| 摘 要： | 为解决企业降低智能化成本的要求，运用低成本、低算力的硬件设备，通过深度学习中目标检测算法模型对产品进行缺陷检测。基于深度学习目标检测中的YOLOv5s网络，采用结构裁剪思想，并基于网络中的BN层对网络进行稀疏训练，将稀疏训练后的模型对应权重值较小的层进行裁剪，从而降低模型的计算参数数量以及模型文件大小，达到轻量化的效果。使用NVIDIA的加速推理框架TensorRT对训练好的裁剪模型进行层级融合，实现推理加速效果。实验结果表明：所提目标检测模型相对于原始YOLOv5s模型权重文件大小降低约70%,同时在公开数据集NEU-DET上检测精度达到了74.2%。在搭建的高性能实验台中单图推理速度相比原模型提升了11.3%,且网络没有精度损失；在低性能实验台中，所提模型相比原网络模型推理速度提升了165%,相比高性能实验台中的结果有了更显著的提升，说明所提模型在低算力硬件设备中表现优秀。再针对所提模型采用公开的潜水泵叶轮的俯视图数据集进行普适性测试，最后对所提模型采用推理加速框架TensorRT进行加速后，在高性能实验台上可以达到单图5.8 ms的推理时间。所提目标检测模型在低算力硬件设备上推理...
|
