基于YOLOv4模型剪枝的番茄缺陷在线检测

TP391.4; 为解决番茄缺陷检测过程中的精确性和实时性问题,该研究提出一种基于模型剪枝的番茄表面缺陷实时检测方法.采用模型剪枝的方法在YOLOv4网络模型基础上进行模型优化,首先将3个连续检测工位采集的RGB图像拼接生成YOLOv4网络的输入图像,然后采用通道剪枝和层剪枝的方法压缩YOLOv4网络模型,从而减少模型参数,提高检测速度,最后提出一种基于L1范数的非极大值抑制方法,用于在模型微调后去除冗余预测框,从而精准定位图像中的缺陷位置,并将模型部署到分级系统上进行实时检测试验.结果表明,该研究提出的YOLOv4P网络与原YOLOv4网络相比,网络模型尺寸和推理时间分别减少了232.40...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 38; no. 6; pp. 283 - 292
Main Authors 梁晓婷, 庞琦, 杨一, 文朝武, 李友丽, 黄文倩, 张驰, 赵春江
Format Journal Article
LanguageChinese
Published 上海海洋大学信息学院,上海 201306 15.03.2022
北京市农林科学院智能装备技术研究中心,北京 100097
北京市农林科学院信息技术研究中心,北京 100097%北京市农林科学院智能装备技术研究中心,北京 100097
北京市农林科学院信息技术研究中心,北京 100097%湖南省农业装备研究所,长沙 410125%北京市农林科学院智能装备技术研究中心,北京 100097
Subjects
机器视觉
YOLOv4
番茄缺陷
模型剪枝
模型
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.2022.06.032

Cover

More Information
Summary:TP391.4; 为解决番茄缺陷检测过程中的精确性和实时性问题,该研究提出一种基于模型剪枝的番茄表面缺陷实时检测方法.采用模型剪枝的方法在YOLOv4网络模型基础上进行模型优化,首先将3个连续检测工位采集的RGB图像拼接生成YOLOv4网络的输入图像,然后采用通道剪枝和层剪枝的方法压缩YOLOv4网络模型,从而减少模型参数,提高检测速度,最后提出一种基于L1范数的非极大值抑制方法,用于在模型微调后去除冗余预测框,从而精准定位图像中的缺陷位置,并将模型部署到分级系统上进行实时检测试验.结果表明,该研究提出的YOLOv4P网络与原YOLOv4网络相比,网络模型尺寸和推理时间分别减少了232.40 MB和10.11 ms,平均精度均值(Mean Average Precision,mAP)从92.45％提高到94.56％,能满足实际生产中针对缺陷番茄进行精准、实时检测的要求,为番茄分级系统提供了高效的实时检测方法.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.2022.06.032