿业研究与开发》浏览原始摘要信息 |
|
点击此处可从《矿业研究与开发》下载全文 |
|